朱衛(wèi)東 王欣冉

【摘 要】 金融體系越來(lái)越多地面臨氣候變化帶來(lái)的風(fēng)險(xiǎn)，如何避免氣候風(fēng)險(xiǎn)帶來(lái)的資產(chǎn)損失已經(jīng)成為了投資者研究的重要問(wèn)題。文章深入分析了氣候風(fēng)險(xiǎn)對(duì)能源行業(yè)股票市場(chǎng)的影響機(jī)制，并在該理論的基礎(chǔ)上，構(gòu)建了基于百度搜索指數(shù)的氣候風(fēng)險(xiǎn)信息數(shù)據(jù)，利用基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的能源行業(yè)股票市場(chǎng)預(yù)測(cè)深度學(xué)習(xí)模型，選取電力設(shè)備及新能源行業(yè)、石油石化行業(yè)和煤炭行業(yè)的行業(yè)指數(shù)作為預(yù)測(cè)對(duì)象，使用2011年9月1日至2022年8月31日的氣候風(fēng)險(xiǎn)關(guān)鍵詞的百度搜索指數(shù)和行業(yè)指數(shù)歷史信息數(shù)據(jù)，檢驗(yàn)不同類型氣候風(fēng)險(xiǎn)信息數(shù)據(jù)對(duì)預(yù)測(cè)能源行業(yè)指數(shù)的有效性。實(shí)證結(jié)果發(fā)現(xiàn)：將氣候風(fēng)險(xiǎn)信息引入到行業(yè)指數(shù)預(yù)測(cè)模型中，可以有效地提高指數(shù)預(yù)測(cè)準(zhǔn)確度；氣候物理風(fēng)險(xiǎn)和氣候轉(zhuǎn)型風(fēng)險(xiǎn)對(duì)不同能源行業(yè)產(chǎn)生不同的影響，且可以提高預(yù)測(cè)的準(zhǔn)確性。研究結(jié)論能夠?yàn)槭袌?chǎng)參與者制定投資策略、風(fēng)險(xiǎn)防范和戰(zhàn)略選擇提供重要參考。

【關(guān)鍵詞】 氣候風(fēng)險(xiǎn)； 行業(yè)指數(shù)預(yù)測(cè)； 深度學(xué)習(xí)； 混合神經(jīng)網(wǎng)絡(luò)

【中圖分類號(hào)】 F832.5? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2023）21-0066-07

一、引言

近年來(lái)頻發(fā)的氣候風(fēng)險(xiǎn)事件常被認(rèn)為是影響股票市場(chǎng)變化的重要因素，最近的文獻(xiàn)也指出，氣候風(fēng)險(xiǎn)和極端天氣對(duì)股票市場(chǎng)會(huì)產(chǎn)生多樣化的影響。Bourdeau-Brien et al.[1]發(fā)現(xiàn)，在非常短的災(zāi)害事件期內(nèi)（1—5天），股票回報(bào)率不會(huì)產(chǎn)生異?；貓?bào)；但在兩到三個(gè)月的事件期內(nèi)，氣候?yàn)?zāi)害會(huì)顯著影響股票回報(bào)。颶風(fēng)、洪水、極端溫度和嚴(yán)冬天氣后，股票收益的波動(dòng)會(huì)明顯增加。Bansal et al.[2]發(fā)現(xiàn)，未來(lái)氣候政策行動(dòng)的可能性的增加，會(huì)導(dǎo)致氣候政策風(fēng)險(xiǎn)敞口較高的公司股票價(jià)格下降。世界氣象組織（WMO）對(duì)過(guò)去50年（1970—2019年）中全球由于極端氣候事件引起的死亡和經(jīng)濟(jì)損失進(jìn)行了評(píng)估，指出由于氣候事件引起的災(zāi)害占所有災(zāi)害數(shù)量的50%，占死亡人數(shù)的45%以及經(jīng)濟(jì)損失的74%，其中91%的死亡都發(fā)生在發(fā)展中國(guó)家[3]。聯(lián)合國(guó)亞洲及太平洋經(jīng)濟(jì)社會(huì)委員會(huì)（ESCAP）在2013年也指出，2006—2010年，自然災(zāi)害造成的經(jīng)濟(jì)損失超過(guò)亞太地區(qū)低收入國(guó)家GDP的1%，但僅占發(fā)達(dá)國(guó)家GDP的0.1%。這是因?yàn)榘l(fā)展中國(guó)家抗災(zāi)基礎(chǔ)設(shè)施欠發(fā)達(dá)、財(cái)政空間不足和應(yīng)對(duì)機(jī)制有限，導(dǎo)致許多發(fā)展中國(guó)家抗災(zāi)能力較低[4]。

中國(guó)是最大的發(fā)展中國(guó)家，氣候變化帶來(lái)的物理風(fēng)險(xiǎn)覆蓋面廣、涉及領(lǐng)域多，氣候脆弱性更強(qiáng)。同時(shí)作為世界上最大的能源消費(fèi)國(guó)和碳排放國(guó)，中國(guó)的金融體系也會(huì)面臨嚴(yán)重的轉(zhuǎn)型風(fēng)險(xiǎn)。黨的二十大報(bào)告指出“我們要推進(jìn)美麗中國(guó)建設(shè)，堅(jiān)持山水林田湖草沙一體化保護(hù)和系統(tǒng)治理，統(tǒng)籌產(chǎn)業(yè)結(jié)構(gòu)調(diào)整、污染治理、生態(tài)保護(hù)、應(yīng)對(duì)氣候變化，協(xié)同推進(jìn)降碳、減污、擴(kuò)綠、增長(zhǎng)，推進(jìn)生態(tài)優(yōu)先、節(jié)約集約、綠色低碳發(fā)展”。在推動(dòng)碳達(dá)峰碳中和的變革中，控制傳統(tǒng)能源消費(fèi)、推動(dòng)能源清潔低碳高效利用和加快規(guī)劃建設(shè)新型能源體系，是我國(guó)應(yīng)對(duì)全球氣候變化的主要方式。那么，氣候風(fēng)險(xiǎn)如何對(duì)我國(guó)能源行業(yè)股票市場(chǎng)造成波動(dòng)影響？氣候風(fēng)險(xiǎn)信息能否提高我國(guó)能源行業(yè)股票市場(chǎng)的預(yù)測(cè)精度？不同類型的氣候風(fēng)險(xiǎn)信息的有效性有何不同？解決這些問(wèn)題能夠?yàn)槭袌?chǎng)參與者制定投資策略、防范風(fēng)險(xiǎn)和戰(zhàn)略選擇提供重要參考。

