绿色股票与棕色股票的比较分析：不确定性指数对尾部风险预测的影响 安东尼奥·奈莫利（Antonio Naimoli）与朱塞佩·斯托尔蒂（Giuseppe Storti）

《Forecasting》：A Comparative Analysis of Green and Brown Stocks: The Impact of Uncertainty Indices on Tail-Risk Forecasting Antonio Naimoli and Giuseppe Storti

　　**亮点**

主要发现是什么？在1%的尾部风险预测水平上，无论是绿色股票还是棕色股票，过渡性气候风险都占据主导地位；而在2.5%的尾部风险预测水平上，地缘政治风险和经济政策不确定性分别成为绿色股票和棕色股票的主要驱动因素。

将不确定性指数纳入Realized-ES-CAViaR框架中，显著提高了VaR和ES的预测能力，其中简洁的两因子或三因子模型表现最佳。

这些主要发现意味着什么？在极端风险水平下，绿色和棕色股票都极易受到碳政策冲击的影响，这突显了将气候转型动态纳入投资组合风险评估中的重要性。风险管理和监管机构必须采用特定于资产和分位数的框架，因为不同的不确定性来源对绿色和棕色股票的尾部风险的影响强度和风险水平各不相同。

**摘要**

本文探讨了气候、地缘政治和经济政策不确定性指数是否能够改善绿色和棕色股票的Value-at-Risk（VaR）和Expected Shortfall（ES）预测。我们通过结合物理风险、过渡性气候风险、地缘政治风险和经济政策不确定性指数以及高低范围波动率估计器，扩展了Realized-ES-CAViaR框架。使用2012年1月至2024年12月期间iShares全球清洁能源ETF（ICLN）和iShares全球能源ETF（IXC）的日数据，通过回测程序、严格一致的评分规则和模型置信集方法，在1%和2.5%的风险水平上评估了不同的模型规格。结果表明，不同资产类别和分位数水平的风险指数在预测内容上存在显著差异。在1%的尾部风险预测水平上，过渡性气候风险对两种资产类别都占主导地位；而在2.5%的尾部风险预测水平上，地缘政治风险和经济政策不确定性分别成为绿色股票和棕色股票的主要因素。这些发现强调了不确定性冲击通过不同渠道传导至金融尾部风险的机制，对低碳转型期间的风险管理和监管监督具有直接意义。

**1. 引言**

全球向低碳经济的转型正在重塑金融市场的风险结构。气候变化、环境法规以及与脱碳相关的技术创新带来了新的、相互作用的不确定性来源，这些因素以不同的方式影响企业和投资者。对于那些受气候转型风险影响的资产而言，这些因素尤为重要，因为它们同时受到政策发展、地缘政治事件和宏观经济条件的影响。因此，理解气候转型动态如何传导至金融风险已成为投资者和监管机构关注的重点。

气候转型的一个重要影响是环境可持续（“绿色”）资产与化石燃料密集型（“棕色”）资产之间的日益增长的不平衡性。绿色企业和清洁能源投资通常预计将从脱碳政策和技术创新中受益，而棕色资产则面临监管收紧、资产搁浅风险以及投资者偏好变化的增加。越来越多的实证研究表明，与气候相关的冲击对这两类资产的影响是不对称的，这对回报和波动性有重要影响[1,2,3]。然而，这些影响可能在回报分布的尾部（即极端损失部分）表现不同。

极端金融损失的测量是风险管理、监管监督和投资组合配置的核心关注点。自全球金融危机以来，Value-at-Risk（VaR）和Expected Shortfall（ES）已成为量化尾部风险的核心指标，其中ES在巴塞尔III框架下的监管资本要求中发挥着关键作用[4]。尽管这些指标被广泛采用，但在高不确定性和结构变化期间，准确预测VaR和ES仍然具有挑战性，因为资产回报的分布可能显著偏离标准建模假设。

最近在计量经济学建模方面的进展通过开发一个同时建模VaR和ES的连贯框架解决了这些挑战。ES-CAViaR类模型在这方面迈出了重要一步，允许半参数估计尾部风险，同时确保两种风险度量之间的一致性[5]。为了进一步增强这些模型捕捉市场变化的能力，最近的扩展结合了来自高频数据的实现波动率度量，提供了有关波动率动态的额外信息，并提高了尾部风险预测的准确性[6,7]。

尽管传统VaR和ES预测模型被广泛使用，但它们往往无法完全捕捉尾部风险动态的复杂性，特别是在市场压力加剧的时期。越来越多的研究表明，外部风险因素（包括不确定性度量、情绪和宏观经济条件）包含有价值的预测信息，可以显著提高波动率和尾部风险预测的准确性[8,9,10,11]。这一认识激发了开发系统整合此类信息的模型的兴趣，同时保持适应市场变化的能力。

