趙 昕，丁貝德

（中國海洋大學(xué) 經(jīng)濟學(xué)院，山東青島 266100）

一、引 言

氣候變化問題日益受到國際社會關(guān)注，已成為人類生存發(fā)展面臨的共同挑戰(zhàn)。當(dāng)前以工業(yè)經(jīng)濟為主的人類活動，產(chǎn)生大量二氧化碳排放，加劇了以全球變暖為主要特征的氣候變化問題。作為全球最大的碳資源儲備國和最具減排潛力國家，中國目前缺少完善的交易體系，在國際碳金融市場中處境被動。為了實現(xiàn)減排目標(biāo)，掌握市場領(lǐng)導(dǎo)權(quán)，中國從2013年開始逐步建立深圳、北京、天津、上海、廣東、湖北、重慶和福建8個試點碳排放權(quán)交易平臺，并在2017年開始嘗試建設(shè)全國統(tǒng)一碳金融市場。值得注意的是，我國碳交易尚處于探索階段，交易活躍度較低，經(jīng)常出現(xiàn)連續(xù)多日無交易的現(xiàn)象，這導(dǎo)致碳排放權(quán)市場價格出現(xiàn)跳躍性波動，收益存在突增或驟降現(xiàn)象。此時，識別碳金融市場收益波動的跳躍行為，分析其跳躍擴散效應(yīng)并度量動態(tài)跳躍風(fēng)險，對當(dāng)局及參與者加強風(fēng)險控制、提高碳金融市場穩(wěn)健性具有現(xiàn)實意義。

國外學(xué)者對碳金融市場的研究主要集中在三個方面。一是價格波動的動態(tài)溢出效應(yīng)：Reboredo[1]建立條件自回歸極差模型，發(fā)現(xiàn)了EU碳市場和原油市場之間價格波動的動態(tài)溢出和杠桿效應(yīng)；Balc?lar等[2]分析了能源期貨與碳期貨合約的結(jié)構(gòu)性變化和價格波動溢出效果。二是如何精確刻畫碳市場的價格變化：Byun等[3]發(fā)現(xiàn)GARCH族模型能夠較好地預(yù)測碳期貨波動，其中基于正態(tài)分布假設(shè)的GJR－GARCH模型預(yù)測效果最好；Chevallier[4]以歐盟EUA、CER的期貨合約為研究對象，建立方差風(fēng)險溢價模型，描述了歐洲二氧化碳交易價格的時變過程。三是捕捉碳交易價格的跳躍行為：Sanin等[5]建立基于混合分布假設(shè)的ARMAX－GARCH模型，從時變跳躍概率的角度對歐盟二、三階段配額交易價格的動態(tài)波動進行分析，發(fā)現(xiàn)模型能夠刻畫EU ETS市場躍動特征；Kim等[6]根據(jù)貝葉斯理論建立SVJ和SVCJ模型，分析EUA期貨價格跳躍波動。

中國試點碳排放權(quán)交易所自2013年運行以來，成交量和成交額不斷增長，引發(fā)國內(nèi)學(xué)者對碳金融市場價格波動溢出問題的關(guān)注：Zhang[7]分析了EU碳交易市場與化石能源市場間的價格動態(tài)波動溢出效果；汪文雋等[8]建立多元GARCH（1，1）－BEKK模型檢驗了廣東、湖北、深圳碳市場價格的波動溢出效應(yīng)；Wang[9]發(fā)現(xiàn)了碳市場和能源市場之間收益與波動的非對稱溢出效應(yīng)；孫春[10]通過DCC－MGARCH（1，1）模型，發(fā)現(xiàn)EU碳市場和中國碳市場之間存在明顯的價格波動溢出效應(yīng)，且EU碳市場對中國碳市場的溢出效應(yīng)更明顯。碳金融市場的風(fēng)險度量也備受關(guān)注：張晨等[11]引入Monte Carlo模擬算法，構(gòu)建Copula－ARMA－GARCH模型計算碳金融市場多源風(fēng)險的整合VaR；杜莉等[12]建立GARCH、ARCH模型研究中國碳金融市場的價格波動，通過異方差分析各區(qū)域碳市場的極端風(fēng)險；王婷婷等[13]采用不同的分位數(shù)回歸模型對中國五大碳市場進行實證分析，發(fā)現(xiàn)QAR－GARCH模型更適合中國碳金融市場風(fēng)險的刻畫；邱謙等[14]建立基于正態(tài)分布、t分布和GED分布的三類GARCH模型，發(fā)現(xiàn)t分布度量碳金融市場的風(fēng)險較為理想。

