Quantile Time-Frequency Higher-Moment Risk Spillovers and Multilayer Networks: Bridging Climate Risks to Carbon, Energy, and Metals Markets

Technische Zusammenfassung: Quantil-Zeit-Frequenz-Höherer-Moment-Risiko-Spillovers und mehrschichtige Netzwerke

Problemstellung
Die bestehende Literatur hat die Spillover-Effekte von Klimarisiken (physische und Transitionsrisiken) auf die Renditen und Volatilitäten von Kohlenstoff-, Energie- und Metallmärkten umfassend untersucht. Es bleibt jedoch eine signifikante Lücke in dem systematischen Verständnis dieser Interaktionen, wenn man höhere Moment-Risiken (Schiefe und Kurtosis) berücksichtigt, welche Asymmetrie, Tail-Risiken und extreme Volatilität erfassen. Darüber hinaus können traditionelle ein-schichtige Netzwerkmodelle die Heterogenität der Informationsübertragung über verschiedene Marktbedingungen (Bull, Bear, Normal) und Zeit-Frequenz-Domänen hinweg nicht vollständig abbilden. Diese Studie adressiert diese Lücken, indem sie die Quantil-Zeit-Frequenz-Verbindungen zwischen dem physischen Klimarisiko (PRI), dem Transitionsrisiko (TRI) und den Risiko-Renditen, Volatilitäten, Schiefe- und Kurtosis-Werten der Kohlenstoff-, Energie- und Metallmärkte untersucht.

Methodik
Die Studie verwendet einen mehrstufigen methodischen Rahmen:

1. Messung der Risiko-Höherer-Momente: Das Modell der verallgemeinerten autoregressiven bedingten Heteroskedastizität mit Schiefe und Kurtosis (GJRSK) wird eingesetzt, um die bedingte Volatilität, Schiefe und Kurtosis der Zielmärkte zu quantifizieren.
2. Quantil-Zeit-Frequenz-Konnektivität: Die Analyse integriert das Quantil-Vektor-Autoregressive (QVAR) Modell mit der Baruník-und-Kehlík (BK) Frequenz-Konnektivitätsmethode. Dies ermöglicht die Untersuchung von Spillover-Effekten über verschiedene Quantile (0,1, 0,5, 0,9) und Frequenzbänder (kurzfristig: 1–22 Tage; langfristig: >22 Tage) hinweg.
3. Konstruktion von mehrschichtigen Netzwerken: Ein 12-schichtiges Informationsnetzwerk wird konstruiert, das die Schichten für Rendite, Volatilität, Schiefe und Kurtosis unter drei Marktzuständen (extremer Abwärtstrend, Normalzustand, extremer Aufwärtstrend) umfasst.
4. Netzwerkmetriken:
   • Systemebene: Global Efficiency (GE) und Average Connectedness Strength (ACS) messen die Effizienz des Informationsaustauschs und die Risikointensität. Inter-Layer-Korrelationen werden mittels Edge Overlapping, Deg-deg Pearson/Spearman-Koeffizienten und Shortest Path Similarity bewertet.
   • Marktebene: Der durchschnittliche Überlapp der In-Strength, Out-Strength und Net-Strength charakterisiert die Konnektivität einzelner Knoten.
5. Daten: Die Stichprobe umfasst tägliche Daten vom 1. Juli 2015 bis zum 29. Dezember 2023, bestehend aus PRI- und TRI-Indizes, ICE-EUA Kohlenstofffutures, Brent-Rohöl, Erdgas, dem S&P Global Clean Energy Index sowie Futures für acht Metalle (Gold, Silber, Kupfer, Aluminium, Zink, Blei, Nickel, Zinn).

Zentrale Beiträge

• Ganzheitliche Systemanalyse: Im Gegensatz zu früheren Studien, die Klimarisiken und spezifische Märkte isoliert betrachteten, integriert diese Forschung die Klimarisiken in ein einheitliches Kohlenstoff-Energie-Metall-System, einschließlich traditioneller und sauberer Energien sowie edler und unedler Metalle.
• Methodische Integration: Die Studie kombelt die Modellierung höherer Momente mit der Quantil-Zeit-Frequenz-Analyse. Dieser duale Ansatz ermöglicht die Identifizierung von kurzfristigen und langfristigen Spillover-Systemen unter extremen negativen und positiven Auswirkungen und liefert Erkenntnisse über die intertemporale Abhängigkeitsstruktur der Tails.
• Mehrschichtiger Netzwerkrahmen: Durch die Konstruktion eines 12-schichtigen Netzwerks geht die Studie über einfache ein-schichtige Rendite-/Volatilitätsanalysen hinaus. Sie präsentiert gleichzeitig mehrere Risiko-Metriken (Rendite, Volatilität, Schiefe, Kurtosis) über variierende Marktzustände hinweg und bietet so eine granularere Sicht auf die komplexe finanzielle Systeminterkonnektivität.