在可能驱动极端市场运动的多种风险来源中，三个因素最近特别受到关注：气候风险、地缘政治风险和经济政策不确定性。每个因素通过不同的渠道发挥作用，并可能以不同的强度影响金融市场的不同部分。气候风险通常分为物理风险和过渡风险。物理风险源于极端天气事件和长期气候变化，而过渡风险反映了向低碳经济转型的经济和金融后果[12]。基于文本的分析的最新发展使得能够构建捕捉这两个维度创新的高频指标。参考文献[13]提出了基于路透社新闻的每日物理风险（PRI）和过渡风险（TRI）指数，为金融市场提供了及时的气候风险冲击度量。多项研究强调了气候政策不确定性在绿色和棕色资产回报和波动率动态中的作用[14,15,16]。

地缘政治风险是另一个关键的风险维度，对波动率和尾部风险预测有深远影响。参考文献[17]将地缘政治风险定义为与战争、恐怖主义和破坏国际关系的紧张局势相关的威胁、事件发生和升级。通过自动文本分析主要国际报纸构建的地缘政治风险（GPR）指数可以实时捕捉地缘政治紧张局势的强度。近年来，地缘政治不确定性加剧，从美中贸易战（2018-2020年）到俄罗斯入侵乌克兰（2022年2月）和以色列-哈马斯冲突（2023年10月），影响了能源供应链、商品价格和金融市场[18,19,20,21]。

此外，经济政策不确定性（EPU）代表了另一种宏观金融风险来源，反映了围绕政府政策行动的不确定性。在气候和能源政策在塑造经济结果中起核心作用的背景下，这一渠道尤为重要。Baker等人[22]引入了一个基于报纸报道的广泛使用的EPU指数，捕捉与经济政策决策相关的不确定性。大量文献表明，政策不确定性显著影响股票回报、风险溢价、投资决策和市场波动性[23,24,25]。实证证据进一步表明，EPU还影响能源市场波动性和化石燃料市场与可再生能源市场之间的联系[26,27,28]。

在这个框架中，气候、地缘政治和政策不确定性度量可能包含传统基于波动率的模型无法捕捉的尾部风险预测的增量预测信息。由于绿色和棕色资产对监管和转型相关冲击的暴露程度不同，理解不确定性如何影响它们的尾部风险动态对于投资组合管理和金融稳定性评估至关重要。基于这些考虑，本文研究了气候、地缘政治和政策不确定性指数是否能够改善绿色和棕色资产的VaR和ES预测，以及它们的预测能力在不同资产类别和分位数水平上的差异。

本研究在几个方面为文献做出了贡献。首先，它提供了关于气候转型动态和不确定性冲击如何影响绿色和棕色股票金融尾部风险预测的新证据，超越了仅关注波动率度量的传统分析。其次，我们分析了物理气候风险、过渡气候风险、地缘政治风险和经济政策不确定性对绿色和棕色股票的VaR和ES动态的单独和综合影响，从而更深入地理解了不同类型风险如何根据资产特征不同地影响极端损失。第三，本文通过提出一个结合范围基波动率度量和一系列外部风险指数的增强型Realized ES-CAViaR模型，推进了尾部风险预测的方法论。该框架允许系统地纳入外生风险驱动因素，并可以灵活扩展到不同的资产类别和风险因素配置。所提出方法的一个重要特点是它能够调整影响风险指数的测量误差。具体来说，该模型结合了来自特定新闻的风险指数的特定领域波动率度量，通过专门的测量方程考虑了测量误差的发生，相应地调整了每个风险驱动因素对金融尾部风险预测的贡献。

最后，通过涵盖一个以重大气候协议、疫情中断和地缘政治冲突为特征的时间段，分析揭示了绿色和棕色资产在极端市场压力期间的不同脆弱性，为投资者、风险管理和政策制定者提供了重要见解。

我们的实证研究使用iShares全球清洁能源ETF（ICLN）和iShares全球能源ETF（IXC）的日数据作为绿色和棕色股票的代表性代理，时间跨度为2012年1月至2024年12月。这一样本期特别具有信息量，因为它涵盖了多次气候、地缘政治和政策不确定性加剧的时期，包括《巴黎协定》（2015年）、多次COP会议、美中贸易战、COVID-19疫情、俄罗斯入侵乌克兰和以色列-哈马斯冲突。具体来说，地缘政治风险通过[17]的每日GPR（GPRD）来衡量，气候风险通过[13]的物理（PRI）和过渡（TRI）风险指数来捕捉，经济政策不确定性通过[22]的EPU指数来衡量，波动率使用高低范围（HLR）估计器来估计。

VaR预测的准确性使用基于实证违规率（VR）和动态分位数（DQ）测试的标准回测程序进行评估[29]。通过分位数损失（QL）函数进一步评估了不同规格之间的预测准确性，该函数允许对替代VaR模型进行经济意义上的比较和排名。VaR和ES预测的联合评估依赖于[30]引入的严格一致评分函数类，并通过[31]的严格ES回归（ESR）回测进行了补充，提供了检测ES错误指定的强大诊断框架。最后，使用[32]的模型置信集（MCS）程序正式评估了预测性能的差异，该程序识别出无法与最佳性能规格统计区分的模型子集。

