📈 economics

Policy-State Gated Regime Dynamics in European Emission Allowance Futures

Diese Arbeit zeigt, dass beobachtbare Politik- und Marktvariablen zwar die Regimeübergangswahrscheinlichkeiten von europäischen Emissionszertifikatsfutures effektiv erklären, heavy-tailed GARCH-Modelle jedoch letztlich das vorgeschlagene Markov-Switching-Framework bei der Echtzeit-Dichtevorhersage und Risikokalibrierung übertreffen.

Ursprüngliche Autoren: wanyok Attisattapong, Pasin Marupanthorn

Veröffentlicht 2026-07-01

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: wanyok Attisattapong, Pasin Marupanthorn

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich den europäischen Kohlenstoffmarkt wie ein riesiges, hochriskantes Spiel „Monopoly“ vor, bei dem Unternehmen jedoch statt Immobilien „Verschmutzungsgenehmigungen“ (genannt EU-Emissionszertifikate oder EUAs) kaufen und verkaufen. Der Preis dieser Genehmigungen bewegt sich nicht einfach nur zufällig auf und ab; er springt zwischen zwei unterschiedlichen „Modi“ oder Regimen hin und her:

Der „Ruhemodus“: Alles ist stabil, der Handel verläuft stetig und die Preise bewegen sich langsam.
Der „Sturmmodus“: Panik bricht aus, die Preise schwanken wild und der Markt ist unter Stress.

Die meisten Finanzmodelle versuchen, diese Preisschwankungen vorherzusagen, indem sie nur die vergangenen Preise selbst betrachten – wie ein Wetterfrosch, der nur das Thermometer betrachtet, um einen Sturm vorherzusagen.

Die Kernidee dieser Arbeit
Die Autoren, Wanyok Attisattapong und Pasin Marupanthorn, argumentieren, dass man, um zu verstehen, wann der Markt vom „Ruhemodus“ in den „Sturmmodus“ wechselt, die Tore betrachten muss, die die Tür zwischen diesen beiden Räumen kontrollieren. Sie entwickelten ein spezielles Modell, das fragt: „Welche spezifischen Signale öffnen die Tür zum Sturm?“

Sie fanden heraus, dass vier spezifische „Torwächter“ bestimmen, wie wahrscheinlich ein Sturm ist:

Der Preis selbst: Ist der aktuelle Preis im Vergleich zu seiner jüngeren Geschichte ungewöhnlich hoch oder niedrig?
Der „Überschuss“-Bericht (TNAC): Ein offizieller Regierungsbericht, der zählt, wie viele zusätzliche Verschmutzungsgenehmigungen in der Bank liegen.
Energiestress: Wie volatil ist der Preis für Erdgas? (Da Gas und Kohlenstoff miteinander verknüpft sind, folgen die Kohlenstoffpreise oft den Gaspreisen, wenn diese extrem schwanken).
Handelsvolumen: Wie viele Menschen kaufen und verkaufen gerade hektisch?

Wie das Modell funktioniert (Die Analogie)
Betrachten Sie das Modell als eine intelligente Ampel für den Kohlenstoffmarkt.

Alte Modelle: Sie raten nur, wann die Ampel auf Rot springt, bas-ierend darauf, wie schnell die Autos in der Vergangenheit gefahren sind.
Dieses neue Modell: Es schaut auf das Bedienfeld der Ampel. Es sieht, dass die Ampel morgen wahrscheinlicher auf Rot springt (also in den Hochstressmodus wechselt), wenn der „Überschuss-Bericht“ besagt, dass zu viele Genehmigungen vorhanden sind oder wenn die „Gaspreise“ in die Höhe schnellen.

Die Forscher haben dies getestet, indem sie Daten von 2019 bis 2026 in ihr Modell einspeisten. Sie wollten sehen, ob das Wissen um diese vier „Torwächter“-Variablen ihnen half, die Stimmung des Marktes besser vorherzusagen als nur die Betrachtung der vergangenen Preisvolatilität.

