CEEMDAN分解と多スケールエントロピー再構成に基づくRF‑LSTMによる炭素価格予測

なぜ炭素価格が誰にとっても重要なのか

政府や企業が二酸化炭素排出の権利に対して支払う価格は、目に見えにくくともエネルギー料金やクリーン技術への投資、さらには気候対策の進み具合に影響を与えます。しかし、炭素価格は政治、天候、市場に左右されて複雑に変動します。本研究は炭素価格をより正確に予測する新たな手法を提示し、政策立案者、企業、投資家が低炭素の将来をより適切に計画するのに役立ちます。

騒がしい気候市場を解きほぐす

EUの排出量取引制度や中国の地域パイロットのような炭素取引制度は、コストを最小にして温室効果ガスを削減するために作られました。現実には、これらの価格は滑らかではなく、規則の変更や景気循環、期待の変化に反応して動きます。従来の統計モデルはこのような不規則で非定常な挙動に苦戦します。標準的なニューラルネットワークのような現代のAIでも、急激な価格変動時に重要なパターンを見落としたり不安定になったりします。著者らは、この種のデータを理解するには、高度な予測手法を適用する前にまず価格履歴をより単純な構成要素に分解する必要があると論じています。

価格を隠れたリズムに分解する

新しいアプローチの第一の柱はCEEMDANと呼ばれる手法で、ギザギザした炭素価格曲線をいくつかのより滑らかな成分に分解します。それぞれは日々の急速な揺れからゆっくりした長期トレンドまで、異なる動きのリズムを表します。これらの成分を個別に扱う代わりに、研究者らは多スケールエントロピーという指標を用いて各成分の時系列にわたる複雑さを評価します。類似した複雑さを持つ成分をグループ化して再構成することで、雑音や冗長性を削減し、モデルがランダムな変動に惑わされずに予測に重要なパターンに集中できるようにします。

二つの機械学習を組み合わせる

炭素価格シリーズが洗練され再編成された後、本研究は異なるタスクに強みを持つ二つの機械学習手法を組み合わせます。ランダムフォレストモデル—多数の単純な決定木のアンサンブル—は、価格が素早く予測困難に跳ねる高周波グループに割り当てられます。ランダムフォレストは鋭い短期的変動をとらえつつ過学習しにくい特徴があります。中長期のトレンドを捉えるより滑らかなグループには、長短期記憶（LSTM）ネットワークを用います。LSTMは時間を通じたパターンの記憶に適した再帰型ニューラルネットワークです。それぞれの手法を専門化させて出力を再結合することで、ハイブリッドなRF–LSTMシステムは市場の即時の揺れとより広い方向性の両方を追跡することを目指します。

市場に合わせて動かし性能を検証する

現実の予測のやり方を反映するために、著者らはローリングウィンドウ方式を採用します。モデルは初期の過去データで学習し短期予測を行い、その後ウィンドウを前方に移動してこのサイクルをシリーズの終わりまで繰り返します。これによりモデルが未来データを「のぞき見」することを防ぎ、市場の構造変化に適応できるようになります。フレームワークは中国湖北省の炭素市場とEU制度の長い時系列データでテストされ、標準的な誤差指標と、価格の上昇・下降を正しく当てた頻度を数える方向性精度指数が使われます。ハイブリッドモデルは、古典的な時系列手法やTransformerや注意機構を用いた最近の深層学習設計を含む多くのベンチマーク手法よりも一貫して誤差が小さく方向性精度が高い結果を示しました。

意思決定に向けた精度と速度のバランス

極めて高精度なモデルは実行に時間とコストがかかることがあるため、著者らは予測誤差と計算時間を組み合わせた複合スコアを導入します。精度と速度にどれだけ重みを置くかを調整することで、より単純なモデルで十分な場合と、より洗練されたハイブリッド手法が明らかに有利になる場合を示します。湖北とEUの両方の市場では、精度に中程度以上の重みを与えると、新しいRF–LSTMフレームワークが最良となりました。一般読者への要点は、この手法が炭素価格のより信頼できる「天気予報」を提供し、市場参加者や規制当局が投資指針、リスク管理、気候政策の設計に使える、鋭くかつ実用的なツールを提供するということです。

引用: Wang, H., Li, Y. RF-LSTM carbon price prediction based on CEEMDAN decomposition and multiscale entropy reconstruction. Sci Rep 16, 5230 (2026). https://doi.org/10.1038/s41598-026-35085-5

キーワード: 炭素価格, 排出権取引, 機械学習, 時系列予測, 気候政策