总体而言，实证结果揭示了不确定性和气候相关风险指标对绿色和棕色股票尾部风险预测的异质性影响。在1%的分位数水平上，过渡性气候风险成为两种资产类别极端风险的最具信息量的因素，突显了转型相关冲击在最严重市场条件下的重要性。在2.5%的分位数水平上，预测重要性在不同资产之间发生变化：地缘政治风险对绿色股票起核心作用，而经济政策不确定性成为棕色能源股票的关键驱动因素。这些发现表明，不确定性指数的信息内容不仅在风险水平上有所不同，而且在资产类别上也有所不同，表明不同的不确定性来源通过不同的渠道传导至金融尾部风险。

最后，我们的工作通过提供对各种风险因素对尾部风险影响的实时评估，为现有的气候风险预测文献做出了贡献。我们的结果清楚地显示了新闻和关键事件如何影响它们在生成风险预测中的重要性。

本文的其余部分组织如下。第2节回顾了VaR和ES，并介绍了用于它们联合评估的严格一致损失函数。第3节介绍了建模框架，第4节讨论了模型估计。第5节描述了数据和波动率及风险指数的构建。第6节报告了预测设计和实证结果。第7节对预测的准确性进行了实时评估，并讨论了在不同经济和政治条件下的不同风险来源的重要性。最后，第8节总结了本文。

**2. VaR、ES和评分函数**

**2.1. Value-at-Risk和Expected Shortfall**

风险管理是金融机构运营框架的基本组成部分。在可用于评估和控制市场风险的定量工具中，VaR已成为标准指标。

设???表示时间t可用的信息集，让?????(??)=??????(????≤??∣????1)表示在????1条件下回报????的累积分布函数（CDF）。在假设?????(·)在实数集?上严格递增且连续的情况下，给定风险水平?? ∈(0,1)时，时间t的一步预测??-level VaR正式定义为????,??=???1???(??)。尽管VaR被广泛采用，但它作为风险度量存在众所周知的缺点。特别是，它无法捕捉超过??阈值后的损失严重性，并且不满足次可加性属性，因此缺乏数学上的连贯性，可能会抑制投资组合的多样化。为了克服这些限制，参考文献[33]提出了ES作为一致的替代方案，用于量化在回报低于VaR阈值条件下的预期损失。最近的监管发展，特别是巴塞尔III协议，加强了ES作为市场风险度量主要指标的作用。一步预测的??-level ES定义为????的尾部条件期望，参见[34]等文献。???????,??=???(????∣????≤????,??;????1)。为了简化符号，除非另有说明，我们在本文中采用以下约定：????,?? ≡????和???????,?? ≡???????。

2.2. VaR和ES的一致评分函数
为了对VaR和ES进行一致估计，需要选择适当的目标函数。文献中提出了几种参数化的组合(????,???????)，这些参数可以通过最小化严格一致评分函数来一致估计。当关注点仅限于VaR时，一个自然的估计器是通过最小化分位数损失(QL)函数??????(????,????;??)=(???????)?(?????????)获得的，其中???? =???(????
3. VaR和ES预测的建模框架
参考文献[5]介绍了半参数ES-CAViaR模型家族，旨在联合描述VaR和ES的动态。在这个框架的基础上，参考文献[39]通过引入实现波动性度量作为尾部风险动态的代理，扩展了联合VaR-ES分位数回归方法，得到了ES-X-CAViaR-X规范????=??0+??1??????1+??2??????1,????=??0+??1??????1+??2??????1,???????=?????????，其中????表示实现的波动性度量，????是一个连接????和???????动态的加性、时变成分。施加约束??0 ≥0, ??1 ≥0和??2 ≥0以防止VaR和ES序列交叉。一些贡献通过引入实现波动性的测量方程来扩展了这个框架。Wang等人[6]引入了实现的ES-CAViaR模型，而Peiris等人[7]提出了更通用的实现-ES-CAViaR-M规范，该规范通过各自的测量方程适应了多种实现度量。实现-ES-CAViaR-M由log?(?????)=??+???log?(??????1)+??1??????1+??2???2???1+??′?????1, ????=??0+??1??????1+??′|??|???1, ???????=?????????, log?(????,??)=????+?????log?(?????)+????,1?????+????,2???2??+????,??,??=1,…,??给出，其中???? =????/????且K表示实现度量的数量，当K =1时简化为log-实现-ES-CAViaR模型。方程(6)–(9)分别对应于分位数方程、VaR–ES差分方程、ES方程和测量方程。方程(6)中的对数规范确保????保持严格负值，这是左尾建模所要求的，而约束??0 ≥0, ??1 ≥0和?? ≥0防止VaR和ES序列交叉。为了进一步提高预测性能，可以在模型中引入额外的回归量。遵循Naimoli[8]的方法，通过专门的测量方程包括与波动性或回报有动态关系的变量。本着这种精神，我们通过引入与气候、地缘政治和经济政策不确定性相关的各种风险指数的测量方程来扩展实现-ES-CAViaR-M框架。对于每个风险指数，我们计算一个可以视为波动性度量的原始指数的转换，例如指数的第一差分的绝对值。与普通的实现波动性度量一样，测量方程的作用是考虑可能影响波动性度量的测量误差，从而调整风险预测。

