实测打脸！碳价预测AI跑输随机游走，方向准确率58.6%却成最强基线
Toward Explainable and Policy-Aware AI for Carbon Credit Price Prediction: A Research Framework for Emerging Carbon Markets
📖 AI 总结
该论文针对碳信用价格预测领域提出研究框架，指出现有研究集中于欧盟和中国碳市场、将政策文本压缩为情绪分数、且缺乏校准与解释稳定性等十项不足。作者构建了EPA-CarbonNet六层架构，通过交叉注意力融合市场序列与政策文本，并输出校准区间和政策归因解释。基于11年标普碳指数日度数据的测试结果总体偏负面：随机游走模型在五日RMSE上优于该模型（0.0365对0.0475），SHAP排序在不同背景下的相关性仅为0.54，政策注意力与已记录的政策事件无重合；但方向准确率达58.6%，优于所有基线。研究以如实报告负面结果的方式，揭示了碳价预测中政策文本融合与可解释性面临的现实挑战，为新兴碳市场建模提供了方法论参考。
🔑 关键词速览
| EPA-CarbonNet | 一种六层神经网络架构，用于融合市场数据与政策文本，实现碳信用价格预测，并带有可解释性。 |
| cross-attention | 一种注意力机制，允许模型在不同输入序列（如市场数据与政策文本）之间建立关联。 |
| SHAP | 一种基于博弈论的解释方法，用于量化每个特征对模型预测的贡献。 |
| random walk | 一种假设价格变动不可预测的基准模型，常用于评估预测模型的有效性。 |
| RMSE | 均方根误差，衡量预测值与实际值之间差异的常用指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