楊剛 王文卓

摘? ?要：氣溫衍生品是一種用來規(guī)避天氣風險的新型金融工具，它對能源、農(nóng)業(yè)和旅游業(yè)等行業(yè)的穩(wěn)健運行、綠色金融的發(fā)展、碳中和目標的實現(xiàn)都具有十分重要的價值。選取我國六個典型城市2009—2018年的日平均氣溫作為樣本數(shù)據(jù)，利用ELM神經(jīng)網(wǎng)絡模型對氣溫時間序列進行預測與誤差分析，借助蒙特卡洛模擬方法對氣溫衍生品定價。研究結果表明，ELM神經(jīng)網(wǎng)絡較ARMA模型和BP神經(jīng)網(wǎng)絡氣溫預測精度有顯著提高，可為氣溫衍生品的定價奠定基礎。

關鍵詞：氣溫衍生品;ELM神經(jīng)網(wǎng)絡;蒙特卡洛方法;時間序列

一、引言

21世紀以來，應對全球氣候變化成為人類實現(xiàn)全球可持續(xù)發(fā)展面臨的最嚴峻的挑戰(zhàn)。2020年10月20日，生態(tài)環(huán)境部、國家發(fā)改委、中國人民銀行、中國銀保監(jiān)會、中國證監(jiān)會等五部門共同發(fā)布了《關于促進應對氣候變化投融資的指導意見》，提出加快構建氣候投融資政策體系，強調(diào)開展氣候投融資地方試點，鼓勵地方開展模式和工具創(chuàng)新。氣候金融在我國還處于起步階段，氣候金融的發(fā)展可以幫助私營部門、企業(yè)和個人進行氣候風險管理，促進經(jīng)濟平穩(wěn)運行。氣候金融體系建設不能忽視天氣風險。據(jù)《中國統(tǒng)計年鑒》數(shù)據(jù)顯示，2019年因天氣風險導致的直接經(jīng)濟損失逾3270億元?？梢灶A見，豐富和創(chuàng)新天氣風險的金融管理手段將成為我國綠色金融和氣候金融市場新的發(fā)展內(nèi)容。

1996年8月，美國安然公司與佛羅里達西南電力公司簽訂了世界上第一筆氣候衍生品合同，這標志著與氣候風險相關的金融工具開始興起。而天氣衍生品的發(fā)展則始于1999年美國芝加哥商品交易所上市了第一個以氣溫為標的的指數(shù)天氣衍生品。近年來，我國天氣災害事件頻發(fā)，對各行各業(yè)造成不同程度的影響。但作為對沖天氣風險最有效的金融工具——天氣衍生品在我國還處于探索階段。2014年國務院出臺的《關于加快發(fā)展現(xiàn)代保險服務業(yè)的若干意見》指出要探索天氣指數(shù)等新興產(chǎn)品和服務，這為我國天氣衍生品的創(chuàng)新和發(fā)展奠定了政策基礎。雖然大連商品交易所推出了北京、上海、廣州、武漢和哈爾濱這五個城市月平均溫度、月制冷指數(shù)（Cooling Degree Days，CDD）及月取暖指數(shù)（Heating Degree Days，HDD），但是在市面上還沒有出現(xiàn)可交易的天氣衍生品。因此，針對我國各個城市研發(fā)相應的天氣衍生品具有很強的現(xiàn)實意義。

目前，天氣衍生品合約所涉及的天氣標的指數(shù)主要有基于累積氣溫的HDD指數(shù)和CDD指數(shù)、風力指數(shù)、降雪量指數(shù)、降雨量指數(shù)、濕度指數(shù)等，其中基于累積氣溫HDD指數(shù)和CDD指數(shù)的合約交易量占了全市場交易的60%以上，因此，建立一個合適的氣溫指數(shù)模型對于氣溫衍生品的合理定價和推動天氣衍生品市場的快速發(fā)展至關重要。關于氣溫指數(shù)模型的研究方法大體可分為四類：