4. ES-CAViaR模型的估计
ES-CAViaR模型的参数估计是通过最大化第2节中介绍的AL拟似然来进行的。方程(4)中的AL对数评分的负值对联合对(????,???????)严格一致[30]，为VaR和ES的同时估计提供了连贯的基础。正式地，模型参数是通过最大化??(??;??)=??∑??=1(log??(???1???????)+(?????????)?(??????(????≤????))?????????获得的，其中?? =(??1,…,????)′表示观测到的回报向量，T是样本大小，??收集所有模型参数。对于包含测量方程的实现-ES-CAViaR-M模型，这些测量方程与???? ????????～???(??,Σ)，完整的拟似然通过实现度量的高斯贡献??(??,??;??,Σ)=??(??;??)+??(??|??;??,Σ)得到增强[11]，其中??表示实现度量，Σ是????的协方差矩阵。完整的目标函数可以表示为??(??,??;??,Σ)=??∑??=1(log??(???1???????)+(?????????)?(??????(????≤????))?????????)?12???∑??=1(???log?(2???)+log?(|Σ|)+?????(??)′?Σ?1??????(??))[12]。根据[40]，对于任何固定的??，高斯成分有封闭形式的解Σ^Σ?(??)=1??∑??=1?????(??)??????(??)[13]，因此联合最大化问题简化为arg?max?????(??,??;??,^Σ?(??))[14]。这种简化基于??∑??=1?????(??)′?^Σ?(??)?1??????(??)=tr?{^Σ?(??)?1???∑??=1?????(??)??????(??)=?????[15]，这对??是不变的，允许对外部优化仅针对??进行。

5. 数据描述
为了评估气候、地缘政治风险和经济政策不确定性指数对绿色和棕色股票尾部风险预测的影响，我们依赖于每日金融市场信息。具体来说，我们使用接近收盘价的对数回报和从ICLN和IXC ETFs计算出的HLR波动性作为绿色和棕色股票市场的代理。整个样本期从2012年1月持续到2024年12月，选择这个时期是为了与所考虑的风险指数的可用性对齐。为了确保与金融变量的时间一致性，所有风险度量都进行了调整，以排除非交易日。为了与HLR波动性估计器具有可比性，所有风险指数都被转换为非负值，并解释为不确定性强度的度量。绝对值直接应用于PRI和TRI指数，这些指数已经捕捉了气候风险的短期创新。对于GPRI和EPU指数，它们是水平变量，我们首先计算第一差分，然后取绝对值以捕捉风险冲击的幅度。最后，所有指数都重新缩放到与HLR相同的规模，以减轻潜在的计算问题。与高频数据不同，每日的高（H）和低（L）价格广泛可用，并且可以有效地用于估计波动性。参考文献[41]提出了High-Low Range作为近似无偏的方差估计器，通过因子4?log?(2)进行缩放，定义为??????????=(???????????????????????????)24?????????2，其中????和????分别表示第t天的日内最高价和最低价。通过理论推导和模拟，Parkinson表明HLR比传统的平方回报估计器更有效[42]，并且在样本内拟合和样本外预测方面都优于标准的GARCH(1,1)模型[43]。我们的实证分析使用了PRI和TRI（数据来自作者的公共仓库https://sites.google.com/view/lavinia-rognone-library，访问于2025年9月20日）来包含与气候相关的风险。这两个指标都是基于对路透社新闻的文本分析构建的，用于量化讨论气候相关主题的文章频率。PRI捕捉了与物理气候风险相关的媒体报道，包括极端天气事件、自然灾害和长期环境退化，从而反映了市场对气候变化直接影响的看法。TRI则衡量与转型风险相关的新闻报道，如监管变化、脱碳政策和技术转变以及与向低碳经济转型相关的更广泛调整。这两个指数都提供了公共信息集中气候风险显著性的每日度量，使它们特别适合涉及高频金融数据的应用。