本文構(gòu)建了結(jié)合CNN和LSTM兩種不同網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)模型框架，用于預(yù)測(cè)能源行業(yè)股票市場(chǎng)指數(shù)，通過(guò)CNN模型提取氣候風(fēng)險(xiǎn)信息時(shí)間序列的短時(shí)特征，通過(guò)LSTM模型提取行業(yè)指數(shù)歷史信息時(shí)間序列的長(zhǎng)期依賴性特征，再將提取的特征一起輸入全連接神經(jīng)網(wǎng)絡(luò)，輸出預(yù)測(cè)的行業(yè)指數(shù)。通過(guò)選取2011年9月1日至2022年8月31日的日度數(shù)據(jù)，利用百度搜索提取氣候風(fēng)險(xiǎn)關(guān)鍵詞的指數(shù)信息，作為氣候風(fēng)險(xiǎn)信息的特征數(shù)據(jù)，并根據(jù)氣候風(fēng)險(xiǎn)的特征將其分為氣候物理風(fēng)險(xiǎn)和氣候轉(zhuǎn)型風(fēng)險(xiǎn)，以不同的數(shù)據(jù)集與行業(yè)指數(shù)歷史信息數(shù)據(jù)一起輸入相應(yīng)的模型中，模型預(yù)測(cè)能力的強(qiáng)弱能夠反映氣候風(fēng)險(xiǎn)信息數(shù)據(jù)解釋行業(yè)指數(shù)變化的能力強(qiáng)弱，用以解釋氣候風(fēng)險(xiǎn)信息數(shù)據(jù)在預(yù)測(cè)能源行業(yè)指數(shù)研究中的有效性。

與現(xiàn)有文獻(xiàn)相比，本文的貢獻(xiàn)如下：第一，在指標(biāo)的構(gòu)建上，選取了不同類型的氣候風(fēng)險(xiǎn)數(shù)據(jù)，并將其分為氣候物理風(fēng)險(xiǎn)數(shù)據(jù)、氣候轉(zhuǎn)型風(fēng)險(xiǎn)數(shù)據(jù)和總數(shù)據(jù)，完整地包含了不同氣候風(fēng)險(xiǎn)的影響，并利用百度搜索指數(shù)量化衡量氣候風(fēng)險(xiǎn)信息，更好地反映了投資者在氣候變化風(fēng)險(xiǎn)事件中的反應(yīng)；第二，應(yīng)用混合神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型來(lái)評(píng)估氣候風(fēng)險(xiǎn)對(duì)能源行業(yè)股票市場(chǎng)預(yù)測(cè)能力的影響，不僅豐富了“氣候變化與金融市場(chǎng)”和“融合外部信息的股價(jià)預(yù)測(cè)”這兩個(gè)領(lǐng)域的研究，還具有一定的實(shí)用性；第三，發(fā)現(xiàn)了氣候信息有效性對(duì)不同的能源行業(yè)有不同的效果，對(duì)電力設(shè)備及新能源行業(yè)的性能提升最大，高達(dá)80%，其中氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息的有效性更強(qiáng)。其次是煤炭行業(yè)，性能提升高達(dá)60%，最差的是石油石化行業(yè)，但也有30%的性能提升，且對(duì)于這兩個(gè)行業(yè)來(lái)說(shuō)，綜合兩類氣候風(fēng)險(xiǎn)類型的數(shù)據(jù)帶來(lái)的信息有效性最強(qiáng)。

二、文獻(xiàn)綜述與理論分析

氣候風(fēng)險(xiǎn)是一個(gè)復(fù)雜的概念，它需要綜合考慮多種因素，包括氣候變化的速度和規(guī)模、社會(huì)和經(jīng)濟(jì)系統(tǒng)的脆弱性、環(huán)境管理和政策措施等?，F(xiàn)在的學(xué)術(shù)研究中，主要將氣候風(fēng)險(xiǎn)分成兩類：物理風(fēng)險(xiǎn)和轉(zhuǎn)型風(fēng)險(xiǎn)。