第一類是隨機過程模型，主要考慮日平均氣溫變化具有均值回復及跳躍特征，采用均值回復（Ornstein-Uhlenbeck，O-U）模型或馬爾科夫狀態(tài)轉(zhuǎn)移（Markov Regime-switching，MRS）模型對氣溫變化進行動態(tài)模擬。這類模型以Benth等（2007）[1]提出的日平均溫度波動率O-U模型為基礎，Elias等（2014）[2]引入了由布朗運動驅(qū)動的兩狀態(tài)MRS模型。為擬合氣溫數(shù)據(jù)的跳躍性，Gyamerah等（2018）[3]提出Levy過程驅(qū)動的MRS模型，楊剛和楊徐進（2020）[4]提出布朗運動驅(qū)動的帶常數(shù)指數(shù)的MRS模型，進一步提高了氣溫擬合的精確性。

第二類是時間序列模型，針對日平均氣溫具有長期趨勢、季節(jié)性、自相關性、波動聚集性和非對稱性等特征，對氣溫變化路徑進行模擬和預測。這類模型以Caballero等（2002）[5]引入的自回歸滑動平均（Autoregressive Moving-average，ARMA）模型和自回歸分數(shù)整合滑動平均（Autoregressive Fractionally Integrated Moving Average，ARFIMA）模型為代表。針對氣溫數(shù)據(jù)的記憶性特征，通常引入ARMA模型模擬短期的記憶性特征，引入ARFIMA、FIGARCH等模型模擬長期記憶性特征。針對氣溫數(shù)據(jù)的非對稱效應，Zhou等（2019）[6]引入EGARCH模型，侯縣平（2019）[7]引入APARCH模型。相比于第一類隨機過程模型，時間序列模型對氣溫指數(shù)預測相對容易操作。

第三類是統(tǒng)計模型，主要是解決極值氣溫的擬合，這類研究一般通過統(tǒng)計分布對氣溫極值的隨機變化進行擬合。Ah?an（2012）[8]采用方差伽馬（Variance gamma，VC）分布和正態(tài)逆高斯（Normal inverse Gaussian，NIG）分布，Erhardt和Smith（2014）[9]、崔海蓉等（2017）[10]均采用廣義極值（Generalized Extreme Value，GEV）分布擬合極端氣溫變化，分析極端氣溫的跳躍性。

第四類是算法模型，主要將各類算法與氣溫衍生品定價結合起來，采用機器學習方法擬合日平均氣溫變化。國外學者在這類模型方面的研究成果較為豐碩。Fujita和Mori（2012）[11]引入了確定性退火（Deterministic annealing，DA）聚類方法，Mori和Okada（2016）[12]在DA聚類方法基礎上進一步拓展，即對DA聚類的氣溫數(shù)據(jù)采用人工神經(jīng)網(wǎng)絡的多層感知器（Multi-Layer Perceptron of Artificial Neural Network，MLPOANN）進行分析，進一步改善氣溫模型的擬合效果。Alexandridis等（2017）[13]提出了三層網(wǎng)絡結構的小波網(wǎng)絡（Wavelet Networks，WN）算法和GP算法，并將這兩種算法與Alaton模型、Benth模型、前饋神經(jīng)網(wǎng)絡（Neural Networks，NN）算法、徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡以及支持向量機回歸（Support Vector Regression，SVR）模型進行對比分析。國內(nèi)對這類模型的研究較少，涂春麗和王芳（2012）[14]引入具有快速收斂特性的BP（Back Propagation）神經(jīng)網(wǎng)絡算法擬合重慶市月平均氣溫數(shù)據(jù)。

各種新的統(tǒng)計方法和計量工具被不斷應用于氣溫衍生品定價研究，推動了氣溫指數(shù)模型的發(fā)展。但梳理文獻發(fā)現(xiàn)現(xiàn)有研究存在三點不足，有待進一步完善。第一，國內(nèi)外對于神經(jīng)網(wǎng)絡的研究多基于基礎的BP神經(jīng)網(wǎng)絡或RBF神經(jīng)網(wǎng)絡，但是神經(jīng)網(wǎng)絡種類繁多且不斷發(fā)展，還沒有文獻將一些新的神經(jīng)網(wǎng)絡算法引入氣溫指數(shù)預測模型中。第二，目前大多數(shù)研究只擬合我國單個城市的數(shù)據(jù)，但是我國各城市氣候差異大，單個城市的實證分析不足以證明模型的適用性。目前還沒有研究利用神經(jīng)網(wǎng)絡等機器學習算法擬合我國各城市氣溫數(shù)據(jù)。第三，國內(nèi)文獻對于機器學習算法模型在氣溫指數(shù)預測方面的研究相對缺乏，且只是將最簡單的三層神經(jīng)網(wǎng)絡引入氣溫指數(shù)預測中，缺乏對于預測效果的對比，難以分析神經(jīng)網(wǎng)絡算法與其他類模型對氣溫指數(shù)預測的優(yōu)缺點。

