Prévision des fluctuations du prix du carbone à l’aide d’un réseau neuronal adaptatif à double canal et attention résiduelle optimisé par un « white shark optimizer » et traçabilité des données basée sur la blockchain

Pourquoi les prévisions des prix du carbone comptent dans la vie quotidienne

Les marchés du carbone sont l’un des principaux outils politiques pour lutter contre le changement climatique. Ils attribuent un coût aux émissions de gaz à effet de serre, incitant les entreprises à polluer moins et à investir dans des technologies plus propres. Mais les prix dans ces marchés fluctuent de façon complexe, rendant la planification difficile pour les entreprises, les investisseurs et les gouvernements. Cette étude présente une nouvelle méthode pour prévoir les prix du carbone de façon plus précise et plus fiable, visant à réduire l’incertitude dans les décisions financières liées au climat.

Le problème des variations sauvages des prix du carbone

Les systèmes d’échange de droits d’émission permettent aux entreprises d’acheter et de vendre des quotas d’émission, transformant ainsi la pollution en une marchandise négociable. Lorsque les prix sont trop volatils, les entreprises ont du mal à budgéter leurs coûts futurs et les décideurs peinent à concevoir des règles climatiques stables. Les prix du carbone sont influencés non seulement par l’offre et la demande, mais aussi par l’évolution des régulations, les prix de l’énergie, les cycles économiques et même le sentiment médiatique. Ces forces rendent les mouvements de prix fortement non linéaires et bruités, de sorte que les méthodes de prévision traditionnelles manquent souvent les points de retournement ou réagissent trop lentement aux chocs.

Limites des outils de prévision actuels

Les chercheurs ont testé de nombreuses méthodes avancées pour maîtriser cette complexité, depuis le découpage des séries de prix en sous-signaux plus lisses jusqu’à l’utilisation de modèles profonds et d’algorithmes d’optimisation bio‑inspirés. Les méthodes de décomposition réduisent le bruit en séparant une série de prix en plusieurs composantes, qui sont prédites séparément puis recombinées. Les modèles d’apprentissage profond, comme les combinaisons hybrides de réseaux convolutifs et récurrents ou les architectures de type Transformer, peuvent capturer des motifs temporels complexes. Les optimiseurs métaheuristiques, inspirés par les comportements d’essaims ou de prédateurs, recherchent de bons réglages de modèles au‑delà du simple gradient. Toutefois, les approches existantes traitent généralement une partie du problème : elles gèrent soit le bruit, soit les motifs complexes, soit l’optimisation, mais rarement les trois ensemble. Elles négligent aussi souvent la fiabilité et la traçabilité des données de marché sous‑jacentes.

Une voie intégrée des données vers des prévisions fiables

Les auteurs proposent un cadre intégré appelé ADRGPNN‑WSO qui relie plusieurs idées dans un seul pipeline. D’abord, les données quotidiennes brutes de trois grandes bourses carbone chinoises (Hubei, Shanghai et Shenzhen) sont nettoyées à l’aide d’une méthode de correspondance floue qui remplit les valeurs manquantes et atténue les valeurs aberrantes. Parallèlement, les enregistrements bruts sont ancrés sur une forme de blockchain conçue pour permettre des corrections contrôlées tout en conservant une piste d’audit cryptographique. Seuls les enregistrements dont l’empreinte numérique correspond à la blockchain sont autorisés dans le modèle, garantissant que les prévisions reposent sur des données fiables et non altérées.

Comment fonctionne le moteur de prévision intelligent

Une fois les données vérifiées et nettoyées, elles sont introduites dans un réseau neuronal personnalisé composé de deux parties étroitement liées. La première partie est une structure à double canal qui traite en parallèle deux flux d’indicateurs techniques, imitant la façon dont les neurones biologiques répondent à des impulsions dans le temps. Cela aide le modèle à saisir à la fois les chocs à court terme et les tendances de prix à plus long terme pour des indicateurs tels que le prix d’ouverture, le volume des échanges et le taux de variation. La seconde partie est un module d’attention résiduelle qui regroupe les caractéristiques et apprend à « se concentrer » davantage sur les motifs de prix et de volume les plus informatifs tout en maintenant la stabilité de l’entraînement dans des réseaux plus profonds. Par-dessus cela, les auteurs utilisent un « white shark optimizer », une métaheuristique inspirée du comportement de chasse des requins, pour affiner les nombreux paramètres du réseau. Cet optimiseur est conçu pour explorer largement l’espace de recherche au départ, puis se concentrer sur les régions prometteuses, réduisant le risque de rester bloqué dans des solutions médiocres.

Ce que disent les résultats sur les marchés réels

Le cadre est testé sur plusieurs années de données quotidiennes provenant des trois bourses, les années antérieures servant à l’entraînement et l’année la plus récente étant strictement réservée aux tests. Sur des marchés allant du relativement calme (Hubei) à l’extrêmement volatile (Shenzhen), le modèle affiche une forte précision de prévision, avec un coefficient de détermination d’environ 0,94 et des erreurs moyennes relativement faibles. Il surpasse une longue liste d’alternatives, y compris des modèles profonds traditionnels et des systèmes de pointe basés sur Transformer conçus pour la prévision de longues séquences. Des expériences d’ablation soignées montrent que la suppression de n’importe quel composant — prétraitement du bruit, mécanisme d’attention, optimiseur ou couche blockchain — affaiblit soit la performance prédictive, soit les propriétés liées à la gouvernance. Des tests statistiques confirment que les gains par rapport aux modèles concurrents sont peu susceptibles d’être dus au hasard.

Ce que cela implique pour l’avenir des marchés du carbone

D’un point de vue grand public, ce travail propose une « prévision météo » des prix du carbone plus intelligente et plus fiable. En combinant nettoyage des données, reconnaissance des motifs, optimisation intelligente et suivi sécurisé de l’origine des données, le système proposé transforme des enregistrements de marché désordonnés en perspectives de prix plus stables et plus interprétables. Bien que l’étude actuelle soit limitée à trois bourses chinoises et à des données historiques, l’approche ouvre la voie à des outils de prévision qui pourraient aider les entreprises à gérer les risques financiers liés au climat, assister les régulateurs dans la conception de politiques carbone plus stables et, finalement, soutenir une transition plus fluide vers une économie bas‑carbone.

Citation: 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

Mots-clés: marchés du carbone, prévision des prix, apprentissage profond, données blockchain, politique climatique