独家 | 全解用Python建立能源市场算法交易的机器学习框架（附链接）

作者：SIMON KUTTRUF

翻译：笪洁琼

校对：冯羽

本文约4200字，建议阅读14分钟。

本文将基于机器学习运用Python对欧洲碳排放证书市场建立算法交易框架。

前言

人工智能的新突破每天都成为头条新闻。在金融领域，机器学习的广泛运用和强大的应用，客户们并不了解。事实上，很少有像金融行业那样具有深厚历史、清楚明了和结构化数据的领域——这使得它成为了“学习机器”的一个早期标志，在这个领域取得了巨大的成功，而且还在继续。

大约三年前，我参与了为能源市场的价格预测和算法交易开发机器学习（ML）模型，特别是在欧洲的碳排放证书市场。在这篇文章中，我想要分享一些我在我的ML项目中发现的相关知识、方法和见解。

我的重点不是在技术细节上，而是在模型选择背后的一般考虑因素，在经典的学术教科书或新技术的在线教程中很少讨论。

在算法交易的例子中，我展示了一些“交易技巧”，你可能会发现，当你把机器学习应用到现实生活中的环境中，比如一个孤独的求知者或者你的同事们，可能会觉得这是有用的。

能源交易市场

欧洲碳排放证书（EU ETS）的市场是在2005年京都议定书之后确立的，作为欧盟气候政策的一个重要支柱，通过一项“总量控制和贸易”计划对欧洲约一半的人为二氧化碳排放进行监管。这一机制为各国政府提供了控制温室气体排放总量的控制（“上限”），同时承认了对市场力量（“交易”）的排放权的有效分配。其基本理念是对污染定价：该计划所涵盖的每一个工业设施都必须被监测并报告其温室气体排放的确切数量，然后通过交付配额来抵消各自的排放量（以吨为单位）。

这些“污染权”被拍卖或免费发放给工业企业，然后可以在场外交易或在中央市场上进行交易，以便按需求和供应灵活定价。

由于环境政策的减排目标限制了每年的总供应量，一些污染者不得不选择减少污染的措施（“减排”），比如在烟囱里安装额外的过滤器。这些污染者的边际减排成本低于目前许可证的市场价格（例如，由于他们的特定的过滤设备很便宜），他们可以将多余的污染配额出售给那些面临更高边际减排成本的污染者，并获取利润。

在一个完全有效的排放交易市场中，许可证的均衡价格将以最终减排单位的边际减排成本为基础，以满足限额供应上限设定的总体减排目标。

考虑到具体行业的减排成本的不确定性，该工具允许政府控制排放总量，而排放许可证的实际价格则根据需求方市场力量的变化而波动，包括：

• 市场对未来政策变化的预期

• 即将举行的拍卖许可证的规模、价格和持续拍卖的覆盖比率（见图1）

• 市场参与者的投机

• 银行行为（一年内发放的许可证在同一政策阶段的所有年份都有效）