본 연구는 한국 탄소배출권 거래시장의 가격에 대한 것이다. 배출권 거래시장에서의 가격은 시장의 작동 메커니즘을 견인하는 가장 중요한 요인이므로, 이에 대한 연구는 배출권 거래제도의 운영 실태 전반을 이해하고 거래시장의 중요 정보를 획득하는데 도움을 준다. 그런데 기존의 연구는 배출권 거래시장의 설계자인 정책입안자의 관점 중심으로 이루어져 실제 시장에 참여하는 다수의 기업들에 도움이 될만한 정보를 제공하지 못하였고, 가격 예측의 문제를 다룬 경우는 거의 없었다. 이에 본 연구는 배출권 거래시장 참여기업들에게 배출권 관련 ...
본 연구는 한국 탄소배출권 거래시장의 가격에 대한 것이다. 배출권 거래시장에서의 가격은 시장의 작동 메커니즘을 견인하는 가장 중요한 요인이므로, 이에 대한 연구는 배출권 거래제도의 운영 실태 전반을 이해하고 거래시장의 중요 정보를 획득하는데 도움을 준다. 그런데 기존의 연구는 배출권 거래시장의 설계자인 정책입안자의 관점 중심으로 이루어져 실제 시장에 참여하는 다수의 기업들에 도움이 될만한 정보를 제공하지 못하였고, 가격 예측의 문제를 다룬 경우는 거의 없었다. 이에 본 연구는 배출권 거래시장 참여기업들에게 배출권 관련 의사결정에 참고할만한 배출권 가격에 대한 설명변수와 그 변수를 통하여 일단위의 배출권 가격 예측을 수행할 수 있는 모형을 제시하는 것을 목적으로 한다. 본 연구는 가격 결정요인과 가격 예측모형을 모두 다룬다는 점에서 기존 연구와 차이점이 있으며, 그 두 가지 과제를 유기적으로 연결하여 연구를 수행함으로써 기존 연구와 다른 시사점을 주는 결과를 도출했다는 점에서 특별하다.
본 연구의 종속변수는 한국 배출권 거래제도의 할당배출권(KAU) 가격으로서, 연구대상 기간은 한국 배출권 거래제도 제2차 계획기간(´18∼´20) 할당배출권의 주거래기간이며 설명변수는 기존 연구들을 참고하여 배출권 시장 펀더멘탈로 구성을 하였다. 다만, 한국 배출권 거래제도의 특성과 시장참여자의 특성을 반영한 변수들을 새롭게 추가하였다. 경제상황 변수로서 광공업생산지수, KRX철강지수, KRX에너지화학지수를, 제도 변수로서 배출권 거래제도 운영절차와 정부의 정책 발표, 경매 실행을 새로운 변수로 구성하였다. 연구방법으로는 가격 결정요인 분석은 OLS 회귀분석을, 가격 예측모형은 전통적 시계열 예측모형인 ARIMA와 딥러닝에서 시계열 예측에 사용하는 RNN계열 모형들을 사용한다. 특히, 가격 예측을 위해 Dual Attention 기반의 RNN(DA-RNN)을 연구방법으로 채택하여 가격 결정요인으로 도출된 설명변수가 가격 예측의 문제에 있어, 어떻게 반영되며 해석할 수 있는지에 대한 근거를 마련하여 연구의 설명력을 높였다.
연구 결과, 한국 배출권 가격 결정요인으로는 배출권 가격의 시차변수와 거래량, 석탄가격, 광공업생산지수, 경매변수가 선정되었다. 에너지가격 변수의 석탄가격과 경제상황 변수인 광공업생산지수는 새롭게 구성한 변수로서, 에너지가격과 경제상황이 한국 배출권 가격에 영향을 준다는 분석 결과는 본 연구의 새로운 발견이다. 가격 예측은 ARIMA보다 딥러닝의 RNN계열의 모형들이 예측 오차가 적은 것으로 나타났고, DA-RNN이 가장 낮은 RMSE를 산출하여 최종모형으로 선정되었다. DA-RNN의 Attention Mechanism을 통한 설명변수 해석에 있어서는 광공업생산지수와 경매변수가 상대적으로 높은 중요도를 나타내었다. 두 변수는 본 연구에서 새롭게 구성한 변수이며, 시장 내부요인이 아닌 외생변수이다. 이로서 한국 배출권 시장이 이제 초기 시범단계를 지나 시장 가격을 형성하는 펀더멘탈이 고루 작동하는 발전된 단계로 성장하였다고 볼 수 있다. 배출권 거래에 참여하는 기업들이 본 연구의 가격 결정요인을 해당 기업의 특성과 상황에 맞게 참고하고, 본 연구에서 제시한 해석가능한 가격 예측모형을 보완하여 사용한다면 배출권 가격 의사결정에 충분한 도움이 될 것으로 기대한다.
