Market-implied time to transition to a low-carbon economy: a stochastic modelling and inference framework

Technische Samenvatting: Door de Markt Geïmpliceerde Tijd tot Overgang naar een Koolstofarme Economie

Probleemstelling
De overgang naar een koolstofarme economie omvat institutionele tijdlijnen (bijvoorbeeld de EU-doelstellingen voor 2030 en 2050) die door marktpartijen verschillend worden waargenomen. Hoewel financiële prijzen reflecties zijn van overtuigingen over toekomstige toestanden, is het inherent moeilijk om de specifieke timing van deze overgangen uit marktcijfers te halen, vanwege het latente karakter van de overgangsdatum en het ruis in waarneembare signalen. Bestaande literatuur heeft de omvang van de "greenium" (het rendementsspread tussen groene en conventionele obligaties) uitvoerig gemeten, maar er is minder aandacht besteed aan het gebruik van de termstructuur van de greenium om te infereren wanneer beleggers geloven dat de overgang effectief zal plaatsvinden. Dit artikel adresseert het probleem van het herwinnen van een door de markt geïmpliceerde "Tijd tot Overgang" (TtT) uit de verschillen in cross-maturiteit binnen de termstructuur van de greenium, en onderzoekt specifiek onder welke observatieschema's een dergelijke inferentie een structurele interpretatie toelaat.

Methodologie
De auteurs stellen een tweelaags analytisch raamwerk voor dat is gecentreerd rond een nieuw waarneembaar object, $X_t$, gedefinieerd als het verschil tussen de greenium op twee geselecteerde maturiteitsknopen (kort en lang) van twin-obligaties (obligaties die in alle financiële kenmerken identiek zijn, behalve hun "groene" label). Het artikel stelt dat $X_t$ een gemiddelde-reverterend proces volgt dat convergeert naar nul naarmate de overgang plaatsvindt, waarbij op dat moment de termstructuur van de greenium vlak wordt.

1. Regelgevingsdeadline-beperkt Model (RDCM):
   Het basismodel neemt een deterministische regelgevingsdeadline $T$ aan (bijvoorbeeld 2030). De dynamiek van $X_t$ wordt gemodelleerd als een lineaire stochastische differentiaalvergelijking (SDE) met tijdvariërende drift- en diffusiecoëfficiënten die afhankelijk zijn van de resterende tijd tot de deadline ($T-t$). Cruciaal is dat het model een structureel tijdstip $\tau < T$ incorporateert. Voor $\tau$ zijn de coëfficiënten constant; na $\tau$ nemen ze af als functies van $T-t$, waardoor het proces wordt gedwongen om de eindvoorwaarde $X_T = 0$ te bereiken.

   • Inferentie: Het model maakt gebruik van een exacte Gaussische brug-likelihood. Omdat het proces is geconditioneerd op een eindwaarde van nul, leiden de auteurs een telescopische representatie van de log-likelihood af, wat toelaatbare kalibratie via Maximum Likelihood Schatting (MLE) op een vast observatierooster mogelijk maakt.

2. Schakelend Regelgevingsdeadline-beperkt Model (SRDCM):
   Om heterogeniteit in waargenomen deadlines aan te pakken, breiden de auteurs het RDCM uit tot een regime-schakelend raamwerk. De waargenomen deadline wordt behandeld als een latente toestand die wordt geregeerd door een discreet-tijd Hidden Markov Model (HMM). Tussen observatiedatums volgt het proces een specifieke RDCM-dynamiek die geassocieerd is met het actieve regime (bijvoorbeeld een 2030-deadline versus een 2041-deadline).

   • Inferentie: Kalibratie wordt uitgevoerd met een Expectation-Maximization (EM) algoritme dat is aangepast aan deze structuur. De forward-backward recursies worden gewijzigd om rekening te houden met het feit dat het latente regime op tijdstip $t_{i-1}$ de brugdynamiek beheerst over het interval $(t_{i-1}, t_i]$. Dit maakt het filteren van posterieure kansen over concurrerende overgangsscenario's mogelijk.