氣候物理風(fēng)險(xiǎn)是指由氣候變化所引起的自然災(zāi)害、極端氣候事件等對(duì)實(shí)體經(jīng)濟(jì)和金融市場(chǎng)帶來(lái)的風(fēng)險(xiǎn)。Bansal et al.[2]指出物理氣候風(fēng)險(xiǎn)與股票回報(bào)相關(guān)的經(jīng)濟(jì)學(xué)原理是，如果溫度風(fēng)險(xiǎn)代表了消費(fèi)的未來(lái)風(fēng)險(xiǎn)，那么更容易受到長(zhǎng)期風(fēng)險(xiǎn)影響的公司在當(dāng)下應(yīng)該向投資者提供更高的風(fēng)險(xiǎn)溢價(jià)。能源行業(yè)是全球溫室氣體排放的主要來(lái)源之一，同時(shí)也是氣候變化的直接受益者或受害者之一。Giglio et al.[5]指出，金融市場(chǎng)是緩解和對(duì)沖氣候風(fēng)險(xiǎn)的主要工具，通過(guò)促進(jìn)投資資本流向綠色項(xiàng)目，遠(yuǎn)離棕色產(chǎn)業(yè)和企業(yè)，對(duì)相關(guān)產(chǎn)業(yè)的股票池上產(chǎn)生不同的影響，來(lái)減輕氣候風(fēng)險(xiǎn)。具體而言，氣候變化對(duì)煤炭、石油、天然氣等傳統(tǒng)能源行業(yè)的影響最為顯著。Giglio et al.[5]指出，化石燃料是生產(chǎn)的關(guān)鍵投入，因此經(jīng)濟(jì)增長(zhǎng)會(huì)增加溫室氣體排放，這些排放導(dǎo)致了氣候變化，而氣候變化對(duì)未來(lái)的經(jīng)濟(jì)活動(dòng)具有潛在的巨大負(fù)反饋效應(yīng)。首先，極端氣候事件可能導(dǎo)致能源企業(yè)的生產(chǎn)和運(yùn)營(yíng)受到影響。例如，氣候變化引發(fā)的極端氣候事件可能導(dǎo)致煤炭、石油和天然氣的產(chǎn)量下降，供應(yīng)鏈中斷和生產(chǎn)設(shè)施受損，氣候變化對(duì)鐵路、港口等交通基礎(chǔ)設(shè)施的破壞會(huì)導(dǎo)致銷售渠道阻塞[6]，從而影響能源企業(yè)的利潤(rùn)和股票價(jià)格。楊璐等[7]利用天氣數(shù)據(jù)和中國(guó)工業(yè)企業(yè)的微觀數(shù)據(jù)，發(fā)現(xiàn)高溫會(huì)降低工業(yè)企業(yè)的全要素生產(chǎn)率、固定資產(chǎn)總值和創(chuàng)新能力，進(jìn)而會(huì)影響企業(yè)的產(chǎn)出。其次，氣候變化帶來(lái)的極端天氣事件和自然災(zāi)害可能引發(fā)全球能源市場(chǎng)供需變化。消費(fèi)者或?qū)⑻幱诒Ｗo(hù)環(huán)境的責(zé)任感拒絕購(gòu)買高能耗、高排放企業(yè)提供的產(chǎn)品和服務(wù)[8]。對(duì)于進(jìn)口依賴度較高的國(guó)家而言，這種供需變化可能導(dǎo)致能源價(jià)格上漲，進(jìn)而影響能源企業(yè)的成本和股票價(jià)格。此外，氣候變化還可能影響傳統(tǒng)能源企業(yè)的品牌價(jià)值和聲譽(yù)，如傳統(tǒng)能源企業(yè)的環(huán)保形象和社會(huì)責(zé)任形象，可能因?yàn)闅夂蛭锢盹L(fēng)險(xiǎn)事件的發(fā)生而受到損害，從而影響其股票價(jià)格。

對(duì)于新能源行業(yè)的企業(yè)，氣候物理風(fēng)險(xiǎn)對(duì)其的影響是復(fù)雜的。當(dāng)氣候物理風(fēng)險(xiǎn)導(dǎo)致市場(chǎng)需求變化時(shí)，新能源企業(yè)的股票價(jià)格可能會(huì)受到積極影響。例如，由于干旱導(dǎo)致傳統(tǒng)能源需求減少，新能源企業(yè)可能會(huì)受益于其更環(huán)保和可持續(xù)的生產(chǎn)方式，進(jìn)而獲得更多的市場(chǎng)份額和更高的收益，從而提高其股票價(jià)格。盡管可再生能源在生產(chǎn)過(guò)程中不會(huì)產(chǎn)生溫室氣體，但氣候物理風(fēng)險(xiǎn)仍可能對(duì)其股票價(jià)格產(chǎn)生負(fù)面影響。例如，當(dāng)颶風(fēng)或暴雨導(dǎo)致太陽(yáng)能或風(fēng)力發(fā)電站無(wú)法正常運(yùn)轉(zhuǎn)時(shí)，新能源企業(yè)的收益可能會(huì)下降，從而降低其股票價(jià)格。此外，由于新能源企業(yè)的成本較高，當(dāng)氣候物理風(fēng)險(xiǎn)導(dǎo)致其生產(chǎn)和運(yùn)營(yíng)成本增加時(shí)，企業(yè)的收益可能會(huì)受到影響，進(jìn)而降低其股票價(jià)格。

氣候轉(zhuǎn)型風(fēng)險(xiǎn)是指在應(yīng)對(duì)氣候變化、轉(zhuǎn)向可持續(xù)發(fā)展型經(jīng)濟(jì)的過(guò)程中，由于政策轉(zhuǎn)變、技術(shù)革新、市場(chǎng)情緒與偏好變化、商業(yè)模式改變等帶來(lái)的風(fēng)險(xiǎn)。氣候轉(zhuǎn)型風(fēng)險(xiǎn)對(duì)傳統(tǒng)能源行業(yè)股票價(jià)格產(chǎn)生多為負(fù)面影響。隨著政策趨勢(shì)向可再生能源的轉(zhuǎn)型，政府對(duì)于傳統(tǒng)能源行業(yè)的監(jiān)管力度也在不斷加強(qiáng)，煤炭和石油公司會(huì)面臨更嚴(yán)格的監(jiān)管和環(huán)境稅收，額外的環(huán)境成本和法律訴訟風(fēng)險(xiǎn)，如碳稅、排放限制和環(huán)保訴訟等。這些額外的成本和風(fēng)險(xiǎn)可能影響能源企業(yè)的利潤(rùn)率和股票價(jià)格。Barnett[9]使用事件研究法探索了監(jiān)管風(fēng)險(xiǎn)對(duì)金融市場(chǎng)的影響。他發(fā)現(xiàn)，未來(lái)氣候政策行動(dòng)的可能性的增加，會(huì)導(dǎo)致氣候政策風(fēng)險(xiǎn)敞口較高的公司股票價(jià)格下降。同時(shí)，隨著可再生能源技術(shù)的持續(xù)開(kāi)發(fā)與應(yīng)用，新能源的成本越來(lái)越低，市場(chǎng)規(guī)模越來(lái)越大，世界上也有越來(lái)越多的國(guó)家與地區(qū)正在推進(jìn)向低碳經(jīng)濟(jì)的轉(zhuǎn)變，他們已經(jīng)開(kāi)始逐漸改變對(duì)傳統(tǒng)能源的依賴，以可再生能源為主要的能源來(lái)源。這些都會(huì)導(dǎo)致傳統(tǒng)能源行業(yè)的成本增加和盈利減少。Faccini et al.[10]通過(guò)文本分析發(fā)現(xiàn)，美國(guó)的氣候政策變化風(fēng)險(xiǎn)在股票價(jià)格中被定價(jià)，且投資者會(huì)采用更具環(huán)保意愿的公司對(duì)沖即將到來(lái)的轉(zhuǎn)型風(fēng)險(xiǎn)。