受Huang等（2005）[15]啟發(fā)，本文選擇六個樣本城市，引入極限學習機（Extreme Learning Machine，ELM）神經(jīng)網(wǎng)絡進行氣溫預測，并與ARMA模型和BP神經(jīng)網(wǎng)絡進行對比分析。傳統(tǒng)的神經(jīng)網(wǎng)絡，尤其是單隱含層前饋神經(jīng)網(wǎng)絡（如BP神經(jīng)網(wǎng)絡），常因?qū)W習步長設置問題，致使算法收斂速度較慢，從而產(chǎn)生局部最小值以及精度較低的問題。而ELM神經(jīng)網(wǎng)絡的優(yōu)勢在于，學習速度更快，泛化性能更好，且模型自身具有較強的魯棒性。我國幅員遼闊，氣候差異大，本文將按照區(qū)域劃分，選取北京、沈陽、上海、廣州、重慶和延安分別作為我國華北地區(qū)、華東地區(qū)、中南地區(qū)、西南地區(qū)和西北地區(qū)樣本城市進行氣溫衍生品定價研究。

二、氣溫預測模型的構建

氣溫衍生品市場的迅速發(fā)展取決于產(chǎn)品的合理定價，而衍生品合理定價的前提是對標的氣溫的合理預測，因此，構建一個合理的氣溫預測模型，對減少氣溫預測的誤差相當重要。

（一）理論基礎

時間序列擬合與預測問題是機器學習領域一個新的研究方向，在很多復雜問題中，對于一些目標變量的預測以及后續(xù)的應用和實踐至關重要。氣溫時間序列就是一個典型的例子。氣溫數(shù)據(jù)具有季節(jié)性變化趨勢、短期和長期記憶性以及跳躍性，而機器學習算法可以較好地擬合這些特征，并做出更精準的預測。

現(xiàn)有的幾類模型，各有優(yōu)缺點。隨機過程模型為氣溫預測的跳躍性提供了一種簡便的算法，但是很明顯的缺點是嚴重依賴過去信息對未來的反應。由于每個城市都具有獨特的統(tǒng)計特征，這類模型需要針對每個城市進行調(diào)整，有了新的數(shù)據(jù)時，需要重新校準新的模型。而時間序列模型雖然解決了隨機過程模型需要不斷更新模型的問題，操作也更為簡便，但是對于氣溫的極值數(shù)據(jù)預測精度不夠。上述問題促使人們使用機器學習方法來實現(xiàn)對氣溫數(shù)據(jù)更準確的預測，從而捕捉氣溫的動態(tài)變化。機器學習算法的最大優(yōu)點是探索了數(shù)據(jù)的結構和特征。使用機器學習算法可以建立一個更穩(wěn)健的模型，能夠代表一系列不同的氣候類型，并提供更精準的預測結果。與此同時，機器學習可以處理隨機發(fā)生的峰值，在氣溫極值數(shù)據(jù)預測方面展現(xiàn)出極大的優(yōu)勢。本文通過對比ARMA模型、BP神經(jīng)網(wǎng)絡和ELM神經(jīng)網(wǎng)絡來驗證機器學習算法是否能夠顯著提高預測精度，同時驗證BP神經(jīng)網(wǎng)絡和ELM神經(jīng)網(wǎng)絡對于氣溫極值數(shù)據(jù)的擬合效果。

1. ARMA模型。ARMA模型是時間序列數(shù)據(jù)處理的一種經(jīng)典模型，受Caballero等（2002）[5]啟發(fā)，我們利用該模型進行氣溫預測。對于時間序列[xt]，[ARMA（p，q）]模型的具體形式如式（1）所示：

2. BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡是通過模擬大腦神經(jīng)傳導系統(tǒng)特征構建的機器學習模型，它是一種單向傳導的前饋神經(jīng)網(wǎng)絡，通常由輸入層、隱含層和輸出層構成，每一層包含大量神經(jīng)元，不同層神經(jīng)元的權重不同且相互連接形成網(wǎng)絡結構，但是權重和神經(jīng)元之間的映射關系不需要提前定義和描述。BP神經(jīng)網(wǎng)絡的原理是利用梯度下降法，通過誤差反向傳播來不斷調(diào)整模型的權重和閾值，使網(wǎng)絡的誤差平方和最小。該模型被廣泛應用于非線性建模和函數(shù)逼近等問題中，一個三層的BP神經(jīng)網(wǎng)絡就可以實現(xiàn)任意N維到M維的映射，涂春麗和王芳（2012）[14]將它應用于氣溫預測研究領域。

3. ELM神經(jīng)網(wǎng)絡。徐睿等（2019）[16]證明，ELM模型在保證學習精度的前提下，相較傳統(tǒng)的學習算法，具有速度更快、泛化能力更強、實現(xiàn)更加簡單以及人為干預更少等特點，因此，我們擬將ELM神經(jīng)網(wǎng)絡引入氣溫指數(shù)預測研究中。

本文主要利用BP神經(jīng)網(wǎng)絡和ELM神經(jīng)網(wǎng)絡的時間序列分析及預測功能，對比兩種方法的預測效果。兩種神經(jīng)網(wǎng)絡都是三層前向反饋網(wǎng)絡，第一層為輸入層，第二層為隱含層，第三層為輸出層。在使用神經(jīng)網(wǎng)絡進行時間序列建模時，需要對數(shù)據(jù)進行如下處理：一是對時間序列數(shù)據(jù)建立自回歸模型;二是根據(jù)模型結果確定滯后階數(shù)對數(shù)據(jù)的影響;三是根據(jù)不同滯后階數(shù)對數(shù)據(jù)影響程度確定輸入層的數(shù)目。

（二）模型構建

ARMA模型在處理時間序列數(shù)據(jù)的季節(jié)性波動和自相關性特點方面具有良好的表現(xiàn)，而ELM神經(jīng)網(wǎng)絡在進行氣溫預測時精度較高。本文嘗試將兩者結合應用于天氣衍生品定價中，與此同時，本文將引入ELM神經(jīng)網(wǎng)絡并與傳統(tǒng)的BP神經(jīng)網(wǎng)絡進行對比，對豐富氣溫指數(shù)預測及定價體系將產(chǎn)生積極影響。

本文選取2009年1月1日—2018年12月31日六個樣本城市的日平均氣溫數(shù)據(jù)作為訓練集進行建模，使用2019年1月1日—2019年12月31日六個試點城市的日平均氣溫數(shù)據(jù)作為測試集對模型進行評估。之后，先使用ARMA模型擬合時間序列數(shù)據(jù)，確定輸入層個數(shù)，再使用機器學習算法中的BP神經(jīng)網(wǎng)絡和ELM神經(jīng)網(wǎng)絡進行實證對比分析，構建氣溫預測模型，同時對比ELM神經(jīng)網(wǎng)絡與ARMA模型和BP神經(jīng)網(wǎng)絡的預測結果。最后使用蒙特卡洛方法進行氣溫衍生品定價。

三、實證分析

我國土地遼闊，由于降水量和氣溫的差異性，使得我國氣候呈現(xiàn)出多樣性。目前不存在一種氣溫指數(shù)可以完美地應用于全國所有城市，因此，需要對氣候不同的區(qū)域進行細分，再制定相應區(qū)域的氣溫指數(shù)。