为了研究GPR在尾部风险预测中的作用，我们使用了[17]提出的GPRD指数（该数据集从https://www.matteoiacoviello.com/gpr.htm下载，访问于2025年9月20日）作为地缘政治不确定性的代理。GPRD是一种基于新闻的度量，通过跟踪主要国际报纸中报道战争、恐怖袭击、军事冲突和外交争端等事件的文章份额来量化地缘政治紧张局势的强度。较高的值对应于地缘政治风险加剧的时期。每日GPRI捕捉了地缘政治条件的波动，使其特别适合涉及金融变量的分析。为了研究经济政策不确定性在尾部风险预测中的作用，我们使用了[22]开发的每日EPU指数（该数据集从https://www.policyuncertainty.com下载，访问于2025年9月20日）。EPU指数是一种基于新闻的度量，通过量化主要美国报纸中同时包含与经济条件、不确定性和政策相关主题（如立法、监管和货币政策）的文章频率来构建。根据构建，较高的值对应于政府行动及其潜在经济后果的不确定性加剧的时期。因此，每日EPU指数捕捉了宏观经济政策环境的短期波动，这可能对绿色和棕色资产产生不同的影响，因为它们对监管干预、财政激励和环境法规的暴露程度不同。表1报告了2012年1月至2024年12月期间棕色（IXC）和绿色（ICLN）股票的每日对数回报的摘要统计信息。两个系列显示出几乎相同的平均回报和可比较的无条件波动性水平，棕色和绿色股票的标准差分别为1.601和1.640。然而，两个系列显示出明显不同的尾部行为。棕色股票的峰度（25.138对比9.243）和负偏度（?1.093对比?0.350）显著更高，表明它们有更大的极端负面回报倾向。棕色股票的最低日回报（?21.631%）比绿色股票（?13.709%）更为极端，而最高回报也更大（15.970%对比10.800%）。这些风格化的事实证实了金融时间序列回报分布中典型的厚尾和不对称性，棕色能源股票的尾部行为更为明显。这种尾部风险特征的异质性激发了需要特定于资产的VaR和ES预测模型的需求。表1显示了2012年1月至2024年12月期间棕色（ixShares Global Energy ETF, IXC）和绿色（ixShares Global Clean Energy ETF, ICLN）股票的每日对数回报的描述性统计（百分比）。样本期：2012年1月–2024年12月。SD表示标准差；Skew表示偏度，Kurt表示峰度。图1显示了2012年1月至2024年12月期间棕色（左）和绿色（右）能源股票的每日对数回报时间序列（顶部面板）和HLR波动性估计（底部面板）。两个回报系列都显示出波动性聚集，在市场压力期间有明显的峰值，特别是在2020年初的COVID-19大流行、2022年初俄罗斯入侵乌克兰和2023年10月的地缘政治紧张期间。波动性模式显示，这两个资产类别在这些时期都经历了风险加剧，尽管波动性峰值的幅度和持续性在棕色和绿色股票之间有所不同。棕色股票在能源市场特定事件（2020年油价崩盘、2022年能源供应中断）期间表现出特别大的波动性峰值，反映了它们对化石燃料价格动态和地缘政治紧张的直接暴露。相比之下，绿色股票在监管不确定性和政策变动的时期表现出更持久的波动性升高，例如2016-2017年可再生能源支持计划政策逆转的时期。因此，波动性模式表明，这两种资产类别的尾部风险动态可能由不同的因素驱动，这促使我们研究气候风险、地缘政治风险和政策不确定性指数是否为绿色股票与棕色股票的VaR和ES预测提供不同的预测内容。图1显示了2012年1月至2024年12月期间的日对数收益率和高低范围波动性。左侧面板：iShares全球能源ETF（IXC，棕色股票）；右侧面板：iShares全球清洁能源ETF（ICLN，绿色股票）。顶部面板显示收益率，底部面板显示波动性。图2展示了转换后的风险指数，归一化到[0, 1]区间以便于视觉比较。四个面板显示了所有风险维度的显著时间变化，其中几次明显的峰值对应于重大事件。TRI（顶部面板）在关键气候政策发展期间表现出显著增加，包括《巴黎协定》（2015年）、多次COP会议以及2021-2022年净零承诺的加速。PRI（第二个面板）显示与极端天气事件相关的峰值，包括大型飓风、野火和洪水事件。EPU（第三个面板）在2016年美国大选、COVID-19大流行以及各种财政和货币政策不确定性期间显示出增加。GPRD（底部面板）在美国与中国贸易战、俄罗斯入侵乌克兰和以色列-哈马斯冲突期间显示出急剧上升。这些指数的异质时间模式表明它们可能包含对尾部风险预测有用的独特信息。图2显示了2012年1月至2024年12月样本期间的转换风险指数。第一个面板：过渡风险指数（TRI）的绝对值；第二个面板：物理风险指数（PRI）的绝对值；第三个面板：经济政策不确定性指数（EPU）的绝对首差；第四个面板：每日地缘政治风险（GPRD）指数的绝对首差。为了增强视觉比较，这里显示的所有序列都归一化到[0, 1]区间。模型估计使用重新缩放到高低范围波动性尺度的序列。