對(duì)于新能源行業(yè)，氣候轉(zhuǎn)型風(fēng)險(xiǎn)使其面臨著重大的市場(chǎng)機(jī)遇和風(fēng)險(xiǎn)。首先，隨著全球?qū)稍偕茉吹男枨笾饾u增加，新能源行業(yè)的市場(chǎng)規(guī)模也在不斷擴(kuò)大，新能源行業(yè)已經(jīng)成為未來(lái)主流發(fā)展行業(yè)的趨勢(shì)之一。例如，太陽(yáng)能、風(fēng)能和水力發(fā)電等可再生能源已經(jīng)成為了市場(chǎng)上的主流，這些行業(yè)的股票價(jià)格也在不斷上漲。Antoniuk et al.[11]認(rèn)為，對(duì)清潔能源發(fā)展的預(yù)期是推動(dòng)新能源行業(yè)和其行業(yè)股價(jià)的主要因素之一，如果氣候變化政策支持向低碳經(jīng)濟(jì)轉(zhuǎn)型，就可以為清潔能源創(chuàng)造有利條件，使得未來(lái)清潔能源的價(jià)格可能進(jìn)一步下降。政府對(duì)可再生能源的支持力度不斷加強(qiáng)，不斷推動(dòng)向可再生能源的轉(zhuǎn)型方面投入更多的資金和資源，新能源行業(yè)的技術(shù)創(chuàng)新也在不斷提高，這些因素提高了新能源行業(yè)的市場(chǎng)競(jìng)爭(zhēng)力，共同推動(dòng)了新能源行業(yè)的發(fā)展和壯大，對(duì)該行業(yè)的股票價(jià)格產(chǎn)生了積極的影響。但是，由于新能源行業(yè)發(fā)展時(shí)間相對(duì)較短，其產(chǎn)能和市場(chǎng)份額相對(duì)較小，技術(shù)和商業(yè)模式也相對(duì)不穩(wěn)定，市場(chǎng)風(fēng)險(xiǎn)也相對(duì)較大，因此在競(jìng)爭(zhēng)激烈的市場(chǎng)中難以與傳統(tǒng)能源行業(yè)一較高下。

三、研究設(shè)計(jì)

（一）數(shù)據(jù)集的設(shè)置

在現(xiàn)有文獻(xiàn)中，許多方法被用來(lái)衡量氣候風(fēng)險(xiǎn)信息，例如當(dāng)?shù)氐钠骄鶜鉁亍⑷A爾街日?qǐng)?bào)的新聞指數(shù)等。但隨著信息技術(shù)的進(jìn)步，越來(lái)越多的研究人員開(kāi)始使用新的數(shù)據(jù)技術(shù)來(lái)衡量影響因素，試圖從行為金融的角度研究其在股票回報(bào)預(yù)測(cè)方面的能力[12-15]。Engle et al.[16]從投資者注意力的角度，提出利用新聞指數(shù)構(gòu)建氣候風(fēng)險(xiǎn)信息時(shí)間序列。他認(rèn)為，當(dāng)有關(guān)氣候風(fēng)險(xiǎn)變化的事件發(fā)生時(shí)，可能會(huì)導(dǎo)致報(bào)紙報(bào)道這些事件，同時(shí)報(bào)紙甚至可能是投資者用來(lái)更新其氣候風(fēng)險(xiǎn)主觀認(rèn)知的直接來(lái)源。因此，從新聞的文本中提取氣候新聞，并進(jìn)行相應(yīng)的計(jì)算，構(gòu)建了一個(gè)氣候風(fēng)險(xiǎn)時(shí)間序列。

但新聞報(bào)道往往會(huì)造成信息不對(duì)稱，并且會(huì)向投資者傳達(dá)撰寫者的新聞情緒，促使新聞產(chǎn)生一定的偏向性。許多學(xué)者指出搜索量指數(shù)被認(rèn)為是衡量投資者對(duì)事件的認(rèn)知和關(guān)注更為合理的方法，主要原因如下：（1）不管是國(guó)內(nèi)還是國(guó)外，搜索引擎能夠提供高度多樣化的信息，這意味著投資者注意力的變化會(huì)直接反映在搜索引擎的搜索量上[17]；（2）現(xiàn)代投資者更喜歡通過(guò)網(wǎng)絡(luò)媒體獲取信息；（3）在線搜索有助于避免間接代理帶來(lái)的問(wèn)題，如新聞標(biāo)題[18]、心理障礙[19]或銷量[20]。Gu et al.[21]也指出，每一次極端天氣事件的發(fā)生都會(huì)增加人們對(duì)氣候變化的感知風(fēng)險(xiǎn)。因此，本文選取百度搜索指數(shù)，主要是因?yàn)榘俣仁菄?guó)內(nèi)網(wǎng)民比較傾向于使用的搜索引擎之一，人們也習(xí)慣了用該平臺(tái)來(lái)查詢自己感興趣的事情。因此，將選取以下關(guān)鍵詞作為氣候風(fēng)險(xiǎn)信息的關(guān)鍵詞，具體如表1所示。