（一）數(shù)據(jù)來源與統(tǒng)計分析

本文數(shù)據(jù)來源于美國國家海洋和大氣局（National Oceanic Atmospheric Adminstration，NOAA）中的global summary of the day數(shù)據(jù)庫，選取六個代表城市2009—2019年的日平均氣溫作為研究對象，剔除閏年2月29日的記錄。六個城市氣溫的描述性統(tǒng)計見表1。由于不同的氣候特點和地理位置，這六個城市的氣溫呈現(xiàn)出較大的差異。北京大部分時間氣溫維持在1.8～23.7℃之間，在這六個城市中屬于中間水平。相比之下，沈陽的氣溫更低，最低氣溫可以達到零下23.9℃，大部分時間氣溫維持在-3.2～21.0℃之間，在六個城市中屬于氣候寒冷型。上海和廣州呈現(xiàn)出相似的氣候特征，兩個城市的描述性統(tǒng)計指標較為接近。重慶大部分時間氣溫維持在11.4～24.8℃之間，在六個城市中屬于氣候炎熱型。延安的氣候與北京相似，但是比北京更寒冷。六個城市溫度變化情況見圖3。各城市2009—2018年的日平均氣溫數(shù)據(jù)存在差異，且呈現(xiàn)出明顯季節(jié)性波動，時間序列為非平穩(wěn)時間序列。

（二）氣溫預測模型

1. ARMA模型。對原序列構建ARMA模型，為了消除原序列中的趨勢及季節(jié)性波動，對原序列進行一階差分，一階差分后的序列不再呈現(xiàn)出明顯的趨勢性，其數(shù)值圍繞著0上下波動，呈現(xiàn)出比較平穩(wěn)的狀態(tài)。本文對時間序列進行ADF檢驗，具體結果如表2所示。各城市未經(jīng)處理的時間序列[p]值都大于0.05，證明原始序列是非平穩(wěn)時間序列。一階差分后的時間序列[p]值都遠小于0.01，有理由拒絕原假設，說明經(jīng)過一階差分處理后的序列是平穩(wěn)的，可以使用差分后序列構建[ARMA（p，q）]模型。

為了選擇適當?shù)腫ARMA（p，q）]模型擬合處理后的時間序列，根據(jù)樣本自相關圖的性質(zhì)估計[p]和[q]。各城市時間序列的自相關圖見圖4。根據(jù)自相關系數(shù)的截尾情況以及自動定階的結果可以判斷各個城市的日平均氣溫時間序列適合建立[AR（p）]模型，即氣溫數(shù)據(jù)具有明顯的自相關性。具體來說，北京可以建立[AR（3）]模型，其他5個城市可以建立[AR（5）]模型。確定模型階數(shù)后，可以對模型中的參數(shù)進行估計，具體結果如表3所示。

2. 神經(jīng)網(wǎng)絡。在ARMA模型的基礎上，本文分別構建BP神經(jīng)網(wǎng)絡模型和ELM神經(jīng)網(wǎng)絡模型。確定自回歸模型的具體階數(shù)后，就可以確定神經(jīng)網(wǎng)絡的輸入層。本文以北京第[t-1]天、[t-2]天和[t-3]天氣溫數(shù)據(jù)作為輸入層，其他城市以第[t-1]天、[t-2]天、[t-3]天、[t-4]天和[t-5]天氣溫數(shù)據(jù)作為輸入層，以第[t]天氣溫數(shù)據(jù)作為輸出層，構建神經(jīng)網(wǎng)絡模型。本文嘗試設置不同的隱含層個數(shù)調(diào)試模型，最終確定最佳的隱含層個數(shù)。

3. 模型預測及誤差分析。通過上述構建的模型，可以將驗證集數(shù)據(jù)代入，以檢驗模型預測能力。首先，檢驗ARMA模型的預測能力。ARMA模型預測的各城市2019年日平均氣溫預測值與實際值對比情況如圖5所示，圖中虛線代表ARMA模型預測結果，實線代表實際值。由圖5可知，ARMA模型對北京、沈陽、上海和延安的日平均氣溫預測效果較好，但是對廣州和重慶日平均氣溫的預測要低于實際值。由此可見，ARMA模型雖然能大致預測溫度走勢，但是預測精度有待提升。

其次，檢驗BP神經(jīng)網(wǎng)絡模型預測能力。BP神經(jīng)網(wǎng)絡模型預測的各城市2019年日平均氣溫預測值與實際值對比情況如圖6所示，圖中虛線代表BP神經(jīng)網(wǎng)絡模型預測結果，實線代表實際值。由圖可知，BP神經(jīng)網(wǎng)絡對于各城市日平均氣溫預測結果較為準確，可以清晰地擬合溫度變化曲線，但在溫度發(fā)生頻繁波動時，其預測精度會受到影響，導致預測不夠精確。這種現(xiàn)象集中出現(xiàn)在高溫時段。