Was sie herausgefunden haben

Der „Sturm“ ist real: Sie bestätigten, dass der Kohlenstoffmarkt definitiv diese zwei unterschiedlichen Stimmungen hat (Ruhe vs. Sturm). Ein einfaches Modell, das davon ausgeht, dass der Markt immer gleich bleibt, funktioniert nicht.
Die Torwächter zählen: Als sie die vier Variablen (Überschuss, Gas, Volumen, Preis) zu ihrem Modell hinzufügten, lieferten sie eine bessere Erklärung dafür, warum der Markt die Stimmung wechselte. Zum Beispiel sagte das Modell korrekt einen höheren Prozentsatz an Wahrscheinlichkeit voraus, dass der Markt in einen stressigen Zustand gerät, wenn die offizielle „Überschuss“-Zahl stieg.
Der Haken (Das „Wetterfrosch-Problem“): Obwohl ihr Modell hervorragend darin war, die Vergangenheit zu erklären und die Gründe für den Stress zu verstehen, war es nicht unbedingt besser darin, die Zukunft vorherzusagen, als die Standard-Mathematikmodelle (genannt GARCH-Modelle), die bereits von Finanzhändlern verwendet werden.
- Analogie: Ihr Modell ist wie ein Mechaniker, der Ihnen genau sagen kann, warum Ihr Automotor ein seltsames Geräusch macht (z. B. „Der Gasdruck ist zu hoch“). Die alten Modelle sind wie ein Mechaniker, der einfach nur weiß, dass der Motor ein Geräusch machen wird, basierend darauf, wie laut er gestern war. Das neue Modell liefert Ihnen eine bessere Geschichte und Erklärung, aber es sagt den exakten Moment, in dem das Geräusch auftritt, nicht unbedingt besser voraus als die alten Werkzeuge.

Das Fazit
Diese Arbeit behauptet nicht, ein magisches Kristallkugel zu besitzen, die Kohlenstoffpreise perfekt vorhersagt. Stattdessen bietet sie eine bessere Landkarte. Sie zeigt, dass die Stresslevel des Marktes nicht zufällig sind; sie sind direkt mit beobachtbaren Dingen wie Regierungsberichten über Überschüsse, Energiepreisen und Handelsaktivitäten verknüpft.

Für jeden, der versucht, den Kohlenstoffmarkt zu verstehen, ist dies wertvoll, da es die Verbindung zwischen politischen Entscheidungen (wie dem Überschuss-Bericht) und Marktpanik herstellt und so einen verwirrenden Finanzwert in eine klarere, logischere Geschichte verwandelt.

Technische Zusammenfassung: Policy-State Gated Regime Dynamics in europäischen Emissionszertifikats-Futures

Problem und Motivation
Europäische Emissionszertifikate (EUA) sind einzigartige Finanzwerte, die durch regulatorische Politik statt durch natürliche Knappheit entstehen. Ihre Renditedynamik wird durch ein komplexes Zusammenspiel von regulatorischen Angebotsplänen (insbesondere der Marktstabilitätsreserve oder MSR), Compliance-Nachfrage, Fuel-Switching-Anreizen und finanziellem Handelsaktivität getrieben. Während die bestehende Literatur bereits etabliert hat, dass EUA-Renditen nicht-gaußsche Merkmale, Volatilitätscluster und Regimedependenz aufweisen, scheitern Standard-Modelle latenter Markov-Wechselmodelle oft daran, diese unbeobachteten Zustände mit den spezifischen beobachtbaren Politik- und Marktvariablen zu verknüpfen, die den EU-ETS definieren.

Das Kernproblem, das hier adressiert wird, ist, ob die Übergangswahrscheinlichkeiten zwischen Low-Stress- und High-Stress-Renditeregimen explizit als Funktion beobachtbarer Politikzustandsvariablen (Überschuss), Energiemarkt-Stress und Handelsaktivität modelliert werden können, anstatt sie lediglich aus vergangenen Renditen abzuleiten. Die Autoren argumentieren, dass ein „Policy-State Gated“-Ansatz notwendig ist, um das Bewegungsgesetz der EUA-Renditen unter sich ändernden Marktdesigns, insbesondere nach den Reformen des EU-ETS im Jahr zig 2023, zu verstehen.

