Prognose von Schwankungen der CO2‑Preise mit einem adaptiven dualen Residual‑Attention‑Neuronalen Netz, optimiert durch den White‑Shark‑Optimizer und blockchainbasierte Datenherkunft

Warum CO2‑Preisprognosen den Alltag betreffen

Kohlenstoffmärkte sind eines der wichtigsten politischen Instrumente zur Bekämpfung des Klimawandels. Sie setzen einen Preis für Treibhausgasemissionen und veranlassen Unternehmen, weniger zu verschmutzen und in sauberere Technologien zu investieren. Die Preise in diesen Märkten schwanken jedoch auf komplexe Weise, was es für Unternehmen, Investoren und Behörden schwierig macht, vorausschauend zu planen. Diese Studie stellt einen neuen Ansatz vor, um CO2‑Preise genauer und verlässlicher vorherzusagen, mit dem Ziel, klima‑bezogene Finanzentscheidungen weniger zum Glücksspiel zu machen.

Das Problem heftiger CO2‑Preisschwankungen

Emissionshandelssysteme erlauben es Unternehmen, Emissionszertifikate zu kaufen und zu verkaufen und machen Verschmutzung so zu einer handelbaren Ware. Bei zu hoher Volatilität fällt es Firmen schwer, künftige Kosten zu budgetieren, und politische Entscheidungsträger tun sich schwer, stabile Klimaregeln zu gestalten. CO2‑Preise werden nicht nur von Angebot und Nachfrage bestimmt, sondern auch von wechselnden Vorschriften, Energiepreisen, Konjunkturzyklen und selbst von Stimmungen in den Nachrichten. Diese Einflussfaktoren erzeugen hochgradig nichtlineare und verrauschte Preisbewegungen, weshalb traditionelle Prognosemethoden häufig Wendepunkte verpassen oder zu träge auf Schocks reagieren.

Grenzen aktueller Prognosewerkzeuge

Forscher haben viele fortgeschrittene Methoden erprobt, um diese Komplexität zu beherrschen – von der Zerlegung der Preisreihen in ruhigere Teil‑Signale bis hin zu tiefen Lernmodellen und bioinspirierten Optimierungsalgorithmen. Zerlegungsmethoden helfen, Rauschen zu reduzieren, indem eine Preisreihe in mehrere Komponenten aufgeteilt, getrennt prognostiziert und wieder zusammengeführt wird. Tiefe Lernmodelle, etwa hybride Kombinationen aus Convolutional‑ und Rekurrenten Netzen oder Transformer‑artige Architekturen, können komplexe Zeitmuster erfassen. Metaheuristische Optimierer, inspiriert von Tierverbänden oder Raubtieren, suchen nach guten Modelleinstellungen jenseits einfacher Gradientenverfahren. Bestehende Ansätze behandeln jedoch meist nur einen Teil des Problems: Sie gehen mitunter nur auf Rauschen, komplexe Muster oder Optimierung ein, aber selten auf alle drei Aspekte zugleich. Außerdem vernachlässigen sie häufig die Verlässlichkeit und Rückverfolgbarkeit der zugrundeliegenden Marktdaten.

Ein integrierter Weg von Daten zu vertrauenswürdigen Prognosen

Die Autorinnen und Autoren schlagen ein integriertes Framework namens ADRGPNN‑WSO vor, das mehrere Ideen zu einer Pipeline verknüpft. Zunächst werden rohe tägliche Handelsdaten von drei großen chinesischen Kohlenstoffbörsen (Hubei, Shanghai und Shenzhen) mit einer Fuzzy‑Matching‑Methode bereinigt, die fehlende Werte auffüllt und Ausreißer abschwächt. Parallel dazu werden die Rohdaten auf einer speziellen Blockchain verankert, die kontrollierte Korrekturen erlaubt und zugleich eine kryptografische Prüfspur bewahrt. Nur Datensätze, deren digitale Fingerabdrücke mit der Blockchain übereinstimmen, dürfen ins Modell, sodass die Prognosen auf vertrauenswürdigen Daten und nicht auf manipulierten Eingaben basieren.