總體而言，現(xiàn)有文獻鮮有研究中國碳金融市場價格的跳躍擴散效應(yīng)。雖然王倩[15]分析了中國試點碳市場間的溢出效應(yīng)，但采用不含跳躍因子的傳統(tǒng)模型無法準(zhǔn)確識別跳躍特征，并且在沒有考慮跳躍行為的前提下，對碳金融市場進行風(fēng)險度量，缺乏有效性。目前，學(xué)者們常用Duffie等[16]提出的SVCJ模型描述資產(chǎn)價格的時變跳躍特征，Eraker等[17]比較SV、SVJ、SVIJ、SVCJ模型后發(fā)現(xiàn)SVCJ模型對收益波動跳躍的刻畫能力最強，Ignatieva等[18]又進一步探討了SVCJ模型的指數(shù)放射效果。曾昭法等[19]、王壘等[20]也將SVCJ模型用于證券、股票和期貨市場的波動跳躍研究。此外，Mcneil等[21]提出的極值理論為捕捉金融資產(chǎn)價格的極端波動提供了思路。鑒于此，本文運用SVCJ模型量化中國碳金融市場價格的跳躍擴散效應(yīng)，并結(jié)合極值理論的POT模型，嘗試建立SVCJ－POT－VaR模型度量中國碳金融市場的動態(tài)極端跳躍風(fēng)險。

本文的貢獻在于：一是采用SVCJ模型對中國6個代表性碳金融市場的收益進行估計，該模型能識別收益序列波動的跳躍行為；二是給出跳躍擴散效應(yīng)測度指標(biāo)，細致地探討不同市場間的跳躍強度與跳躍信息傳遞特征；三是建立SVCJ－POT－VaR模型，在考慮收益率跳躍變化的前提下，度量中國碳金融市場的動態(tài)極端跳躍風(fēng)險，并進行準(zhǔn)確性檢驗，以期為全國統(tǒng)一碳金融市場的構(gòu)建和風(fēng)險防控提供實證支撐。

二、模型設(shè)定與構(gòu)建

（一）SVCJ模型

連續(xù)時間分析框架下，SVCJ模型假設(shè)t時刻各碳排放權(quán)現(xiàn)貨交易價格為Pt，取自然對數(shù)價格Yt＝lnPt，t時刻的價格波動為Vt，則該模型的動態(tài)過程可以表示為：

其中，t－表示時刻t之前的臨近點；是具有順勢相關(guān)系數(shù)為ρ的標(biāo)準(zhǔn)一維維納過程；參數(shù)μ度量資產(chǎn)價格的期望收益；κ表示波動均值回歸系數(shù)；θ表示波動長期均值水平；σv代表波動的標(biāo)準(zhǔn)差；和是強度為λ的泊松過程，用來控制跳躍發(fā)生的到達時刻，模型假設(shè)收益與波動同時發(fā)生跳躍，即；表示跳躍幅度，其相關(guān)系數(shù)為ρJ，并滿足。由于相關(guān)系數(shù)存在，該模型能夠捕捉收益和波動之間的杠桿效應(yīng)以及擴散項之間的關(guān)系。

本文采用基于貝葉斯理論的馬爾科夫鏈蒙特卡羅（MCMC）方法估計模型參數(shù)，需要將連續(xù)時間框架下的SVCJ模型進行Euler離散處理。在選取日數(shù)據(jù)的前提下，令時間間隔Δ＝1，由此得到SVCJ模型的離散表達式：

其中，Y（t＋1）Δ－YtΔ＝ln（Pt＋1）－ln（Pt），表示資產(chǎn)價格的自然對數(shù)收益率；Δ 是離散時間間隔，本文取Δ＝1；服從固定強度為λΔ的伯努利分布，其取值為0或1，取1時表示以λ的概率發(fā)生跳躍，反之則不發(fā)生；表示標(biāo)準(zhǔn)隨機正態(tài)變量，其相關(guān)系數(shù)為ρ；其他參數(shù)的含義隨機微分方程中保持一致。對Euler離散化的方程進行MCMC估計可能產(chǎn)生潛在偏差，因此本文選擇提高迭代模擬次數(shù)，以減少離散化偏差，提高模型精度。

