Previsão dos Preços Spot dos Sistemas de Comércio Eletrônico da União Europeia Fase 4 Usando Modelos Híbridos de Aprendizado Profundo Baseados em Dados: Integrando Energia e Atividade do Mercado como Controles

RESUMO Em meio ao foco na mitigação das mudanças climáticas, este estudo explora a previsão do mercado de carbono. Este estudo utiliza uma estrutura híbrida de previsão que integra decomposição de modelo empírico, rede de memória de longo e curto prazo bidirecional (BiLSTM) e mecanismo de atenção para melhorar o desempenho preditivo dos preços spot do carbono dentro do Sistema de Comércio de Emissões da União Europeia (EU ETS). O modelo decompõe os preços de carbono não estacionários em múltiplas funções de modo intrínseco (IMF) que representam cada componente de frequência distinto. A previsão a nível de IMF permite o aprendizado da dependência temporal e da volatilidade. O modelo final reconstrói os sinais para apresentar a previsão geral. As múltiplas iterações que incluem uma seleção de variáveis macroeconômicas levaram ao valor final do erro quadrático médio (RMSE) de 4,59, o que demonstra que o BiLSTM supera uma configuração convencional de memória de longo e curto prazo (LSTM). Este estudo também melhora o modelo ao incluir variáveis macroeconômicas exógenas e choques de políticas para aumentar a precisão preditiva. A análise de explicações aditivas de Shapley (SHAP) também identificou as características e variáveis importantes. O intervalo de confiança visualizado confirma a confiabilidade das previsões. As descobertas do estudo destacam a eficácia da integração da decomposição de sinal com aprendizado profundo e a inclusão de fatores exógenos. Este estudo oferece insights práticos para reguladores e pesquisadores envolvidos no mercado de emissões e financiamento climático.