CEEMDAN ayrıştırması ve çok ölçekli entropi yeniden inşası temelinde RF‑LSTM karbon fiyatı tahmini

Karbon fiyatlarının herkes için neden önemi var

Hükümetler ve şirketler karbondioksit salma hakkı için ödeme yaptıkça, bu emisyonların fiyatı enerji faturalarını, temiz teknolojiye yapılan yatırımları ve hatta iklim eyleminin hızını sessizce şekillendirir. Ancak karbon fiyatları siyaset, hava durumu ve piyasalar tarafından yönlendirilen karmaşık biçimlerde dalgalanır. Bu çalışma, politika yapıcılara, işletmelere ve yatırımcılara düşük karbonlu bir geleceğe daha iyi plan yapmaları için karbon fiyatlarını daha doğru öngörmenin yeni bir yolunu sunuyor.

Gürültülü bir iklim pazarını çözümlemek

Avrupa Birliği Emisyon Ticaret Sistemi ve Çin’deki bölgesel pilotlar gibi karbon ticaret sistemleri, sera gazlarını en düşük maliyetle azaltmak için oluşturuldu. Ancak uygulamada, bunların fiyatları hiç de düzgün değildir: değişen kurallara, ekonomik döngülere ve değişen beklentilere tepki verirler. Geleneksel istatistiksel modeller bu tür düzensiz, durağan olmayan davranışlarla zorlanır. Standart sinir ağları gibi modern yapay zeka araçları bile önemli desenleri gözden kaçırabilir veya fiyatlar hızla dalgalandığında kararsız hale gelebilir. Yazarlar, bu tür verileri anlamlandırmanın, gelişmiş tahmin araçlarını uygulamadan önce fiyat geçmişini daha basit yapı taşlarına ayırmayı gerektirdiğini savunuyor.

Fiyatları gizli ritimlere ayırmak

Yeni yaklaşımın ilk direği, düzensiz bir karbon fiyat eğrisini birkaç daha düzgün bileşene ayıran CEEMDAN adlı bir yöntemdir; her biri hızlı günlük titreşimlerden yavaş, uzun vadeli trendlere kadar farklı bir hareket ritmini temsil eder. Araştırmacılar bu bileşenlerin hepsini ayrı ayrı işlemek yerine, her bileşenin farklı zaman ölçeklerindeki karmaşıklığını değerlendirmek için çok ölçekli entropi adı verilen bir ölçüyü kullanır. Benzer karmaşıklığa sahip bileşenler gruplanır ve birkaç daha net sinyal halinde yeniden inşa edilir. Bu adım, gürültü ve gereksiz yinelemeyi azaltır; modelin rastgele dalgalanmalardan ziyade gerçekten tahmin için önemli desenlere odaklanmasını sağlar.

İki makine öğrenimi beynini eşleştirmek

Karbon fiyatı serisi temizlenip yeniden gruplanınca, çalışma birbirinden farklı görevlerde üstün olan iki makine öğrenimi yöntemini birleştirir. Çok sayıda basit karar ağacından oluşan bir ansamble olan random forest (rastgele orman) modeli, fiyatların hızlı ve öngörülemez şekilde sıçradığı en yüksek frekanslı gruba atanır. Rastgele ormanlar, aşırı uyum sağlama riskini sınırlayarak keskin, kısa vadeli hareketleri yakalamada iyidir. Orta ve uzun vadeli trendleri yakalayan daha düzgün gruplar için yazarlar, zaman içinde desenleri hatırlamak üzere tasarlanmış yinelemeli bir sinir ağı türü olan uzun kısa süreli bellek (LSTM) ağını kullanır. Her yöntemin uzmanlaşmasına izin verip sonra çıktıları yeniden birleştirerek, melez RF–LSTM sistemi hem anlık dalgalanmaları hem de karbon piyasasının daha geniş yönünü izlemeyi amaçlar.

Piyasayla uyum sağlamak ve performansı test etmek

Gerçek dünya tahminlerinin işleyişini yansıtmak için yazarlar kayan zaman penceresi şemasını benimser. Model, başlangıçtaki bir tarihsel veri aralığında eğitilir, kısa vadeli bir tahmin yapar, sonra pencereyi ileri kaydırır ve dizi sonuna ulaşana kadar döngüyü tekrarlar. Bu, modelin gelecekteki verilere "peeking" yapmasını önler ve piyasadaki yapısal değişikliklere uyum sağlamasına olanak verir. Çerçeve, Çin’deki Hubei karbon pazarı ve AB sistemi üzerine uzun zaman serileri üzerinde, standart hata ölçüleri ve fiyat hareketinin (yukarı mı aşağı mı) ne sıklıkta doğru tahmin edildiğini sayan bir yön doğruluk endeksi kullanılarak test edilir. Melez model, klasik zaman serisi araçları ve Transformers ile dikkat tabanlı ağlar gibi daha yeni derin öğrenme tasarımları da dahil olmak üzere çeşitli kıyas yöntemlere göre tutarlı biçimde daha düşük hatalar ve daha yüksek yön doğruluğu üretir.

Gerçek kararlar için doğruluk ve hız arasında denge kurmak

Aşırı derecede hassas modellerin çalıştırılmasının yavaş ve maliyetli olabileceği göz önünde bulundurularak, yazarlar tahmin hatasını hesaplama süresiyle harmanlayan bileşik bir puan tanıtır. Doğruluk ile hız arasında ne kadar ağırlık verileceğini ayarlayarak, daha basit modellerin ne zaman yeterli olabileceğini ve ne zaman daha sofistike melez yaklaşımın açıkça avantaj sağladığını gösterirler. Hem Hubei hem de AB pazarlarında doğruluğa makul bir ağırlık verildiğinde yeni RF–LSTM çerçevesi en iyi sonucu verir. Genel okuyucu için temel çıkarım, bu yöntemin karbon fiyatları için daha güvenilir bir "hava tahmini" sunmasıdır; piyasa katılımcılarına ve düzenleyicilere yatırımları yönlendirmek, riski yönetmek ve iklim politikalarını tasarlamak için daha keskin ama hâlâ pratik bir araç sağlar.

Atıf: 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

Anahtar kelimeler: karbon fiyatlandırması, emisyon ticareti, makine öğrenimi, zaman serisi tahmini, iklim politikası