MCMC方法將未知參數(shù)和潛在變量看作隨機變量，在 SVCJ模型中，待估的變量可以表示為，根據(jù)貝葉斯規(guī)則，待估變量的后驗分布可以表示為似然函數(shù)、待估變量先驗分布函數(shù)和某個標(biāo)準(zhǔn)化常數(shù)的乘積形式：

其中，c為標(biāo)準(zhǔn)化常數(shù)，V是波動過程，Y是T×1維觀測值向量，Jy、Jv是跳躍次數(shù)，ξy、ξv是跳躍幅度，Θ是參數(shù)向量。為解決式（3）后驗分布的復(fù)雜性和非標(biāo)準(zhǔn)型，本文選用基于Gibbs抽樣的MCMC方法進行模擬，以產(chǎn)生平穩(wěn)的馬爾科夫鏈，得到后驗樣本的均值。

（二）POT模型

極值理論對金融資產(chǎn)價格的極端波動有較好的描述能力，主要包括區(qū)組最大值法（BMM）和超越閾值法（POT）。由于BMM方法對數(shù)據(jù)有季節(jié)性要求，因此在金融領(lǐng)域常用POT方法。該方法對給定的閾值，假設(shè)超越閾值的數(shù)據(jù)服從廣義帕累托分布（GPD）。根據(jù)Mcneil等[21]的研究結(jié)果，采用標(biāo)準(zhǔn)化殘差序列可以滿足獨立同分布條件。由（2）式易得到標(biāo)準(zhǔn)化殘差：

當(dāng)u→∞時，F(xiàn)u（x）可以用GPD分布近似表示：

其中，β為位置參數(shù)，且β＞0，ξ為形狀參數(shù)，若ξ≥0，x≥0，則GPD是厚尾的，若ξ＜0，0≤x＜－β/ξ。閾值可由Hill圖法和平均超額函數(shù)綜合確定。若Nu代表樣本數(shù)據(jù)中超過閾值的數(shù)量，n表示樣本總數(shù)，則F（u）可用（n－Nu）/n近似。Zt的尾分布可以表示為：

當(dāng)置信水平為q時，的分位數(shù)可以表示為：

POT模型不需要對樣本數(shù)據(jù)的整體分布做假設(shè)，受數(shù)據(jù)特征的影響較小，對我國碳金融市場進行刻畫比傳統(tǒng)模型更具有理論優(yōu)勢。

（三）SVCJ－POT－VaR 模型

風(fēng)險價值（Value at Risk，VaR）已成為被學(xué)術(shù)界廣泛認可的風(fēng)險度量方法。VaR是指在市場正常波動、給定置信水平時，某一金融資產(chǎn)在未來一段時間內(nèi)的最大可能損失。VaR可以直觀地給出損失水平，數(shù)學(xué)表達式為：

式中，ΔP為金融資產(chǎn)在持有時間為Δt時的損失量，e為置信水平，VaR為最大可能損失。若按波動率是否具有時變性，風(fēng)險價值可以分為動態(tài)VaR和靜態(tài)VaR。靜態(tài)VaR模型認為每個時點的波動率為持有期內(nèi)的平均值，動態(tài)VaR則考慮了收益序列的波動集群特征與波動的時變性。

在SVCJ－POT－VaR模型中，首先對SVCJ模型進行參數(shù)估計，求得標(biāo)準(zhǔn)化殘差，然后建立POT模型，求得的q分位數(shù)，最后通過式（9）計算求出收益率序列的動態(tài)VaR：

（四）跳躍擴散效應(yīng)測度指標(biāo)

對6個碳排放權(quán)現(xiàn)貨交易市場的收益建立SVCJ模型后，本文對各市場的跳躍擴散效應(yīng)進行測度。根據(jù)文獻[22]統(tǒng)計思想，將跳躍擴散效應(yīng)的測度指標(biāo)定義如下：

1.跳躍擴散強度

跳躍擴散強度（Jump Diffusion Intensity，JDI）表示一個市場的跳躍引起其他市場發(fā)生跳躍的程度，主要描述市場間發(fā)生的跳躍行為在整個樣本中的比重。假設(shè)跳躍發(fā)生在同日，其計算公式如下：