본 연구는 한국 탄소배출권 거래시장의 가격에 대한 것이다. 배출권 거래시장에서의 가격은 시장의 작동 메커니즘을 견인하는 가장 중요한 요인이므로, 이에 대한 연구는 배출권 거래제도의 운영 실태 전반을 이해하고 거래시장의 중요 정보를 획득하는데 도움을 준다. 그런데 기존의 연구는 배출권 거래시장의 설계자인 정책입안자의 관점 중심으로 이루어져 실제 시장에 참여하는 다수의 기업들에 도움이 될만한 정보를 제공하지 못하였고, 가격 예측의 문제를 다룬 경우는 거의 없었다. 이에 본 연구는 배출권 거래시장 참여기업들에게 배출권 관련 의사결정에 참고할만한 배출권 가격에 대한 설명변수와 그 변수를 통하여 일단위의 배출권 가격 예측을 수행할 수 있는 모형을 제시하는 것을 목적으로 한다. 본 연구는 가격 결정요인과 가격 예측모형을 모두 다룬다는 점에서 기존 연구와 차이점이 있으며, 그 두 가지 과제를 유기적으로 연결하여 연구를 수행함으로써 기존 연구와 다른 시사점을 주는 결과를 도출했다는 점에서 특별하다.
본 연구의 종속변수는 한국 배출권 거래제도의 할당배출권(KAU) 가격으로서, 연구대상 기간은 한국 배출권 거래제도 제2차 계획기간(´18∼´20) 할당배출권의 주거래기간이며 설명변수는 기존 연구들을 참고하여 배출권 시장 펀더멘탈로 구성을 하였다. 다만, 한국 배출권 거래제도의 특성과 시장참여자의 특성을 반영한 변수들을 새롭게 추가하였다. 경제상황 변수로서 광공업생산지수, KRX철강지수, KRX에너지화학지수를, 제도 변수로서 배출권 거래제도 운영절차와 정부의 정책 발표, 경매 실행을 새로운 변수로 구성하였다. 연구방법으로는 가격 결정요인 분석은 OLS 회귀분석을, 가격 예측모형은 전통적 시계열 예측모형인 ARIMA와 딥러닝에서 시계열 예측에 사용하는 RNN계열 모형들을 사용한다. 특히, 가격 예측을 위해 Dual Attention 기반의 RNN(DA-RNN)을 연구방법으로 채택하여 가격 결정요인으로 도출된 설명변수가 가격 예측의 문제에 있어, 어떻게 반영되며 해석할 수 있는지에 대한 근거를 마련하여 연구의 설명력을 높였다.
연구 결과, 한국 배출권 가격 결정요인으로는 배출권 가격의 시차변수와 거래량, 석탄가격, 광공업생산지수, 경매변수가 선정되었다. 에너지가격 변수의 석탄가격과 경제상황 변수인 광공업생산지수는 새롭게 구성한 변수로서, 에너지가격과 경제상황이 한국 배출권 가격에 영향을 준다는 분석 결과는 본 연구의 새로운 발견이다. 가격 예측은 ARIMA보다 딥러닝의 RNN계열의 모형들이 예측 오차가 적은 것으로 나타났고, DA-RNN이 가장 낮은 RMSE를 산출하여 최종모형으로 선정되었다. DA-RNN의 Attention Mechanism을 통한 설명변수 해석에 있어서는 광공업생산지수와 경매변수가 상대적으로 높은 중요도를 나타내었다. 두 변수는 본 연구에서 새롭게 구성한 변수이며, 시장 내부요인이 아닌 외생변수이다. 이로서 한국 배출권 시장이 이제 초기 시범단계를 지나 시장 가격을 형성하는 펀더멘탈이 고루 작동하는 발전된 단계로 성장하였다고 볼 수 있다. 배출권 거래에 참여하는 기업들이 본 연구의 가격 결정요인을 해당 기업의 특성과 상황에 맞게 참고하고, 본 연구에서 제시한 해석가능한 가격 예측모형을 보완하여 사용한다면 배출권 가격 의사결정에 충분한 도움이 될 것으로 기대한다.
This study is about the carbon price in the Korean Emissions Trading System(K-ETS). Price in the emissions trading system is the most important factor driving the operating mechanism of the market, so study on this helps to understand the overall operational status of the emissions trading system an...
This study is about the carbon price in the Korean Emissions Trading System(K-ETS). Price in the emissions trading system is the most important factor driving the operating mechanism of the market, so study on this helps to understand the overall operational status of the emissions trading system and obtain important information on the trading market. However, existing study focused on the perspective of policymakers, designers of the emissions trading system, and did not provide information that could help many companies participating in the actual trading, and rarely dealt with the problem of price forecasting. Therefore, the purpose of this study is to present companies participating in the K-ETS with explanatory variables for carbon prices that can be referenced for emissions trading decision-making and a model that can forecast carbon price on a daily basis. This study differs from existing studies in that it deals with both price drivers and price forecasting models, and it is special in that the two tasks were organically linked to conduct study, resulting in different implications from existing studies.