Wie die intelligente Prognose‑Engine funktioniert

Sind die Daten verifiziert und bereinigt, werden sie in ein maßgeschneidertes neuronales Netz eingespeist, das aus zwei eng gekoppelten Teilen besteht. Der eine Teil ist eine duale Kanalstruktur, die zwei Ströme technischer Indikatoren parallel verarbeitet und damit nachahmt, wie biologische Neuronen zeitliche Impulse verarbeiten. Das hilft dem Modell, sowohl kurzfristige Ausschläge als auch längerfristige Preistrends über Indikatoren wie Eröffnungskurs, Handelsvolumen und Änderungsrate zu erfassen. Der zweite Teil ist ein Residual‑Attention‑Modul, das Merkmale gruppiert und lernt, stärker auf die informativeren Preis‑ und Volumenmuster zu „fokussieren“, während es das Training in tieferen Netzwerken stabil hält. Darüber hinaus verwenden die Autorinnen und Autoren einen „White Shark“‑Optimizer, eine metaheuristische Methode inspiriert vom Jagdverhalten von Haien, um die vielen Parameter des Netzes feinzujustieren. Dieser Optimierer ist so gestaltet, dass er zunächst weit in den Suchraum hinein exploriert und dann vielversprechende Regionen gezielt auslotet, wodurch das Risiko verringert wird, in schlechten Lösungen stecken zu bleiben.

Was die Ergebnisse über reale Märkte aussagen

Das Framework wird an mehreren Jahren täglicher Daten der drei Börsen getestet, wobei frühere Jahre zum Training und das jüngste Jahr strikt für den Test zurückgehalten werden. Über Märkte, die von relativ ruhig (Hubei) bis extrem volatil (Shenzhen) reichen, erzielt das Modell hohe Prognosegenauigkeit, mit einem Bestimmtheitsmaß von etwa 0,94 und vergleichsweise geringen durchschnittlichen Fehlern. Es übertrifft eine lange Liste alternativer Methoden, einschließlich traditioneller Deep‑Learning‑Modelle und moderner Transformer‑basierter Systeme für Langsequenz‑Vorhersagen. Sorgfältige Ablationsstudien zeigen, dass das Entfernen beliebiger Einzelkomponenten – Rauschvorverarbeitung, Aufmerksamkeitsmechanismus, Optimierer oder Blockchain‑Schicht – entweder die Vorhersageleistung oder die governance‑bezogenen Eigenschaften schwächt. Statistische Tests bestätigen, dass die Verbesserungen gegenüber konkurrierenden Modellen kaum zufällig sind.

Was das für die Zukunft der Kohlenstoffmärkte bedeutet

Für Laien bietet diese Arbeit eine intelligentere und verlässlichere „Wettervorhersage“ für CO2‑Preise. Durch die Kombination von Datenbereinigung, Mustererkennung, intelligenter Optimierung und sicherer Nachverfolgung der Datenherkunft verwandelt das vorgeschlagene System unübersichtliche Marktaufzeichnungen in stabilere und besser interpretierbare Preisprognosen. Zwar beschränkt sich die aktuelle Studie auf drei chinesische Börsen und historische Daten, doch zeigt der Ansatz den Weg zu Prognosewerkzeugen, die Unternehmen bei der Steuerung klimabezogener Finanzrisiken unterstützen, Regulierungsbehörden bei der Gestaltung stabilerer CO2‑Politiken helfen und letztlich einen reibungsloseren Übergang zu einer kohlenstoffärmeren Wirtschaft fördern könnten.

Zitation: Biswal, S., Kotecha, K. & Munjal, N. Carbon price fluctuation forecasting using an adaptive dual-channel residual attention neural network optimized with white shark optimizer and blockchain-based data provenance. Sci Rep 16, 13802 (2026). https://doi.org/10.1038/s41598-026-43184-6

Schlüsselwörter: Kohlenstoffmärkte, Preisschätzung, Tiefes Lernen, Blockchain‑Daten, Klimapolitik