當(dāng)i取6時，（11）式測算了中國碳金融市場的整體跳躍擴散強度，刻畫了收益與波動的總體跳躍行為在樣本區(qū)間內(nèi)所占的比例。

2.條件跳躍擴散概率

條件跳躍擴散概率（Conditional Jump Diffusion Probability，CJDP）描述跳躍在市場間傳播的可能性，即一個市場的跳躍信息在其他市場到達的概率。假設(shè)跳躍到達日相同，且不考慮市場間共同跳躍對其他市場的影響，給出下列計算公式：

需要注意的是，跳躍概率的估計不再是0/1向量。為了識別跳躍行為，本文借鑒相關(guān)研究，給出了跳躍次數(shù)的公式：

其中，l為閾值，取跳躍次數(shù)概率的平均值；當(dāng)跳躍次數(shù)的概率超過閾值時，表示識別到跳躍行為發(fā)生。

三、實證研究

（一）樣本選取與說明

中國各碳排放權(quán)交易所只有現(xiàn)貨交易，期貨交易處于討論設(shè)計階段，因此本文以各交易所的現(xiàn)貨交易數(shù)據(jù)為研究樣本。樣本分別來自北京、上海、廣州、天津、深圳和湖北6個碳排放權(quán)交易所，數(shù)據(jù)來源為碳K線數(shù)據(jù)庫。重慶碳排放權(quán)交易所的交易量長期低迷，缺乏活躍度，不作為研究對象。福建碳排放權(quán)交易所在2017年1月才進入運行階段，數(shù)據(jù)量不滿足模型要求，在此也不作考察。為了保證數(shù)據(jù)有效性，樣本均取自2014年4月2日至2018年1月26日的每日成交價，取百分比自然對數(shù)收益率：

用SPSS 22.0對各碳排放權(quán)交易所的收益率序列進行描述性統(tǒng)計分析，結(jié)果如表1。

表1 各交易所收益率描述性統(tǒng)計

從表1可知，各收益序列的均值都為負，上海交易所平均收益率最高，廣州最低；天津交易所的收益率極差和標(biāo)準(zhǔn)差最大，波動幅度最高；北京和湖北地區(qū)偏度為負，收益率序列呈現(xiàn)左偏；峰度系數(shù)均大于3，表明各碳排放權(quán)交易所的收益序列具有顯著的尖峰特性。

最后，用ADF方法對數(shù)據(jù)進行平穩(wěn)性檢驗，結(jié)果如表2所示。各交易所的收益率數(shù)據(jù)在1%、5%和10%的顯著性水平上均小于臨界值，因此認為各收益率序列平穩(wěn)。

表2 各交易所收益率序列ADF檢驗結(jié)果

（二）SVCJ模型參數(shù)估計

在Gibbls抽樣過程中，經(jīng)過多次迭代可得到后驗條件分布和參數(shù)估計值。Markov鏈在足夠次數(shù)的迭代后，如果每個時刻狀態(tài)的邊際分布都平穩(wěn)，則Markov鏈?zhǔn)諗?。由于先驗分布不會影響MCMC方法的參數(shù)估計值，本文選擇先驗分布為μv～N（0，1），μy～N（0，1），ρ～U（－1，1），ρJ～N（0，4），λ～Beta（2，40），利用winbugs迭代20 000萬次，為保證Markov鏈?zhǔn)諗浚x擇前10 000個抽樣值進行“燃燒”舍棄，用后10 000次抽樣作為參數(shù)的穩(wěn)定分布抽樣，得到參數(shù)估計結(jié)果。見表3。

表3 SVCJ模型參數(shù)估計結(jié)果

由表3可知，期望均值μ較小，深圳和湖北市場為負，相對而言更小。天津的波動回歸系數(shù)κ最小，表明隨著碳排放權(quán)交易的進行，波動將持續(xù)更久，其他市場的κ值相近，波動向均值回歸速度較快，波動缺乏持久性。天津市場的波動長期均值水平θ最高，表明市場活躍度提高、交易機制完善后，該市場的價格波動依然明顯。波動跳躍的均值μv在6地均為正值，說明波動為正向跳躍，但收益跳躍的均值μy在湖北市場外均小于零，表明我國碳金融市場的收益以向下跳躍為主，受負面信息影響居多。北京市場的收益跳躍標(biāo)準(zhǔn)差σy最大，說明北京市場的跳躍變化幅度較大。σv顯示在衡量波動的變化上，天津市場波動更活躍，波動絕對水平高，收益率數(shù)據(jù)的“厚尾”形態(tài)更加明顯；其他市場則表現(xiàn)出一致的“平穩(wěn)”波動特征。ρ與ρJ衡量了收益與波動之間的擴散沖擊效果，在北京、上海、廣州和天津均為負值，表明收益與波動之間存在顯著的杠桿效應(yīng)，深圳和湖北市場的杠桿效應(yīng)則不明顯。