Methodik
Die Arbeit schätzt ein Zwei-Zustands-Modell mit zeitvariabler Übergangswahrscheinlichkeit (TVTP) für tägliche EUA-Futures-Renditen. Das Modell ist wie folgt spezifiziert:

Zustandsdynamik: Die Rendite $r_{t+1}$ folgt einer bedingten Normalmischverteilung basierend auf einem latenten Zustand $Z_t \in \{0, 1\}$ , wobei Zustand 0 ein Low-Stress-Regime und Zustand 1 ein High-Stress-Regime darstellt. Die Zustände unterscheiden sich primär durch die bedingte Volatilität ( $\sigma_0 < \sigma_1$ ).
Policy-State Gating: Im Gegensatz zu Standard-Latent-Markov-Modellen, bei denen die Übergangswahrscheinlichkeiten konstant sind, hängt das Übergangsgesetz hier von einem Vektor beobachtbarer Gate-Variablen $G_t = (\tilde{s}_t, \tilde{\tau}_t, \tilde{g}_t, \tilde{v}_t)'$ $G_{t} = (\tilde{s}_{t}, \tilde{τ}_{t}, \tilde{g}_{t}, \tilde{v}_{t})^{'}$ ab:
- $\tilde{s}_t$ : Eine standardisierte, marktimplizierte Preiszustands-Proxy (rollierendes Perzentil der EUA-Preise).
- $\tilde{\tau}_t$ : Standardisierte Gesamtzahl der im Umlauf befindlichen Zertifikate (TNAC), das offizielle Maß für den Überschuss, das für MSR-Operationen verwendet wird.
- $\tilde{g}_t$ : Standardisierte 21-Tage-annualisierte Volatilität der niederländischen TTF-Gaspreise (Energiemarkt-Stress).
- $\tilde{v}_t$ : Standardisierter Log-Volumen der EUA-Futures (Marktaktivität).
Übergangsgleichung: Die Wahrscheinlichkeit, in einen Zustand zu verbleiben oder in einen zu wechseln, wird über eine logistische Funktion modelliert:
$p_{i0,t} = \Lambda(a_{i0} + b_{i0}^{(s)}\tilde{s}_t + b_{i0}^{(\tau)}\tilde{\tau}_t + b_{i0}^{(g)}\tilde{g}_t + b_{i0}^{(v)}\tilde{v}_t)$
wobei $\Lambda$ die logistische Funktion ist. Diese Struktur ermöglicht es, dass sich die Übergangswahrscheinlichkeiten dynamisch basierend auf beobachtbaren Marktbedingungen verschieben.
Schätzung und Evaluierung: Das Modell wird mittels Maximum-Likelihood-Schätzung unter Verwendung des Hamilton-Filters auf einer gemeinsamen Stichprobe vom 15. Mai 2019 bis zum 28. Mai 2026 geschätzt. Die Autoren verwenden eine verschachtelte Modellvergleichsstrategie, die vom Gaußschen IID-Benchmark über ein latentes Markov-Modell bis hin zur vollständigen Policy-Gated-Spezifikation fortschreitet.
Benchmarks: Das vorgeschlagene Modell wird rigoros verglichen mit:
- Latenten Markov-Modellen mit konstanten Übergangswahrscheinlichkeiten.
- Verschachtelten (nested) Markov-Modellen mit Teilmengen der Gate-Variablen.
- Heavy-Tailed GARCH-Familien-Benchmarks (Student-t GARCH, GJR-GARCH, EGARCH), um die Leistungsfähigkeit der Dichteprognose zu testen.
Validierung: Die Evaluierung umfasst Common-Sample-Likelihood (AIC/BIC), One-Step-Ahead-Stress-Ranking (AUC, Hit-Rates) und Held-out-Validierung mittels fester Train-Validation-Test-Splits, um die Echtzeit-Prognose-Dominanz zu bewerten.