由于百度搜索指數(shù)的時(shí)間限制，本文選取從2011年9月1日到2022年8月31日的百度搜索指數(shù)。針對(duì)這些氣候風(fēng)險(xiǎn)關(guān)鍵詞，在百度搜索指數(shù)中進(jìn)行搜索，選取PC+移動(dòng)的總數(shù)據(jù)，利用Python爬蟲技術(shù)，將每日的數(shù)據(jù)匯總起來(lái)。

本文選取A股上市公司的行業(yè)指數(shù)作為能源股票市場(chǎng)的研究對(duì)象，按中信證券的一級(jí)分類，選擇石油石化行業(yè)、煤炭行業(yè)、電力設(shè)備和新能源行業(yè)的行業(yè)指數(shù)。本文所選取的數(shù)據(jù)時(shí)間跨度為2011年9月1日至2022年8月31日，收集行業(yè)指數(shù)的日度信息，共計(jì)2 674個(gè)交易日。選取的行業(yè)指數(shù)歷史信息特征變量分別是開(kāi)盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)、成交量（手）、成交金額（萬(wàn)元）、換手率（%），輸出數(shù)據(jù)為下一天的行業(yè)指數(shù)。所有數(shù)據(jù)均來(lái)自于Choice金融終端。

在模型訓(xùn)練之前，有必要將所有的行業(yè)指數(shù)進(jìn)行歸一化操作，其他指標(biāo)也需進(jìn)行歸一化處理，從而統(tǒng)一量綱。本文采用min-max標(biāo)準(zhǔn)化方法進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化，轉(zhuǎn)換公式如下所示：

其中，Xmin是樣本中該指標(biāo)的最小值，Xmax是樣本中該指標(biāo)的最大值，通過(guò)該方法，可將變換后的數(shù)據(jù)范圍控制在［0，1］內(nèi)。

由于所使用的數(shù)據(jù)是一組時(shí)間序列，所以本文將這些數(shù)據(jù)按時(shí)間順序進(jìn)行了8■2的劃分，即所選股票2011年9月1日至2020年6月22日的數(shù)據(jù)作為訓(xùn)練集，2020年6月23日至2022年8月31日的數(shù)據(jù)作為測(cè)試集。

（二）預(yù)測(cè)模型的構(gòu)建及評(píng)價(jià)指標(biāo)

1.預(yù)測(cè)模型的構(gòu)建

行業(yè)指數(shù)預(yù)測(cè)任務(wù)的基本數(shù)據(jù)是行業(yè)指數(shù)的歷史信息，通過(guò)模型從歷史數(shù)據(jù)中挖掘出有利于行業(yè)指數(shù)預(yù)測(cè)的信息，對(duì)行業(yè)指數(shù)的未來(lái)趨勢(shì)做出預(yù)測(cè)。但是，時(shí)間序列數(shù)據(jù)還受到其他因素的影響，例如季節(jié)性、趨勢(shì)性、市場(chǎng)因素等。如果只考慮時(shí)間，可能會(huì)忽略其他影響因素對(duì)時(shí)間序列數(shù)據(jù)的影響，導(dǎo)致對(duì)數(shù)據(jù)的分析和預(yù)測(cè)出現(xiàn)偏差。在我國(guó)股票市場(chǎng)中，中小投資者數(shù)量眾多，他們獲取信息的渠道有限，網(wǎng)絡(luò)搜索是他們獲取信息、尋找投資機(jī)會(huì)的重要且最直接的方式。當(dāng)投資者在網(wǎng)絡(luò)上搜索氣候風(fēng)險(xiǎn)的相關(guān)信息時(shí)（例如：洪水、颶風(fēng)、節(jié)能減排等），說(shuō)明投資者對(duì)氣候風(fēng)險(xiǎn)產(chǎn)生了關(guān)注，并進(jìn)一步了解到氣候風(fēng)險(xiǎn)的概念和產(chǎn)生的相關(guān)損失，而這種關(guān)注在發(fā)生極端天氣后更加明顯。當(dāng)投資者經(jīng)歷并意識(shí)到氣候風(fēng)險(xiǎn)時(shí)，他們通過(guò)了解氣候風(fēng)險(xiǎn)的相關(guān)信息，改變認(rèn)知。如果投資者改變了對(duì)氣候風(fēng)險(xiǎn)的看法，他們就可能會(huì)買入氣候敏感性較低的股票，賣出敏感性較高的股票。投資者對(duì)于氣候風(fēng)險(xiǎn)的關(guān)注是影響股票市場(chǎng)的重要因素。因此，引入氣候風(fēng)險(xiǎn)這一相關(guān)性因素可以提高行業(yè)指數(shù)預(yù)測(cè)模型的可解釋性和輸入特征的豐富性，從而提高模型的準(zhǔn)確度。這種方法可以在一定程度上提高模型對(duì)時(shí)間序列數(shù)據(jù)的預(yù)測(cè)準(zhǔn)確度，使預(yù)測(cè)結(jié)果更加可靠。