最后，檢驗BLM神經(jīng)網(wǎng)絡模型預測能力。其預測值與實際值對比情況如圖7所示，圖中虛線代表ELM神經(jīng)網(wǎng)絡模型預測結果，實線代表實際值。由圖7可知，ELM神經(jīng)網(wǎng)絡解決了BP神經(jīng)網(wǎng)絡在高溫時段預測不準確的問題，且整體預測精度高于BP神經(jīng)網(wǎng)絡。

綜上所述，三種模型對于每個城市平均氣溫數(shù)據(jù)的預測精度是不同的，為了對比三種模型的預測精度，并驗證ELM神經(jīng)網(wǎng)絡是否在氣溫預測方面性能更優(yōu)越，本文使用平均絕對誤差（MAE）和均方根誤差（RMSE）兩種測度方法來評價預測精度，具體計算公式如下：

其中，[N]是訓練集的長度，[Xi]代表預測的日平均氣溫，[Yi]代表[t]數(shù)據(jù)點的實際溫度。各城市神經(jīng)網(wǎng)絡預測精度如表4所示。由表可知，三種模型預測精度都比較高，標準誤差較小。三種模型對于各個城市日均氣溫的擬合效果有所不同：對于ARMA模型，上海的預測效果最好，武漢的預測效果最差;而BP神經(jīng)網(wǎng)絡模型對上海的預測效果最好，沈陽的預測效果最差;ELM神經(jīng)網(wǎng)絡模型對重慶的預測效果最好，對沈陽的預測效果最差?？偟膩碚f，ELM神經(jīng)網(wǎng)絡的預測結果比ARMA模型和BP神經(jīng)網(wǎng)絡更準確。

四、氣溫衍生品定價及應用分析

通過合理的氣溫指數(shù)模型對氣溫進行預測后，就可以根據(jù)預測結果進行氣溫衍生品定價。簡單來說，氣溫指數(shù)就是將合約城市的日平均氣溫進行相關處理得到的指數(shù)。下面簡單介紹兩種常見的氣溫指數(shù)：Heating Degree Day指數(shù)簡稱HDD指數(shù)，又稱日取暖指數(shù);Cooling Degree Day指數(shù)簡稱CDD指數(shù)，又稱日制冷指數(shù)。

基于HDD指數(shù)和CDD指數(shù)的天氣衍生品廣泛運用于農(nóng)業(yè)、能源、旅游、公共事業(yè)等行業(yè)。例如，極寒天氣發(fā)生時，如果沒有采取任何措施來對沖風險，那么公共事業(yè)單位需要承擔由極寒天氣造成的所有支出。但是如果事業(yè)單位提前購買HDD指數(shù)天氣衍生品，那么就可以有效對沖天氣風險。

對于給定的站點，基準溫度通常為65華氏度或18攝氏度。HDD是日平均溫度低于基準溫度的度數(shù)，而CDD是日平均氣溫高于基準溫度的度數(shù)。簡而言之，HDD和CDD的計算如下：

按照上述定義利用蒙特卡洛方法對六個代表城市的HDD看漲期權合約進行定價，具體定價結果如表7所示。

上述六個試點城市的合約可以用來對沖1月份氣溫低于正常溫度的風險，其他氣候特征相似的城市若有天氣風險管理需求也可以同樣定價。表7中，各地區(qū)氣候類型不同，氣溫期權價格也不同，可以使用我國標準氣候區(qū)劃方案減少定價時的差異。隨著模擬次數(shù)增加，各城市期權價格變化趨勢如圖8所示。經(jīng)過蒙特卡洛模擬，HDD期權的價格是緩慢收斂的，驗證了模型的有效性。CDD指數(shù)期權的定價原理與HDD指數(shù)相同。

五、結論

本文基于氣溫的時間序列數(shù)據(jù)，構建了能夠準確刻畫氣溫趨勢的ARMA模型、BP神經(jīng)網(wǎng)絡模型和ELM神經(jīng)網(wǎng)絡模型。由于我國土地遼闊，氣候多變，所以用上述模型對北京、沈陽、上海、廣州、重慶和延安這六個代表城市進行實證分析。模型的擬合和預測效果都比較理想，但相比之下，ELM神經(jīng)網(wǎng)絡的預測效果更好，它可為氣溫衍生品的定價提供決策參考。