Kernergebnisse

• Signifikanz höherer Momente: Während das Ausmaß der Spillover-Effekte höherer Momente (Schiefe und Kurtosis) geringer ist als das von Renditen und Volatilitäten, sind sie statistisch signifikant und weisen zeitvariante Charakteristika auf.
• Zeit-Frequenz-Dynamik:
  • Rendite-, Schiefe- und Kurtosis-Spillovers werden primär durch kurzfristige Dynamiken (Hochfrequenz) getrieben.
  • Volatilitäts-Spillovers konzentrieren sich weitgehend auf die langfristige Ebene (Niederfrequenz).
  • Die Korrelationen zwischen Klimarisiken und Märkten sind in extremen Marktszenarien signifikant stärker als unter Normalbedingungen.
• Rollenumkehrungen und Netto-Spillovers:
  • Metallmärkte: Nehmen generell eine führende Position als Informationsüberträger (Spillover-Sender) im System ein, insbesondere bei Risiken niedrigerer Momente. Ihre Rolle verschiebt sich jedoch während extremer Marktabwärtsbewegungen zu Netto-Empfängern für Risiken höherer Momente.
  • Klimarisiken: Unter Normalbedingungen agieren PRI und TRI primär als Spillover-Empfänger. Während Marktabwärtsbewegungen (Bear-Phasen) wandeln sie sich jedoch zu Netto-Übertragern langfristiger Risiken.
  • Extreme Ereignisse: Ereignisse wie die COVID-19-Pandemie und der Russland-Ukraine-Konflikt lösen eine schnelle Intensivierung der Spillover-Effekte aus und können die Richtung der Netto-Spillovers umkehren (z. B. werden Kohlenstoffmärkte während der Pandemie zu Netto-Beitragenden).
• Netzwerktopologie:
  • Die Kontagionsgeschwindigkeit von Risiken höherer Momente ist schneller als die von Risiken niedrigerer Momente.
  • In Aufwärtsmärkten (Bull-Phasen) verlangsamt sich der Informationsaustausch zwischen Klimarisiken und Märkten, trotz engerer Verbindungen.
  • Strukturelle Konfigurationen unterscheiden sich signifikant zwischen den Schichten; beispielsweise teilt das Kurtosis-Netzwerk am 0,9-Quantil weniger Kanten mit anderen Schichten, was auf eine geringe strukturelle Ähnlichkeit hindeutet.

Bedeutung und Ansprüche
Das Paper behauptet, dass seine Ergebnisse ein umfassenderes Verständnis der Verknüpfungsmechanismen zwischen Klimarisiken und Finanzmärkten liefern. Indem es nachweist, dass auf Risiken höherer Momente basierende Kontagionsnetzwerke günstigere Bedingungen für Kontagion bieten als solche, die nur auf niedrigeren Momenten basieren, argumentiert die Studie, dass die bestehende Literatur, die sich nur auf Renditen und Volatilitäten konzentriert, die tatsächlichen Risikoübertragungsdynamiken nicht vollständig widerspiegeln kann.

Die Ergebnisse bieten einen spezifischen Wert für:

• Investoren: Durch die Hervorhebung der Notwendigkeit eines „Multi-Moment + Multi-Szenario“-Risikomanagement-Frameworks und die Identifizierung von Metallmärkten (z. B. Kupfer, Nickel) als wichtige Frühwarnindikatoren für Risiken.
• Politikgestalter: Durch die Offenlegung der Asymmetrie der Spillover-Effekte über Marktzustände hinweg, was differenzierte Strategien nahelegt (z. B. Überwachung der Ölvolatilität in Bull-Märkten und Prävention der Übertragung von Klimarisiken in Bear-Märkten).
• Regulierungsbehörden: Durch die Betonung der Notwendigkeit einer marktübergreifenden kooperativen Aufsicht und der Einrichtung von Echtzeit-Überwachungsplattformen für Schiefe- und Kurtosis-Risiken, um aktuelle Aufsichtslücken zu schließen.