Prognozowanie wahań cen dwutlenku węgla za pomocą adaptacyjnej dwukanałowej sieci neuronowej z residualną uwagę zoptymalizowanej algorytmem white shark oraz prowiencją danych opartą na blockchain

Dlaczego prognozy cen emisji mają znaczenie dla życia codziennego

Rynki emisji dwutlenku węgla są jednym z głównych narzędzi polityki walki ze zmianami klimatu. Nadają cenę emisjom gazów cieplarnianych, zachęcając firmy do mniejszego zanieczyszczania i inwestowania w czystsze technologie. Jednak ceny na tych rynkach zmieniają się w złożony sposób, co utrudnia firmom, inwestorom i rządom planowanie. Badanie przedstawia nową metodę bardziej dokładnego i wiarygodnego prognozowania cen węgla, mającą na celu zmniejszenie niepewności w decyzjach finansowych związanych z klimatem.

Problem gwałtownych wahań cen węgla

Systemy handlu uprawnieniami do emisji pozwalają firmom kupować i sprzedawać pozwolenia na emisję, przekształcając zanieczyszczenie w towar wymienny. Gdy ceny są zbyt niestabilne, przedsiębiorstwa mają trudności z budżetowaniem przyszłych kosztów, a twórcom polityki trudniej jest projektować stabilne regulacje klimatyczne. Na ceny wpływają nie tylko podstawowe mechanizmy podaży i popytu, lecz także zmieniające się regulacje, ceny energii, cykle gospodarcze czy sentymenty w wiadomościach. Te czynniki sprawiają, że ruchy cen są silnie nieliniowe i zaszumione, więc tradycyjne metody prognozowania często nie trafiają punktów zwrotnych lub reagują zbyt wolno na szoki.

Ograniczenia obecnych narzędzi prognostycznych

Naukowcy próbowali wielu zaawansowanych metod opanowania tej złożoności — od rozkładania szeregu cen na gładsze podsygnały po stosowanie modeli uczenia głębokiego i algorytmów optymalizacyjnych inspirowanych przyrodą. Metody dekompozycji redukują szum przez podział szeregu cen na kilka składników, które prognozuje się osobno, a następnie łączy. Modele głębokiego uczenia, takie jak hybrydy sieci konwolucyjnych i rekurencyjnych czy architektury w stylu Transformera, potrafią wychwycić złożone wzorce czasowe. Metaheurystyczne optymalizatory, inspirowane stadami zwierząt lub zachowaniami drapieżników, poszukują dobrych ustawień modelu poza prostą metodą gradientową. Jednak istniejące podejścia zwykle rozwiązują tylko część problemu: mogą radzić sobie albo z szumem, albo z złożonymi wzorcami, albo z optymalizacją, rzadko ze wszystkimi trzema jednocześnie. Często pomijają też wiarygodność i przejrzystość danych rynkowych.

Połączenie drogi od danych do wiarygodnych prognoz

Autorzy proponują zintegrowane ramy nazwan e ADRGPNN‑WSO, które łączą kilka koncepcji w jednym potoku. Najpierw surowe dzienne dane handlowe z trzech głównych chińskich giełd węgla (Hubei, Szanghaj i Shenzhen) są oczyszczane za pomocą metody dopasowania rozmytego, która wypełnia brakujące wartości i ogranicza wpływ wartości odstających. Równocześnie surowe zapisy są przytwierdzane do specjalnego rodzaju blockchainu zaprojektowanego tak, by umożliwiać kontrolowane korekty przy jednoczesnym zachowaniu kryptograficznego śladu audytowego. Tylko rekordy, których cyfrowe odciski palców zgadzają się z blockchainem, są dopuszczane do modelu, co zapewnia, że prognozy opierają się na wiarygodnych danych, a nie na zmanipulowanych wejściach.

Jak działa inteligentny silnik prognostyczny

Po weryfikacji i oczyszczeniu dane trafiają do niestandardowej sieci neuronowej składającej się z dwóch ściśle powiązanych części. Jedna część to struktura dwukanałowa, która przetwarza dwa strumienie wskaźników technicznych równolegle, naśladując sposób, w jaki neurony biologiczne reagują na impulsy w czasie. Pomaga to modelowi uchwycić zarówno krótkoterminowe skoki, jak i długoterminowe trendy cenowe w takich wskaźnikach jak cena otwarcia, wolumen obrotu czy tempo zmian. Druga część to moduł residualnej uwagi, który grupuje cechy i uczy się „skupiać” silniej na najbardziej informacyjnych wzorcach cen i wolumenu, jednocześnie utrzymując stabilność trenowania w głębszych sieciach. Na to nakłada się optymalizator „white shark”, metaheurystyka inspirowana zachowaniem drapieżnego rekina, który dostraja liczne parametry sieci. Optymalizator ten ma za zadanie szeroko eksplorować przestrzeń poszukiwań na początku, a następnie zawężać obszary obiecujące, zmniejszając ryzyko utknięcia w słabych rozwiązaniach.

Co wyniki mówią o rynkach rzeczywistych

Ramy testowano na kilkuletnich dziennych danych z trzech giełd, przy czym wcześniejsze lata służyły do trenowania, a najnowszy rok był zarezerwowany wyłącznie do testów. W rynkach od relatywnie spokojnego (Hubei) po wysoce zmienny (Shenzhen) model osiąga wysoką dokładność prognozowania, z współczynnikiem determinacji około 0,94 i stosunkowo niskimi średnimi błędami. Przewyższa on długą listę alternatyw, w tym tradycyjne modele głębokiego uczenia i nowoczesne systemy oparte na Transformerach zaprojektowane do prognozowania długich sekwencji. Starannie przeprowadzone eksperymenty ablacji wykazują, że usunięcie któregokolwiek elementu — wstępnej obróbki szumu, mechanizmu uwagi, optymalizatora czy warstwy blockchain — osłabia albo wydajność predykcyjną, albo właściwości związane z zarządzaniem. Testy statystyczne potwierdzają, że uzyskane przewagi nad konkurencyjnymi modelami są mało prawdopodobne do przypisania przypadkowi.

Co to oznacza dla przyszłości rynków węglowych

Z perspektywy osoby niebędącej ekspertem, praca ta oferuje mądrzejszą i bardziej niezawodną „prognozę pogody” dla cen węgla. Poprzez połączenie oczyszczania danych, rozpoznawania wzorców, inteligentnej optymalizacji i bezpiecznego śledzenia pochodzenia danych, proponowany system przekształca chaotyczne zapisy rynkowe w stabilniejsze i bardziej czytelne prognozy cen. Choć obecne badanie ogranicza się do trzech chińskich giełd i danych historycznych, podejście to wskazuje drogę do narzędzi prognostycznych, które mogą pomóc firmom zarządzać ryzykami finansowymi związanymi z klimatem, wspierać regulatorów w tworzeniu stabilniejszych polityk węglowych i w efekcie ułatwiać płynniejsze przejście do gospodarki niskoemisyjnej.

Cytowanie: 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

Słowa kluczowe: rynki węglowe, prognozowanie cen, uczenie głębokie, dane blockchain, polityka klimatyczna