The dependent variable of this study is the price of Korean Allowance Unit(KAU) of the K-ETS, The study target period is the main transaction period of Phase Ⅱ(´18∼´20) of the K-ETS, and explanatory variables are composed of emissions trading market fundamentals by referring to existing studies. However, variables that reflect the characteristics of the K-ETS and the characteristics of trading participants were newly added. Index of Manufacturing Production, KRX Steel Index, and KRX Energy Chemical Index were composed of new variables as economic activities variables, and emissions trading system operation procedures, government policy announcements, and auction execution as institutional decisions variables. As a study method, OLS regression analysis is used for price drivers analysis, and ARIMA, a traditional time series forecasting model, and RNN-type models used for time series forecasting in deep learning are used for the price forecasting model. In particular, by adopting Dual-stage Attention-based RNN (DA-RNN) as a study method for price forecasting, the explanatory variable derived as a price drivers was reflected and interpreted in the problem of price forecasting, thereby enhancing the explanatory power of the study.
As a result of the study, time-lag variables of price, transaction volume, coal price, index of Manufacturing Production, and auction variables were selected as factors that determine the carbon price in the K-ETS. The coal price of the energy price variable and the index of Manufacturing Production, which are economic activities variables, are newly constructed variables, and a new discovery in this study is that energy prices and economic activities affect carbon prices. For price forecasting, RNN-type models of deep learning had fewer forecasting errors than ARIMA, and DA-RNN was selected as the final model by calculating the lowest RMSE. In the interpretation of explanatory variables through DA-RNN's Attention Mechanism, index of Manufacturing Production and auction variables showed relatively high importance. The two variables are newly constructed variables in this study and are exogenous variables, not market internal factors. As a result, it can be seen that the K-ETS has now passed the initial pilot stage and has grown to an advanced stage in which the fundamentals that form carbon price operate evenly. If companies participating in the K-ETS refer to the price drivers of this study according to the characteristics and circumstances of the company, and supplement the interpretable price forecasting model presented in this study, it can be expected to be sufficiently helpful in decision-making related to carbon price.
This study is about the carbon price in the Korean Emissions Trading System(K-ETS). Price in the emissions trading system is the most important factor driving the operating mechanism of the market, so study on this helps to understand the overall operational status of the emissions trading system and obtain important information on the trading market. However, existing study focused on the perspective of policymakers, designers of the emissions trading system, and did not provide information that could help many companies participating in the actual trading, and rarely dealt with the problem of price forecasting. Therefore, the purpose of this study is to present companies participating in the K-ETS with explanatory variables for carbon prices that can be referenced for emissions trading decision-making and a model that can forecast carbon price on a daily basis. This study differs from existing studies in that it deals with both price drivers and price forecasting models, and it is special in that the two tasks were organically linked to conduct study, resulting in different implications from existing studies.
The dependent variable of this study is the price of Korean Allowance Unit(KAU) of the K-ETS, The study target period is the main transaction period of Phase Ⅱ(´18∼´20) of the K-ETS, and explanatory variables are composed of emissions trading market fundamentals by referring to existing studies. However, variables that reflect the characteristics of the K-ETS and the characteristics of trading participants were newly added. Index of Manufacturing Production, KRX Steel Index, and KRX Energy Chemical Index were composed of new variables as economic activities variables, and emissions trading system operation procedures, government policy announcements, and auction execution as institutional decisions variables. As a study method, OLS regression analysis is used for price drivers analysis, and ARIMA, a traditional time series forecasting model, and RNN-type models used for time series forecasting in deep learning are used for the price forecasting model. In particular, by adopting Dual-stage Attention-based RNN (DA-RNN) as a study method for price forecasting, the explanatory variable derived as a price drivers was reflected and interpreted in the problem of price forecasting, thereby enhancing the explanatory power of the study.
As a result of the study, time-lag variables of price, transaction volume, coal price, index of Manufacturing Production, and auction variables were selected as factors that determine the carbon price in the K-ETS. The coal price of the energy price variable and the index of Manufacturing Production, which are economic activities variables, are newly constructed variables, and a new discovery in this study is that energy prices and economic activities affect carbon prices. For price forecasting, RNN-type models of deep learning had fewer forecasting errors than ARIMA, and DA-RNN was selected as the final model by calculating the lowest RMSE. In the interpretation of explanatory variables through DA-RNN's Attention Mechanism, index of Manufacturing Production and auction variables showed relatively high importance. The two variables are newly constructed variables in this study and are exogenous variables, not market internal factors. As a result, it can be seen that the K-ETS has now passed the initial pilot stage and has grown to an advanced stage in which the fundamentals that form carbon price operate evenly. If companies participating in the K-ETS refer to the price drivers of this study according to the characteristics and circumstances of the company, and supplement the interpretable price forecasting model presented in this study, it can be expected to be sufficiently helpful in decision-making related to carbon price.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.