Hybrid-Ansatz senkt Fehler bei CO₂-Preisprognosen um bis zu 70 %

Die präzise Vorhersage von CO₂-Preisen ist entscheidend für die Gestaltung nachhaltiger Energiepolitik und die Planung von Dekarbonisierungsmaßnahmen. Trotz intensiver Forschung bleiben die Prognosen wegen häufiger struktureller Brüche und hochfrequenter Marktstörungen oft ungenau.

In einer neuen Studie wurde ein umfassendes Hybridmodell entwickelt, das drei Schritte kombiniert: die Erkennung von strukturellen Bruchpunkten mit den Algorithmen Bai‑Perron, ICSS und PELT, die Signalreduktion mittels Wavelet‑Denoising und die Vorhersage durch moderne Deep‑Learning‑Architekturen – LSTM, GRU und TCN. Durch die Integration dieser Komponenten entsteht ein nahtloser Workflow, der Denoising und Modellierung in einem Schritt vereint.

Die Analyse stützt sich auf EU‑Allowances (EUA) Spot‑Preise von 2007 bis 2024 sowie auf exogene Variablen wie Energiepreise und politische Indikatoren. Für die Bewertung wurden sowohl univariate als auch multivariate Datensätze erstellt, um die Leistungsfähigkeit der Modelle unter unterschiedlichen Bedingungen zu prüfen.

Die Ergebnisse zeigen, dass das Modell PELT‑WT‑TCN die höchste Genauigkeit erzielt. Im Vergleich zum aktuellen Baseline‑Modell (Breakpoints mit Wavelet und LSTM) reduziert es die Fehler um 22,35 % im RMSE und 18,63 % im MAE. Im Vergleich zum ursprünglichen LSTM ohne Zerlegung aus derselben Studie sinken die Fehler um beeindruckende 70,55 % im RMSE und 74,42 % im MAE.

Diese Erkenntnisse unterstreichen die Bedeutung einer integrierten Herangehensweise an strukturelle Brüche und Rauschunterdrückung bei der CO₂‑Preisprognose. Das neue Hybridmodell bietet Entscheidungsträgern eine robuste Basis, um Marktveränderungen besser zu antizipieren und effektive Dekarbonisierungsstrategien zu entwickeln.