氣溫衍生品作為管理氣候風險的金融創(chuàng)新工具，能有效分散各行業(yè)的天氣風險，但是我國對于這種金融創(chuàng)新路徑的探索和應用都尚未展開。我國的農(nóng)業(yè)、能源業(yè)、電力等行業(yè)極易受氣候影響，對天氣衍生品需求巨大。因此，需要大力發(fā)展氣溫指數(shù)衍生品合約以滿足我國各行業(yè)天氣風險管理和氣候風險管理的需求。

目前我國的天氣衍生品市場處于初級階段，只有大連商品交易所率先針對幾個主要城市推出了溫度指數(shù)。但這幾個地區(qū)的溫度指數(shù)無法概括全國的氣溫特征，也無法滿足全國各行各業(yè)對天氣衍生品的需求。隨著我國天氣風險對各行各業(yè)影響的不斷加強，對天氣衍生品的需求也不斷增大，我們需要根據(jù)各個地區(qū)不同的氣候特征，開發(fā)不同的天氣衍生品來規(guī)避天氣風險，以實現(xiàn)國民經(jīng)濟持續(xù)穩(wěn)定發(fā)展。

參考文獻：

[1]Benth F E，Benth J. 2007. The Volatility of Temperature and Pricing of Weather Derivatives [J].Quantitative Finance，7（5）.

[2]Elias R S，Wahab M I M，F(xiàn)ang L. 2014. A Comparison of Regime-Switching Temperature Modeling Approaches for Applications in Weather Derivatives [J].European Journal of Operational Research，232（3）.

[3]Gyamerah S A，Ngare P，Ikpe D. 2018. Regime-switching Temperature Dynamics Model for Weather Derivatives [J].International Journal of Stochastic Analysis，1-15.

[4]楊剛，楊徐進. 基于馬爾科夫狀態(tài)轉(zhuǎn)移模型的天氣衍生品定價 [J].經(jīng)濟數(shù)學，2020，37（2）.

[5]Caballero R，Jewson S，Brix A. 2002. Long Memory in Surface Air Temperature：Detection，Modeling，and Application to Weather Derivative Valuation [J].Climate Research， 21（2）.

[6]Zhou R，Li J S H，Pai J. 2019. Pricing Temperature Derivatives with a Filtered Historical Simulation Approach[J].The European Journal of Finance，25（15）.

[7]侯縣平.基于典型事實特征的天氣衍生品中氣溫預測模型研究 [J].統(tǒng)計與管理，2019，（1）.

[8]Ah?an A. 2012. Statistical Analysis of Model Risk Concerning Temperature Residuals and its Impact on Pricing Weather Derivatives [J].Insurance：Mathematics and Economics，50（1）.

[9]Erhardt R J，Smith R L. 2014. Weather Derivative Risk Measures for Extreme Events [J].North American Actuarial Journal，18（3）.

[10]崔海蓉，曹廣喜，張京波.高溫天氣衍生品設計及其定價模型——以長江中下游地區(qū)水稻為例 [J].系統(tǒng)工程，2017，35（4）.

[11]Fujita H，Mori H. 2012. A Hybrid Intelligent System for Designing a Contract Model for Weather Derivatives[J].Procedia Computer Science，12.

[12]Mori H，Okada M. 2016. An ANN-based Design for Weather Derivatives in Consideration of Meteorological Uncertainties [C].2016 IEEE Innovative Smart Grid Technologies-Asia （ISGT-Asia）.IEEE.

[13]Alexandridis A K，Kampouridis M，Cramer S. 2017. A Comparison of Wavelet Networks and Genetic Programming in the Context of Temperature Derivatives [J].International Journal of Forecasting，33（1）.

[14]涂春麗，王芳.基于神經(jīng)網(wǎng)絡和蒙特卡羅方法的天氣衍生品定價研究 [J].中原工學院學報，2012，23（3）.

[15]Guang-Bin Huang，Qin-Yu Zhu，Chee-Kheong Siew. 2005. Extreme Learning Machine：Theory and Applications [J].Neurocomputing，70（1）.

[16]徐睿，梁循，齊金山，李志宇，張樹森.極限學習機前沿進展與趨勢 [J].計算機學報，2019，42（7）.