EnglishisÍslenska

Member institutions

Search in


ThesisReykjavík University>Tækni- og verkfræðideild>MSc verkefni>

Please use this identifier to cite or link to this item: http://hdl.handle.net/1946/9911

Titles
  • Predicting the Price of EU ETS Carbon Credits: A Correlation, Principal Component and Latent Root Approach

  • is

    Verðþróun losunarheimilda á ETS-markaði Evrópusambandsins: Fylgni-, meginþátta- og eigingildagreining

Published
May 2011
Abstracts
  • The aim of this thesis is to examine what drives the changes in the price of carbon credits in the European Union’s Emission Trading Scheme (EU ETS) and to make predictions based on these relationships. The study, which is based on the British energy market and global equity indices, starts with a large dataset which is reduced in dimension using correlation and principal component analysis. Predictions are then made by multiple linear regression, principal component regression and latent root regression. Correlation is the preferred dimension reduction technique to be followed by principal component regression. Certified emission reduction units (CERs) are shown to be the only same-day market relationship which provides useful predictions of European Union Allowance prices (EUAs), however this relationship is lost when data is lagged by one business day. No significant correlation is found between EUAs and the UK power market and the theoretical price of carbon credits; switching price, is shown to be a poor indicator of the price of carbon credits. The latent root model shows a notable performance out-of-sample, capturing the overall trend of EUAs over the prediction horizon.

  • is

    Rannsókn þessi heitir á íslensku: Verðþróun losunarheimilda á ETS-markaði Evrópusambandsins: Fylgni-, meginþátta- og eigingildagreining. Markmiðið með rannsókninni er að kanna hvaða þættir hafa áhrif á verðbreytingar gengis losunarheimilda á markaði Evrópusambandsins (EU ETS) og byggja spálíkön á þeim samböndum. Rannsóknin, sem byggir á breskum orkumarkaði og alþjóðlegum hlutabréfavísitölum, notast við stórt gagnasafn sem síðan er minnkað með tveimur tölfræðilegum aðferðum: fylgnigreiningu og meginþáttagreiningu (e. Principal Component Analysis). Spálíkön eru svo byggð með margfaldri línulegri aðhvarfsgreiningu (e. Multiple Linear Regression), meginþátta-aðhvarfsgreiningu (e. Principal Component Regression) og eigingilda-aðhvarfsgreiningu (e. Latent Root Regression). Fylgnigreiningin reyndist besta aðferðin til að minnka vídd gagnanna fyrir samdægurssambönd. Svo skyldi beita meginþátta-aðhvarfsgreiningu á hið minnkaða gagnasafn. Gengi CERs hefur mikla samdægursfylgni við gengi losunarheimilda (e. EUAs), en þetta samband hverfur þegar gögnum er seinkað um einn dag. Enga fylgni mátti greina milli gengis losunarheimilda og gengis raforku á breskum markaði. Ennfremur reyndist hið fræðilega verð losunarheimilda (e. switching price) ekki góður mælikvarði á verðþróun losunarheimilda. Eigingilda-líkanið sýndi ágæta frammistöðu þegar það var prófað á nýjum gögnum, sem höfðu ekki verið notuð við afhvarfsgreiningu, þar sem líkanið nær að endurspegla heildarstefnu verðþróunar losunarheimildanna á spátímabilinu.

Comments
is

Fjármálaverkfræði

Issued Date
01/09/2011


Artifacts
Name[Sortable]Size[Sortable]Visibility[Sortable]Description[Sortable]Format
MSc Thesis Heida N... .pdf1.62MBOpen Complete Text PDF View/Open