ارائه یک رویکرد ترکیبی داده محور برای بررسی عوامل اثرگذار بر قیمت کربن طی فاز چهارم طرح تجارت آلایندگی اتحادیه اروپا

قیمت کمک‌هزینه اتحادیه اروپا یک راهکار به‌منظور مدیریت انتشار گازهای گلخانه‌ای می‌باشد، عوامل بسیاری نظیر شاخص‌های اقتصادی، مالی، سیاسی و ... می‌تواند بر آن اثرگذار باشد. پژوهش پیش رو در نظر دارد تا میزان اثرگذاری 31 شاخص مختلف انرژی، مالی و کالاهای اساسی را بر آن بررسی نماید. ازاین‌رو با یک استفاده روش ترکیبی داده محور به بررسی این امر می‌پردازد. در ابتدا با استفاده از الگوریتم میانگین متحرک یکپارچه خود رگرسیون به پاک‌سازی داده‌های مربوط به آن می‌پردازد و پس‌ازآن با روش تجزیه حالت متغیر بخش‌های مختلف این شاخص‌ها را تجزیه می‌نماید و یک سری مد ذاتی به دست می‌آورد، پس‌ازآن این مدها در سه مقیاس زمانی کوتاه‌مدت، میان‌مدت و بلندمدت قرار می‌گیرند، سپس با استفاده از ادغام حذف بازگشتی ویژگی‌ها و جنگل تصادفی با در نظر گرفتن اعتبارسنجی متقابل اقدام به انتخاب بهترین ویژگی‌ها در این سه مقیاس گرفته می‌شود. نتایج به‌دست‌آمده نشان می‌دهد در مقیاس زمانی میان‌مدت و بلندمدت، مدل موفق به پیش‌بینی با دقت بیشتر می‌باشد و پیش‌بینی نوسانات قیمت کمک‌هزینه اتحادیه اروپا با استفاده از این رویکردهای ترکیبی، می‌تواند به تصمیم‌گیری‌های دقیق‌تر و به‌موقع درزمینه سیاست‌گذاری و سرمایه‌گذاری کمک کند.

a data-driven hybrid approach for examining the factors influencing the price of eua during phase iv of the euets

the price of eu allowances (euas) serves as a mechanism for managing greenhouse gas emissions, influenced by various factors such as economic, financial, political, and other indicators. this study assesses the impact of 31 different energy, financial, and commodity indices on eua prices. to achieve this, a hybrid data-driven approach is employed. initially, the autoregressive integrated moving average (arima) algorithm cleans the relevant data. subsequently, the variational mode decomposition (vmd) method decomposes the indices into intrinsic mode functions (imfs). these imfs are categorized into three-time scales: short-term, medium-term, and long-term. next, by integrating recursive feature elimination (rfe) and random forest (rf) with cross-validation, the most influential features across these time scales are selected. the results demonstrate that the model achieves higher accuracy in medium-term and long-term time scales. forecasting the price fluctuations of euas using these hybrid approaches can contribute to more precise and timely decision-making in policy formulation and investment strategies.