3. Asymptotische Identificatie (Fixed-Horizon Infill):
   Het artikel onderzoekt de consistentie van het schatten van diffusieparameters onder een fixed-horizon infill asymptotisch schema (waarbij het aantal observaties $n \to \infty$ binnen een vast tijdsvenster $[t_0, l]$). Met behulp van $M_n$-contrastfuncties en consistentietheorie voor M-schatters analyseren de auteurs welke delen van de parameter ruimte identificeerbaar zijn.

   • Kernbevinding: Identificatie hangt af van of het observatievenster overlapt met het "afnamegebied" ($t > \tau$). Als het venster volledig voor $\tau$ ligt, zijn de post-afname parameters (die de vorm van convergentie beheersen) niet gezamenlijk identificeerbaar; alleen de pre-afname parameters zijn consistent schatbaar.

Kernresultaten

• Empirische Toepassing: Het raamwerk werd toegepast op dagelijkse data uit de Duitse soevereine twin-obligatiemarkt (september 2021 – januari 2025).
  • Een single-regime RDCM (met een 2031-deadline) slaagde er niet in de datadynamiek te vangen, zoals blijkt uit niet-normale residuen en een verworpen Kolmogorov-Smirnov test.
  • Een two-regime SRDCM (een 2031-deadline vergelijken met een 2041-deadline) leverde een aanzienlijk betere fit op (lagere AIC) en residuen die consistent waren met een normale verdeling.
  • De filterresultaten gaven aan dat voor het grootste deel van de observatieperiode, met name eind 2024, de markt de 2030-overgangsdeadline niet realistisch achtte, waarbij de waarschijnlijkheidsmassa verschuift naar het latere 2041-scenario.
• Theoretische Identificatie: Het artikel stelt vast dat onder fixed-horizon infill de diffusieparameters die geassocieerd zijn met het "zichtbare" deel van de traject (het gebied waar het proces actief is) consistent kunnen worden geschat. Echter, parameters die het convergentieprofiel beheersen (alleen actief na $\tau$) blijven onbepaald als het steekproef niet uitstrekt tot het post-$\tau$ gebied.

Betekenis en Bijdragen
Het artikel levert twee primaire bijdragen:

1. Een Nieuw Inferentieel Object: Het introduceert de "Tijd tot Overgang" (TtT) als een door de markt geïmpliceerde maatstaf afgeleid uit het cross-maturiteit greenium-verschil. In tegenstelling tot statische maten van groene premies, is TtT vooruitkijkend en vangt het de collectieve beleggersverwachting op wanneer het overgangsrisico wordt geneutraliseerd.
2. Een Toelaatbaar Inferentie Raamwerk: Het ontwikkelt een rigoureus stochastisch modelleer- en inferentieraamwerk (RDCM en SRDCM) dat exacte Gaussische brug-likelihoods combineert met regime-schakelend filteren. Dit maakt operationele monitoring van overgangstiming op dagelijkse roosters mogelijk.
3. Structurele Identificatieresultaten: Het artikel biedt noodzakelijke en voldoende voorwaarden voor de consistente schatting van diffusieparameters in deze setting. Het verduidelijkt dat structurele identificatie van concurrerende overgangsdata alleen mogelijk is wanneer het observatievenster de specifieke dynamiek van de convergentiefase (post-$\tau$) vastlegt.

De auteurs positioneren de Duitse twin-obligatiemarkt als een "gedisciplineerd laboratorium" voor deze inferentie, aangezien de identieke financiële kenmerken van de obligaties de informatieve inhoud van het groene label isoleren. Het werk verschuift de focus van het meten van het niveau van de groene premie naar de stochastische inferentie van latente temporele labels, en biedt een fundament voor een bredere theorie van door de markt geïmpliceerde overgangstiming.