不同的深度學(xué)習(xí)模型有不同的數(shù)據(jù)提取特點(diǎn)，CNN模型通過(guò)局部連接、權(quán)重共享和下采樣這三個(gè)特性，使得CNN模型可以很好地捕捉數(shù)據(jù)中的局部特征；LSTM模型通過(guò)記憶單元和門結(jié)構(gòu)，通過(guò)信息傳遞過(guò)程中對(duì)信息進(jìn)行保留或舍棄的操作，能夠捕捉到時(shí)間序列中的長(zhǎng)期信息特征。兩者相結(jié)合，可以彌補(bǔ)LSTM對(duì)異常值過(guò)于敏感的缺點(diǎn)，也能夠解決CNN模型無(wú)法學(xué)習(xí)時(shí)間序列數(shù)據(jù)的問(wèn)題。因此，本文基于集成學(xué)習(xí)的思想，使用CNN-LSTM模型，對(duì)氣候風(fēng)險(xiǎn)數(shù)據(jù)和行業(yè)指數(shù)歷史數(shù)據(jù)進(jìn)行建模，預(yù)測(cè)行業(yè)指數(shù)的漲跌情況。

本文所構(gòu)建的CNN-LSTM模型如圖1所示，共包含三個(gè)過(guò)程：（1）用于提取氣候風(fēng)險(xiǎn)信息時(shí)間序列短期特征的CNN模型，通過(guò)卷積層與池化層的特征提取后，獲得［64，64］的短時(shí)特征向量；（2）用于提取行業(yè)指數(shù)歷史信息長(zhǎng)期依賴性的LSTM模型，通過(guò)輸入模型后，提取出隱藏層特征，獲得［64，64］的歷史信息特征數(shù)據(jù)；（3）通過(guò)將兩個(gè)模型提取的特征數(shù)據(jù)進(jìn)行拼接，同時(shí)輸入全連接神經(jīng)網(wǎng)絡(luò)，最終預(yù)測(cè)行業(yè)指數(shù)的第二日收盤價(jià)。

2.預(yù)測(cè)模型的參數(shù)設(shè)置

本文所構(gòu)造的CNN-LSTM模型主要有3個(gè)主體結(jié)構(gòu)，分別為提取氣候風(fēng)險(xiǎn)信息時(shí)間序列短期特征的CNN模型、提取行業(yè)指數(shù)歷史信息時(shí)間序列長(zhǎng)期依賴性的LSTM模型、對(duì)合并的數(shù)據(jù)進(jìn)行處理并輸出預(yù)測(cè)值的全連接神經(jīng)網(wǎng)絡(luò)模型。

本文設(shè)置兩個(gè)卷積層和池化層，結(jié)構(gòu)是“輸入層——卷積層——池化層——卷積層——池化層”。具體的參數(shù)如表2所示。

LSTM模型的架構(gòu)由2層網(wǎng)絡(luò)層構(gòu)成：輸入層和隱藏層（LSTM layer1）。具體參數(shù)選擇如表3。

最后一個(gè)模型是全連接神經(jīng)網(wǎng)絡(luò)模型，通過(guò)CNN模型和LSTM模型對(duì)特征進(jìn)行提取，并將提取特征進(jìn)行拼合，輸入到全連接神經(jīng)網(wǎng)絡(luò)模型中。全連接神經(jīng)網(wǎng)絡(luò)模型的輸入層節(jié)點(diǎn)數(shù)為128，輸出層節(jié)點(diǎn)數(shù)為1。

3.模型預(yù)測(cè)精度的評(píng)價(jià)指標(biāo)

本文進(jìn)行的試驗(yàn)是對(duì)股票價(jià)格的預(yù)測(cè)，因此選取的評(píng)價(jià)指標(biāo)為均方誤差（MSE）、平均絕對(duì)誤差（MAE）以及可解釋方差值（R2），計(jì)算公式如下所示。

其中，yi是真實(shí)結(jié)果，i是預(yù)測(cè)結(jié)果，代表均值，m表示預(yù)測(cè)的數(shù)量。MSR與MAE的值越小，則表示該模型的預(yù)測(cè)準(zhǔn)確度越高，R2的結(jié)果越接近1，訓(xùn)練出的模型效果越好。

（三）對(duì)比模型設(shè)置

為了探討氣候風(fēng)險(xiǎn)信息對(duì)股價(jià)預(yù)測(cè)精度的提高，本文通過(guò)對(duì)比輸入不同數(shù)據(jù)集的預(yù)測(cè)模型準(zhǔn)確度，包括：（1）對(duì)比本文構(gòu)建的模型CNN-LSTM-CRI與只有行業(yè)指數(shù)歷史信息數(shù)據(jù)的LSTM模型和只加入物理風(fēng)險(xiǎn)信息或轉(zhuǎn)型風(fēng)險(xiǎn)信息的預(yù)測(cè)模型的表現(xiàn)，評(píng)估氣候風(fēng)險(xiǎn)信息的作用；（2）通過(guò)對(duì)比不同行業(yè)指數(shù)的CNN-LSTM-Physical與CNN-LSTM-Transition模型表現(xiàn)，探尋物理風(fēng)險(xiǎn)信息和轉(zhuǎn)型風(fēng)險(xiǎn)信息對(duì)不同行業(yè)股票市場(chǎng)的貢獻(xiàn)差異。具體模型數(shù)據(jù)集設(shè)置如表4所示。

四、實(shí)證結(jié)果分析

通過(guò)將不同的氣候風(fēng)險(xiǎn)信息數(shù)據(jù)與行業(yè)指數(shù)歷史信息數(shù)據(jù)相組合，將其輸入CNN-LSTM模型中，對(duì)不同數(shù)據(jù)集下的模型預(yù)測(cè)效果進(jìn)行評(píng)價(jià)。