圖1展示了6個市場的跳躍概率、波動跳躍幅度以及收益跳躍幅度，根據(jù)式（13）的識別，北京、上海、廣州、天津、深圳、湖北市場依次跳躍244次、286次、451次、154次、406次、344次。跳躍控制變量λ與跳躍頻數(shù)呈現(xiàn)一致趨勢，說明模型估計良好?？傮w來看，中國各碳金融市場的價格波動幅度較大，收益與波動有顯著的跳躍行為，存在“斷崖式”變化特征。

圖1 6個市場的跳躍概率、波動跳躍幅度和收益跳躍幅度

（三）跳躍擴散效應(yīng)分析

利用式（11）、（12）分析跳躍擴散強度和條件跳躍擴散概率，表4和表5列示了結(jié)果。

表4 6個市場收益的跳躍擴散強度

表4中，各編號組表示對應(yīng)市場同時發(fā)生跳躍的在全部樣本中的比重。兩市場下，廣州和深圳間的跳躍擴散強度最大，達到0.170 2，表示廣州與深圳市場相互引起的跳躍行為占總體觀測數(shù)的比例最高。三市場下，廣州、深圳和湖北間的跳躍擴散強度最大，達到0.066 8，說明這三個市場的共同跳躍行為具有更強的一致性。當(dāng)考慮四市場情況時，上海市場的收益跳躍行為與廣州、深圳和湖北市場有更明顯的跳躍擴散效果，因此這四個市場的跳躍擴散強度最高。五市場情況下，雖然北京、上海、廣州、深圳和湖北市場間跳躍擴散強度最高，但總體來看共同跳躍行為逐漸減少，表明市場聯(lián)動效果較弱，跳躍傳遞現(xiàn)象不夠明顯。六市場JDI考察了中國碳金融市場的整體跳躍擴散強度，然而僅有1次共同跳躍，強度為0.000 9，跳躍擴散強度微弱。

表5 6個市場收益的條件跳躍擴散概率

條件跳躍概率可以直觀描述跳躍在不同市場間到達的可能性。限于篇幅，本文僅列示條件跳躍擴散概率前6大的情況。由表5可知，兩市場下，廣州的跳躍信息最有可能到達北京。三市場下，北京的跳躍信息引起廣州和深圳共同跳躍的可能性最高。四市場下，上海市場的跳躍信息更充足，有0.196 7的概率引起北京、廣州和天津市場的共同跳躍。五市場情況下，北京對上海、廣州、深圳和湖北的條件跳躍擴散概率最高。六市場下考慮了單一市場的跳躍信息對全國碳金融市場的傳遞效果，天津市場的條件跳躍擴散概率最高，這與其波動跳躍較大的趨勢一致?？傮w來看，單個市場的跳躍行為引起其他市場共同跳躍的可能性都較小，跳躍信息在市場間缺乏有效的傳遞路徑。

（四）POT模型參數(shù)估計

計算動態(tài)VaR之前要先計算各收益率序列的靜態(tài)VaR。根據(jù)SVCJ模型得到的參數(shù)估計結(jié)果計算標(biāo)準(zhǔn)化殘差序列，通過POT模型和對數(shù)似然估計的方法估計GPD分布的形狀參數(shù)ξ和位置參數(shù)β。本文利用R3.4.1的EVIR包繪制平均超額函數(shù)圖和Hill圖綜合確定閾值μ。各樣本序列的閾值及GPD分布參數(shù)結(jié)果如表6所示。

表6 GPD分布的參數(shù)估計結(jié)果與靜態(tài)VaR計算值

圖2分別給出了北京市場殘差序列GPD擬合的超出分布圖（左上）、分位數(shù)圖（右上）、返回水平圖（左下）以及密度直方圖（右下）。由圖2可以發(fā)現(xiàn)，超出分布圖與分位數(shù)圖基本圍繞直線分布，返回水平圖顯示估計點基本分布在置信區(qū)間內(nèi)，分布密度函數(shù)與直方圖保持一致趨勢，擬合效果較好。圖2給出了不同閾值水平下的位置參數(shù)與形狀參數(shù)變化，當(dāng)u＝1.38時，參數(shù)保持穩(wěn)定狀態(tài)，因此閾值選取是合理的。