Kernergebnisse

Regimedependenz: Die Daten lehnen ein Single-Regime-Gauß-Modell entschieden ab. Ein latentes Zwei-Regime-Markov-Modell verbessert die Anpassung (niedrigerer AIC) gegenüber dem IID-Benchmark signifikant und bestätigt, dass EUA-Renditen zustandsabhängig und heavy-tailed sind.
Wert beobachtbarer Gates: Innerhalb der Gaußschen Markov-Familie bietet das vollständige Policy-Gated-Modell die beste Anpassung (niedrigster AIC) im Vergleich zu latenten oder teilweise gegateten Modellen. Die Einbeziehung von TNAC, Gasvolatilität und Handelsaktivität liefert zusätzliche Informationen für das Übergangsgesetz. Dennoch übertrifft das vollständige Gate das latente Modell nicht hinsichtlich des BIC, und Heavy-Tailed GARCH-Modelle (Student-t Varianten) bleiben in Bezug auf die unbedingte Dichteanpassung (AIC und BIC) überlegen.
Ökonomische Interpretation der Koeffizienten:
- TNAC: Ein höheres TNAC (Überschuss) ist mit einer höheren Wahrscheinlichkeit assoziiert, vom Low-Stress- in den High-Stress-Zustand zu wechseln, wenngin der Effekt aufgrund der geringen Frequenz der TNAC-Updates mit weiten Unsicherheitsintervallen geschätzt wird.
- Gasvolatilität: Eine höhere TTF-Gasvolatilität ist der stärkste Treiber und erhöht signifikant die Wahrscheinlichkeit, in das High-Stress-Regime einzutreten und darin zu verbleiben.
- Handelsaktivität: Hohes Volumen scheint primtär als Persistenzmechanismus für den High-Stress-Zustand zu fungieren, anstatt nur ein einfacher Eintrittstrigger zu sein.
- Preiszustand: Die marktimplizierte Preis-Proxy zeigt asymmetrische Effekte: Sie erhöht die Stress-Eintrittswahrscheinlichkeit bei hohen Werten, erleichtert aber den Austritt aus dem Stress.
Prognoseleistung: In Common-Sample-Übungen übertrifft das Policy-Gated-Modell GARCH-Benchmarks moderat beim Ranking von absoluten Tail-Stress-Tagen (AUC ~0,70 vs. ~0,67). In der Held-out-Validierung (Krisen- und Post-Krisen-Perioden) übertreffen jedoch die GARCH-Modelle das Markov-Modell konsistent in Bezug auf Log-Scores, Brier-Scores und VaR-Kalibrierung. Das Markov-Modell etabliert keine Dominanz in der Echtzeitprognose.

Bedeutung und Ansprüche
Die Arbeit rahmt ihren Beitrag explizit als interpretativ und assoziativ ein, nicht als kausal oder universell prädiktiv.

Interpretativer Wert: Der primäre Beitrag besteht darin, zu zeigen, dass beobachtbarer Politik-Überschuss (TNAC), Energievolatilität und Marktaktivität statistisch mit dem Timing und der Persistenz von EUA-Renditeregimen assoziiert sind. Dies bietet eine transparente Abbildung von EU-ETS-institutionellen Variablen auf die Wahrscheinlichkeit von Marktstress, was latente Modelle nicht leisten können.
Begrenzte Prognoseansprüche: Die Autoren behaupten bescheiden, dass das Policy-Gated-Modell zwar die Regimeklassifizierung und die ökonomische Interpretation verbessert, es jedoch nicht mit Heavy-Tailed-Volatilitätsmodellen für die Dichteprognose oder das Echtzeit-Risikomanagement ersetzen kann. Das Modell wird als Werkzeug präsentiert, um das Bewegungsgesetz von Regimes unter spezifischen Politik- und Marktbedingungen zu verstehen, und nicht als überlegener eigenständiger Prognose-Engine.
Politische Relevanz: Die Ergebnisse legen nahe, dass das „Endgame“ des EU-ETS, gekennzeichnet durch strengere Obergrenzen und MSR-Interventionen, ein Marktumfeld schafft, in dem Regimewechsel durch beobachtbare Politik- und Energieschocks getrieben werden, was Modelle erforderlich macht, die diese Zustandsvariablen explizit einbeziehen.

Zusammenfassend lässt sich sagen, dass die Arbeit erfolgreich ein Regime-Switching-Modell konstruiert, bei dem die Übergangswahrscheinlichkeiten durch beobachtbare EU-ETS-Variablen „gegatet“ werden, was ein tieferes ökonomisches Verständnis der Kohlenstoffmarktdynamik ermöglicht, während gleichzeitig anerkannt wird, dass traditionelle Volatilitätsmodelle für die reine Dichteprognose robuster bleiben.

Mehr davon