在對(duì)三種行業(yè)指數(shù)進(jìn)行的數(shù)據(jù)集預(yù)測(cè)性能對(duì)比實(shí)驗(yàn)中，僅包含行業(yè)指數(shù)歷史信息特征數(shù)據(jù)（Feature）的預(yù)測(cè)效果最差。相比于Feature數(shù)據(jù)集，添加氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息數(shù)據(jù)（Physical）和氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息數(shù)據(jù)（Transition）的數(shù)據(jù)集預(yù)測(cè)經(jīng)過(guò)均得到了顯著提升，且不同的數(shù)據(jù)集在不同的行業(yè)指數(shù)中所起到的提升效果不同。相比于單一數(shù)據(jù)集，混合數(shù)據(jù)集的預(yù)測(cè)效果有些有顯著提升，有些反而產(chǎn)生噪聲，降低了預(yù)測(cè)準(zhǔn)確性。

通過(guò)對(duì)試驗(yàn)結(jié)果進(jìn)行進(jìn)一步的分析，可以得出：第一，投資者對(duì)氣候風(fēng)險(xiǎn)的關(guān)注數(shù)據(jù)顯著優(yōu)于單一指數(shù)信息數(shù)據(jù)集的表現(xiàn)。極端氣候風(fēng)險(xiǎn)的突發(fā)事件（例如洪水、颶風(fēng)、干旱、野火、極端溫度等）可能會(huì)導(dǎo)致投資者注意力的變化，并導(dǎo)致投資者對(duì)下一階段的宏觀經(jīng)濟(jì)狀況和相關(guān)行業(yè)公司的股票價(jià)格做出新的判斷，促使投資者做出新的投資決策，并影響公司的股票回報(bào)。投資者關(guān)注度的變化是多種因素綜合作用的結(jié)果，包括新聞報(bào)道和氣候風(fēng)險(xiǎn)的突發(fā)事件，所有這些因素都會(huì)導(dǎo)致公司股票價(jià)格的變化。因此，使用投資者對(duì)氣候風(fēng)險(xiǎn)的關(guān)注數(shù)據(jù)，對(duì)能源行業(yè)股票市場(chǎng)進(jìn)行預(yù)測(cè)，既可測(cè)出極端氣候事件對(duì)股市的沖擊，又可測(cè)出"非理性"的人為因素對(duì)股市的沖擊，使神經(jīng)網(wǎng)絡(luò)能更好地從原始噪音中挖掘出更多更有用的信息，進(jìn)而提升股市的預(yù)測(cè)精度。

第二，不同的氣候風(fēng)險(xiǎn)類型信息對(duì)不同行業(yè)所產(chǎn)生的影響也不同。對(duì)于電氣設(shè)備及新能源行業(yè)來(lái)說(shuō)，氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息數(shù)據(jù)對(duì)行業(yè)指數(shù)的預(yù)測(cè)提升十分顯著，在行業(yè)指數(shù)歷史信息特征數(shù)據(jù)的基礎(chǔ)上添加氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息數(shù)據(jù)，預(yù)測(cè)模型的MSE值下降了85.72%，MAE值下降了55.63%；而在加入氣候物理風(fēng)險(xiǎn)信息數(shù)據(jù)后，MSE值和MAE值反而上升，這說(shuō)明對(duì)于電氣設(shè)備及新能源行業(yè)來(lái)說(shuō)，氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息所帶來(lái)的預(yù)測(cè)性能提升遠(yuǎn)大于氣候物理風(fēng)險(xiǎn)，再加入氣候物理風(fēng)險(xiǎn)數(shù)據(jù)還會(huì)對(duì)模型產(chǎn)生一定的噪聲干擾，影響氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息的預(yù)測(cè)效果。這可能是由于樣本數(shù)量的限制，使得有效性不高的數(shù)據(jù)無(wú)法被模型完全學(xué)習(xí)，對(duì)模型的預(yù)測(cè)造成一定的干擾。而對(duì)于石油石化和煤炭行業(yè)，氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息數(shù)據(jù)和氣候轉(zhuǎn)型風(fēng)險(xiǎn)信息數(shù)據(jù)都對(duì)模型預(yù)測(cè)性能有明顯的提升，同時(shí)加入兩個(gè)數(shù)據(jù)集，更是使得模型的預(yù)測(cè)能力進(jìn)一步提升。

五、結(jié)論與啟示

隨著極端天氣的發(fā)生頻率和強(qiáng)度不斷增加，氣候風(fēng)險(xiǎn)在金融市場(chǎng)中已經(jīng)成為了不可避免的風(fēng)險(xiǎn)，世界各地的投資者都渴望能夠有效地避免氣候風(fēng)險(xiǎn)帶來(lái)的損失。本文深入分析了氣候風(fēng)險(xiǎn)對(duì)能源行業(yè)股票市場(chǎng)的影響機(jī)制，在該理論的基礎(chǔ)上，提出了融合氣候風(fēng)險(xiǎn)信息的能源行業(yè)股票市場(chǎng)預(yù)測(cè)深度學(xué)習(xí)模型，選取電力設(shè)備及新能源行業(yè)、石油石化行業(yè)和煤炭行業(yè)的行業(yè)指數(shù)作為預(yù)測(cè)對(duì)象。并根據(jù)氣候風(fēng)險(xiǎn)的特征，將其分為氣候物理風(fēng)險(xiǎn)和氣候轉(zhuǎn)型風(fēng)險(xiǎn)，構(gòu)建不同的數(shù)據(jù)集，檢驗(yàn)數(shù)據(jù)的有效性。為了更好地提取特征的信息，構(gòu)建了CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)，利用CNN模型提取氣候風(fēng)險(xiǎn)信息時(shí)間序列的短時(shí)特征，利用LSTM模型提取行業(yè)指數(shù)歷史信息的長(zhǎng)期依賴性特征，再將提取的特征組合輸入全連接神經(jīng)網(wǎng)絡(luò)，用以預(yù)測(cè)第二日的收盤價(jià)。

