Maskininlärningsmätning av koldioxidutsläpps finansiella risker

Viktiga resultat som projektet gav

Syftet har varit att studera hur maskininlärningsmetoder kan användas för att bestämma kostnaden för koldioxidutsläpp och risken att kostnaden ökar. Genom att förbättra optimeringsmodellerna som mäter kostnadsterminsstrukturen för framtida utsläpp, skattningen av stokastiska processer och bestämmer optimala beslut har signifikanta förbättringar erhållits. Det leder till en bättre förståelse av de systematiska riskerna, riskmätning och riskhantering för utsläppsrättigheter.

Långsiktiga effekter som förväntas

Anpassningen av modellen för att mäta terminsstrukturen förväntades leda till noggrannare mätningar, bättre modellering av riskerna på terminsmarknaderna för utsläppsrätter och förbättrad riskhantering. Vid validering med historisk data kan signifikanta förbättringar observeras. Via prestationshärledning kan förbättringen härledas till att en mer kostnadseffektiv hedge identifierats där riskexponeringen är begränsad.

Upplägg och genomförande

I samarbete med Handelsbanken, SEB och Swedbank har modellerna validerats och vidareutvecklats för att bli mer realistiska. Optimering ger både verktyget för att identifiera förbättringar och för att validera att förbättringarna erhålls när de tillämpas i praktiken. Genom systematiskt operationsanalytiskt tillvägagångssätt kan osäkerheten som finns i verkliga problemfrågeställningar hanteras, för att identifiera optimeringsmodeller som verkligen fungerar bättre i praktiken. Vi har genom projektet etablerat ett samarbete där vi kan förbättra modelleringen.