6. 预测结果
6.1. 预测设计和评估策略
实证分析采用递归估计策略，使用六年的滚动窗口，平衡参数稳定性和对尾部风险动态结构变化的适应性。从2012年1月到2017年12月的初始窗口开始，随着窗口逐日推进，参数每天重新估计。这种递归程序产生了一系列一步预测的VaR和ES预测，涵盖2018年1月至2024年12月的样本外时期。样本外时期包括了严重的金融动荡，例如2018年12月由贸易紧张和货币政策紧缩引发的股市抛售、2022年2月俄罗斯入侵乌克兰后的市场中断、2023年3月涉及Silicon Valley Bank和Credit Suisse的银行动荡以及2024年由于持续通胀和货币政策不确定性导致的波动性升高。样本期间的地缘政治冲击包括2018年中美贸易战的升级、2020年1月美国与伊朗之间的危机、2021年8月从阿富汗撤军、2022年2月俄罗斯入侵乌克兰、2023年10月哈马斯-以色列冲突以及2024年涉及红海航运中断和台湾海峡战略竞争加剧的情况。物理气候事件包括2018年11月的Camp Fire、2019-2020年的澳大利亚丛林大火、2021年2月的德克萨斯州停电、2022年9月的飓风Ian、2023年的加拿大野火以及2022年至2024年间反复出现的欧洲热浪和干旱。与转型相关的发展包括2018年10月的IPCC 1.5°C报告、2019年12月的欧盟绿色协议、2022年8月的美国通胀削减法案、2023年12月的COP28化石燃料转型承诺以及2024年11月的COP29气候融资谈判。2018-2019年美国政府停摆期间经济政策不确定性激增，2020-2021年的疫情时期财政和货币政策干预、2021-2022年的通胀飙升和美联储紧缩周期、关于加密货币监管的辩论以及2024年的总统选举周期，这些都影响了人们对能源、气候和贸易政策的预期。这个样本时期提供了一个合适的设置，以评估气候、地缘政治和经济政策不确定性指数的变化是否能够超越标准波动性指标改进尾部风险预测，以及它们的预测能力在绿色股票和棕色股票之间是否存在差异。因此，VaR和ES预测是在1%和2.5%分位数生成的。VaR预测的充分性通过全面的回测程序进行评估。实证VR作为样本外期间VaR违规的比例，提供了一个简单的无条件校准度量。为了评估违规是否以预期的频率发生并表现出序列独立性，我们实施了[29]的DQ测试，该测试结合了[44]的无条件覆盖测试和[45]的条件覆盖测试，在基于回归的规范中。基于VaR性能的模型排名使用分位数损失（QL）函数进行，允许对竞争规范之间的预测准确性进行统计比较。对于尾部风险预测的联合评估，我们采用了两种互补的方法。首先，我们使用Fissler-Ziegel（FZ）损失函数类，这些函数对于联合（VaR,ES）对是一致的，因此适合进行比较预测评估。特别是，我们实施了FZ0损失函数，它具有[38]所示的零度同质性这一理想属性，以增强预测比较测试的效力。其次，我们应用了[31]提出的严格基于回归的预期亏损回测（BD），它为检测ES错误规范提供了强大的诊断工具。使用[32]的MCS方法评估性能差异的统计显著性，该方法识别出在给定置信水平下与最佳表现规范统计上无法区分的优越模型集（SSM）。MCS结果在QL和FZ0损失函数的常规25%显著性水平上报告。