同樣，對其他5個市場進行相同的診斷檢驗，參數(shù)估計依然保持有效性，限于篇幅，不再展示診斷檢驗圖。

圖2 北京市場的GPD參數(shù)診斷圖

根據(jù)GPD分布的參數(shù)結(jié)果可以計算出靜態(tài)風(fēng)險價值。在95%的置信水平下，深圳市場的靜態(tài)VaR最高，由價格波動帶來的最大損失達到8.807 5%，天津市場最低，僅有2.673 9%。當(dāng)置信水平提高到99%后，天津市場的靜態(tài)VaR達到最高，說明在市場價格正常波動下，該地區(qū)碳排放交易的價格風(fēng)險極大，這與極差呈現(xiàn)一致特征。

（五）動態(tài)VaR模型的后驗分析

在靜態(tài)VaR計算值的基礎(chǔ)上，通過SVCJ－POT－VaR模型可以計算出各序列的動態(tài)風(fēng)險價值。為了檢驗?zāi)Ｐ偷臏?zhǔn)確性，本文采用Kupiec失敗頻率檢驗法[23]，將每日實際損失大于當(dāng)日動態(tài)VaR值的時刻記為一次失敗數(shù)。由于VaR代表一定置信水平和持有期的最大損失，因此取相反數(shù)表示，檢驗結(jié)果見表7。

表7 動態(tài)VaR的后驗檢驗

圖3 95%置信水平下動態(tài)VaR與收益率序列對比

由表7可知，在95%置信水平下的Kupiec檢驗中，6個交易所LR統(tǒng)計量的p值均大于0.05，未拒絕模型有效性假設(shè)，表明考慮極端跳躍行為的SVCJ－POT－VaR模型對我國碳金融市場的收益率風(fēng)險測度是合理的。99%置信水平下，p值大于0.01，LR統(tǒng)計量依然位于接受區(qū)域，模型通過檢驗。圖3展示了95%置信水平下動態(tài)VaR與收益率序列的對比，可以發(fā)現(xiàn)SVCJ－POT－VaR模型能夠有效測算中國碳金融市場的風(fēng)險價值，當(dāng)價格出現(xiàn)極端變化時，模型依然有能力捕捉到這種跳躍行為。

四、結(jié) 論

本文以中國6個代表性碳排放權(quán)交易所的百分比對數(shù)收益序列為研究對象，利用SVCJ模型捕捉收益的跳躍性變化，研究跳躍擴散效應(yīng)，并對收益的跳躍現(xiàn)象構(gòu)建了SVCJ－POT－VaR模型，測算各碳金融市場的動態(tài)跳躍風(fēng)險價值，得到如下結(jié)論：

1.中國碳金融市場的收益率波動幅度較大，存在明顯的跳躍現(xiàn)象，并且各市場之間存在跳躍擴散效應(yīng)，還未形成一個統(tǒng)一穩(wěn)定的碳金融市場。

2.廣州和深圳市場的跳躍擴散強度更高，跳躍現(xiàn)象在全國碳金融市場中占較大比例，但6個市場的聯(lián)動性較弱，整體跳躍擴散效果不明顯。

3.天津市場的跳躍信息向其他市場傳遞的概率最高，市場穩(wěn)定性最差，當(dāng)出現(xiàn)不可控的政策調(diào)整或風(fēng)險事件時，天津市場最有可能引起全國碳金融市場的波動。

4.在考慮收益率波動的極端跳躍性時，SVCJ－POT－VaR模型對中國碳金融市場具有良好的風(fēng)險測算能力。

由此，中國碳金融交易的參與者要積極了解市場價格的跳躍行為及其擴散效應(yīng)，避免極端風(fēng)險事件引起的跳躍現(xiàn)象帶來更多風(fēng)險；同時，投資者和監(jiān)管部門可以借助量化模型，對價格波動產(chǎn)生的風(fēng)險水平進行監(jiān)測，以保障中國統(tǒng)一碳金融市場穩(wěn)健有效地運行。