本文的研究結(jié)論如下：（1）將氣候風(fēng)險(xiǎn)信息引入到行業(yè)指數(shù)預(yù)測(cè)模型中，可以有效地提高指數(shù)預(yù)測(cè)準(zhǔn)確度。（2）氣候轉(zhuǎn)型風(fēng)險(xiǎn)和氣候物理風(fēng)險(xiǎn)對(duì)電力設(shè)備及新能源行業(yè)指數(shù)的預(yù)測(cè)性能提升80%，極大地改善了對(duì)新能源行業(yè)的預(yù)測(cè)能力；石油石化行業(yè)提升了60%，煤炭行業(yè)提升效果最差，但也可以提升約30%。

本文的研究結(jié)果有利于規(guī)避氣候風(fēng)險(xiǎn)的投資者對(duì)能源行業(yè)進(jìn)行投資，尤其是電力設(shè)備及新能源行業(yè)，在添加氣候風(fēng)險(xiǎn)信息數(shù)據(jù)前，深度學(xué)習(xí)模型難以從歷史信息中提取到有效的預(yù)測(cè)信息，而加入氣候風(fēng)險(xiǎn)信息后，大大提高了模型的預(yù)測(cè)能力。利用該模型，能夠?yàn)橥顿Y者提供有效的投資建議。

除此之外，本文的實(shí)證結(jié)果表明，氣候物理風(fēng)險(xiǎn)和氣候轉(zhuǎn)型風(fēng)險(xiǎn)對(duì)傳統(tǒng)能源和新能源行業(yè)的影響都很大，對(duì)于傳統(tǒng)行業(yè)的公司管理者來(lái)說(shuō)，收縮公司的氣候風(fēng)險(xiǎn)敞口，積極關(guān)注氣候轉(zhuǎn)型風(fēng)險(xiǎn)的政策和技術(shù)，對(duì)于保持公司的長(zhǎng)遠(yuǎn)穩(wěn)定發(fā)展十分重要。對(duì)于新能源行業(yè)，轉(zhuǎn)型風(fēng)險(xiǎn)對(duì)新能源行業(yè)的影響程度更深，該行業(yè)的公司管理者更應(yīng)時(shí)刻關(guān)注相關(guān)政策，不斷研發(fā)精進(jìn)新能源技術(shù)，抓住市場(chǎng)機(jī)遇，提高自身能力，提高公司的價(jià)值。

【參考文獻(xiàn)】

［1］ BOURDEAU-BRIEN M，KRYZANOWSKI L.The impact of natural disasters on the stock returns and volatilities of local firms［J］.The Quarterly Review of Economics and Finance，2017，63：259-270.

［2］ BANSAL R，OCHOA M，KIKU D.Climate change and growth risks［R］.National Bureau of Economic Research，2016.

［3］ 張帥，陸利平，張興敏.金融系統(tǒng)氣候風(fēng)險(xiǎn)的評(píng)估、定價(jià)與政策應(yīng)對(duì)：基于文獻(xiàn)的評(píng)述［J］.金融評(píng)論，2022，

14（1）：99-120，124.

［4］ BAYOUMI M T，QUAYYUM M S N，DAS S.Growth at risk from natural disasters［M］.International Monetary Fund，2021.

［5］ GIGLIO S，KELLY B，STROEBEL J.Climate finance［D］.CESifo Working Paper Series，2020.

［6］ JONES B F，OLKEN B A.Climate shocks and exports［J］.American Economic Review，2010，100.

［7］ 楊璐，史京曄，陳曉光.溫度變化對(duì)中國(guó)工業(yè)生產(chǎn)的影響及其機(jī)制分析［J］.經(jīng)濟(jì)學(xué)（季刊），2020（5）：22.

［8］ 高睿，王營(yíng)，曹廷求.氣候變化與宏觀金融風(fēng)險(xiǎn)——來(lái)自全球58個(gè)代表性國(guó)家的證據(jù)［J］.南開(kāi)經(jīng)濟(jì)研究，2022，225（3-20）.

［9］ BARNETT M.Climate change and uncertainty：An asset pricing perspective［Z］.Management Science，2023.

［10］ FACCINI R，MATIN R，SKIADOPOULOS G S.Dissecting climate risks：are they reflected in stock prices？［J］.Journal of Banking & Finance，2023，115.

［11］ ANTONIUK Y，THOMAS L.Climate change events and stock market returns［J］.Journal of Sustainable Finance & Investment，2021：27.

［12］ 趙慶國(guó)，曲曉宇.投資者情緒對(duì)中國(guó)不同行業(yè)股票收益率的影響［J］.會(huì)計(jì)之友，2022（14）：54-60.

［13］ 杜劍，楚琦，楊楊.投資者情緒、衍生金融工具與股票收益［J］.會(huì)計(jì)之友，2020（13）：8-14.

［14］ AUDRINO F，TETEREVA A.Sentiment spillover effects for US and European companies［J］.Journal of Banking & Finance，2019，106：542-567.

［15］ YIN L，F(xiàn)ENG J.Can investors attention on oil markets predict stock returns？［J］.The North American Journal of Economics and Finance，2019，4（48）：786-800.

［16］ ENGLE R F，GIGLIO S，KELLY B.Hedging climate change news［J］.The Review of Financial Studies，2020，33（3）：1184-1216.

［17］ YU L，ZHAO Y，LING T.Online big data-driven oil consumption forecasting with Google trends［J］.International Journal of Forecasting，2018，35（1）：213-223.

［18］ YU，YUAN.Market-wide attention，trading，and stock returns［J］.Journal of Financial Economics，2015，116（3）：548-564.

［19］ AGGARWAL R，LUCEY B M.Psychological barriers in gold prices？［J］.Institute for International Integration Studies Discussion Paper，2005，16（2）：217-230.

［20］ BARBER B M，ODEAN T.All that glitters：The effect of attention and news on the buying behavior of individual and institutional investors［J］.Review of Financial Studies，2008（2）：785-818.

［21］ GU G W，HALE G.Climate risks and FDI［J/OL］.Journal of International Economics，2023.