6.2. 预测评估
预测评估包括16种Realized-ES-CAViaR模型规范，范围从仅使用HLR波动性的基线模型到包含所有四个风险指数（HLR, PRI, TRI, EPU, GPRD）的完整规范。表2报告了在1%风险水平下绿色股票（ICLN）的样本外预测结果。所有规范都通过了回测程序，DQ p值远高于常规的5%显著性水平，实证VRs聚集在名义的1%水平附近。此外，BD测试确认了ES的充分性，p值超过53%。表2显示了2018年1月至2024年12月期间16种Realized-ES-CAViaR模型规范的样本外预测性能。VR表示实证违规率（百分比）。DQ报告了[29]的动态分位数测试的p值（百分比）。BD报告了[31]的严格基于回归的预期亏损回测的p值（百分比）。QL和FZ0分别代表分位数损失和FZ0损失函数，较低的值表示更好的预测性能。阴影单元格表示包含在75%模型置信集中的模型。粗体值表示表现最佳的规范。关于VaR预测性能，基于QL的MCS仅包括两个规范：（HLR, TRI）在最小化QL方面表现最佳，以及（HLR, TRI, EPU）。这种极端选择性表明TRI对于绿色股票极端尾部的VaR预测特别有信息量。特别是，基线（HLR）规范被排除在75% MCS之外，突显了过渡气候风险信息在确保准确VaR预测中的关键作用。根据VaR-ES的联合性能标准，基于FZ0的MCS扩展到九个模型，包括基准模型和包含GPRD和PRI的规范。最佳ES模型是（HLR, TRI, GPRD），其FZ0值最低。从QL到FZ0的MCS扩展表明，ES预测受益于比VaR更广泛的风险因素集。值得注意的是，在与风险指数结合的八个MCS FZ0模型中，有五个包含TRI，从而确认了其核心作用。相比之下，GPRD和PRI特别为ES指标增加了价值。表3展示了在2.5% α水平下ICLN的结果。在不太极端的分位数上，所有模型的覆盖范围都校准得很好，VR值紧密聚集在名义的2.5%水平附近，DQ p值非常高，确认了适当的VaR动态规范。BD测试结果同样表明ES性能稳健，所有p值均超过60%。表3显示了2018年1月至2024年12月期间16种Realized-ES-CAViaR模型规范的样本外预测性能。VR表示实证违规率（百分比）。DQ报告了[29]的动态分位数测试的p值（百分比）。BD报告了[31]的严格基于回归的预期亏损回测的p值（百分比）。QL和FZ0分别代表分位数损失和FZ0损失函数，较低的值表示更好的预测性能。阴影单元格表示包含在75%模型置信集中的模型。从损失函数的角度来看，包含GPRD的规范根据QL和FZ0的表现最佳。特别是，根据QL，75% MCS仅包括两个规范：（HLR, TRI）表现最佳，以及（HLR, TRI, EPU）。有趣的是，GPRD在2.5%分位数上取代了TRI作为主导因素。这表明地缘政治风险是解释绿色资产中等尾部风险的一个更有信息量的因素。最后，尽管基准（HLR）在SSM中被排除，但它仍表现出有竞争力的性能。FZ0 MCS包括所有模型规范，表明在2.5%风险水平上联合VaR-ES预测的统计同质性。与QL结果一致，表现最佳的模型是（HLR, GPRD）规范。然而，模型之间的差异相对较小，表明基线HLR模型已经捕捉到了该分位数下大部分相关的尾部风险动态。所有模型在MCS中的普遍包含进一步表明，在2.5%水平上添加外部风险指数对ES预测的增量价值有限。表4报告了在1%风险水平下棕色股票（IXC）的样本外预测结果。与绿色股票相比，棕色股票的模型在1%分位数面临更大的规范挑战。尽管VRs相当接近名义的1%水平，但有几个规范的DQ测试p值低于5%，包括基准（HLR）模型，表明当仅使用有限信息时存在残余的动态错误规范。值得注意的是，包含TRI的规范，即（HLR, TRI）、（HLR, PRI, TRI）、（HLR, TRI, GPRD）和（HLR, PRI, TRI, GPRD），是唯一通过DQ测试的规范。这表明过渡风险信息也提高了棕色股票的VaR模型预测的准确性。相比之下，严格ESR回测结果一致强劲，所有模型都通过了测试，表明规范之间的ES预测校准得当。表4显示了2018年1月至2024年12月期间16种Realized-ES-CAViaR模型规范的样本外预测性能。VR表示实证违规率（百分比）。DQ报告了[29]的动态分位数测试的p值（百分比）。BD报告了[31]的严格基于回归的预期亏损回测的p值（百分比）。QL和FZ0分别代表分位数损失和FZ0损失函数，较低的值表示更好的预测性能。阴影单元格表示包含在75%模型置信集中的模型。从损失函数的角度来看，包含GPRD的规范根据QL和FZ0的表现最佳。特别是，依赖QL时，75% MCS仅包括两个模型，即（HLR, GPRD）表现最佳，以及（HLR, EPU, GPRD）。有趣的是，GPRD在2.5%分位数上取代了TRI作为主导因素。这表明地缘政治风险是解释绿色资产中等尾部风险的一个更有信息量的因素。最后，基准（HLR）虽然从SSM中排除，但其性能仍然具有竞争力。FZ0 MCS包括所有模型规范，表明在2.5%风险水平上联合VaR-ES预测的统计同质性。与QL结果一致，表现最佳的模型是（HLR, GPRD）规范。然而，模型之间的差异相对较小，表明基线HLR模型已经捕捉到了该分位数下大部分相关的尾部风险动态。所有模型在MCS中的普遍包含进一步表明，在2.5%水平上添加外部风险指数对ES预测的增量价值有限。表4报告了在1%风险水平下棕色股票（IXC）的样本外预测结果。与绿色股票相比，棕色股票的模型在1%分位数面临更大的规范挑战。尽管VRs相当接近名义的1%水平，但有几个规范的DQ测试p值低于5%，包括基准（HLR）模型，表明当仅使用有限信息时存在残余的动态错误规范。值得注意的是，包含TRI的规范，即（HLR, TRI）、（HLR, PRI, TRI）、（HLR, TRI, GPRD）和（HLR, PRI, TRI, GPRD），是唯一通过DQ测试的规范。这表明过渡风险信息也提高了棕色股票的VaR模型预测的准确性。相比之下，严格ESR回测结果一致强劲，所有模型都通过了测试，表明规范之间的ES预测校准得当。表4显示了2018年1月至2024年12月期间16种Realized-ES-CAViaR模型规范的样本外预测性能。VR表示实证违规率（百分比）。DQ报告了[29]的动态分位数测试的p值（百分比）。BD报告了[31]的严格基于回归的预期亏损回测的p值（百分比）。QL和FZ0分别代表分位数损失和FZ0损失函数，较低的值表示更好的预测性能。阴影单元格表示包含在75%模型置信集中的模型。从损失函数的角度来看，包含GPRD的规范根据QL和FZ0的表现最佳。特别是，根据QL，75% MCS仅包括两个模型，即（HLR, GPRD）表现最佳，以及（HLR, EPU, GPRD）。有趣的是，GPRD在2.5%分位数上取代了TRI作为主导因素。这表明地缘政治风险是解释绿色资产中等尾部风险的一个更有信息量的因素。最后，基准（HLR）虽然从SSM中排除，但其性能仍然具有竞争力。FZ0 MCS包括所有模型规范，表明在2.5%风险水平上联合VaR-ES预测的统计同质性。与QL结果一致，表现最佳的模型是（HLR, GPRD）规范。然而，模型之间的差异相对较小，表明基线HLR模型已经捕捉到了该分位数下大部分相关的尾部风险动态。所有模型在MCS中的普遍包含进一步表明，在2.5%水平上添加外部风险指数对ES预测的增量价值有限。表4报告了在1%风险水平下棕色股票（IXC）的样本外预测结果。与绿色股票相比，棕色股票的模型在1%分位数面临更大的规范挑战。尽管VRs相当接近名义的1%水平，但有几个规范的DQ测试p值低于5%，包括基准（HLR）模型，表明当仅使用有限信息时存在残余的动态错误规范。值得注意的是，包含TRI的规范，即（HLR, TRI）、（HLR, PRI, TRI）、（HLR, TRI, GPRD）和（HLR, PRI, TRI, GPRD），是唯一通过DQ测试的规范。这表明过渡风险信息也提高了棕色股票的VaR模型预测的准确性。相比之下，严格ESR回测结果一致强劲，所有模型都通过了测试，表明规范之间的ES预测校准得当。表4显示了2018年1月至2024年12月期间16种Realized-ES-CAViaR模型规范的样本外预测性能。VR表示实证违规率（百分比）。DQ报告了[29]的动态分位数测试的p值（百分比）。BD报告了[31]的严格基于回归的预期亏损回测的p值（百分比）。QL和FZ0分别代表分位数损失和FZ0损失函数，较低的值表示更好的预测性能。阴影单元格表示包含在75%模型置信集中的模型。从损失函数的角度来看，包含GPRD的规范根据QL和FZ0的表现最佳。特别是，（HLR, TRI）规范根据QL和FZ0的表现最佳。这与绿色股票的结果形成对比，在绿色股票中，基线规格被排除在MCS之外。从基于QL的MCS中排除的四个规格都是相对复杂的模型，包含了四个或五个风险因素：(HLR, PRI, EPU, GPRD)、(HLR, PRI, TRI, EPU)、(HLR, TRI, EPU, GPRD)和(HLR, PRI, TRI, EPU, GPRD)。基于FZ0的MCS包含了七个规格，与包含十二个模型的QL MCS相比大幅减少，这表明在1%的风险水平下，ES预测比VaR预测更具挑战性。值得注意的是，基线（HLR）模型被排除在FZ0 MCS之外，尽管它被包含在QL MCS中。这表明，仅凭波动性就足以进行VaR预测，但在捕捉ES动态方面效果较差。相比之下，外部风险指数，特别是PRI和TRI，为模拟棕色股票市场的极端损失提供了有价值的信息。在FZ0方面表现最好的规格是(HLR, PRI, TRI)，其性能比基准（HLR）提高了2.3%，这是所有模型设置中观察到的最大增幅。这一结果突显了在描述棕色市场损失尾部分布时，同时考虑物理风险和转型气候风险的重要性。在包含在75% MCS中的七个模型中，有六个模型包含了PRI或TRI（或两者都有），这加强了气候风险指标对于准确联合VaR–ES预测的相关性。总体而言，增强TRI的模型在MCS中始终被保留，这强调了在捕捉棕色资产极端风险动态时转型风险的重要性，因为棕色资产本质上更容易受到与低碳转型相关的政策、监管和技术变化的影响。

表5展示了在2.5%风险水平下棕色股票的预测结果。尽管在某些情况下VR略高于名义水平，但VaR的覆盖率仍然相当充分，但不如2.5%分位数下的绿色股票均匀。DQ测试的p值表明，棕色股票的VaR模型面临的规格挑战比绿色股票更大，这可能反映了化石燃料公司面临的多重尾部风险来源，包括物理气候事件、地缘政治供应冲击、政策不确定性和技术颠覆。最后，BD测试结果没有显示出ES规格错误的证据。表5显示了在?? =2.5%风险水平下棕色股票（iShares Global Energy ETF, IXC）的样本外预测性能。该表报告了2018年1月至2024年12月期间16种Realized-ES-CAViaR模型规格的结果。VR表示经验违规率（百分比）。DQ报告了[29]中动态分位数测试的p值（百分比）。BD报告了[31]中严格基于回归的预期亏损回测的p值（百分比）。QL和FZ0分别代表分位数损失和FZ0损失函数，较低的值表示更好的预测性能。阴影单元格表示包含在75%模型置信集中的模型。粗体值表示表现最好的规格。就预测准确性而言，结合EPU和GPRD的模型表现最佳。(HLR, EPU, GPRD)规格将QL最小化，而包含TRI、EPU和GPRD的模型实现了最低的FZ0。基于QL的MCS包括四个规格，即(HLR, EPU)、(HLR, EPU, GPRD)、(HLR, PRI, EPU, GPRD)和(HLR, TRI, EPU, GPRD)。一个关键特征是EPU的突出性，它出现在所有进入75% MCS的规格中，表明在经济政策不确定性方面，EPU在2.5%风险水平下对棕色股票的VaR预测起着核心作用。这与绿色股票形成对比，在绿色股票中EPU的作用较为有限，而在1%风险水平下，TRI推动了QL的最小化。GPRD也高度相关，出现在四个优秀规格中的三个中，这与棕色股票面临的地缘政治风险对能源供应链和国际能源市场的影响一致。相比之下，气候风险指数在这个分位数中的作用较为有限：TRI和PRI各自只出现在一个规格中，表明它们在政策不确定性和地缘政治风险之外提供的增量信息有限。最后，基线（HLR）被排除在QL MCS之外，表明在2.5%风险水平下，外部风险指数对于有效的VaR预测是必要的。基于FZ0的MCS包括所有模型规格，反映了2.5%分位数下绿色股票的预测性能的高度统计同质性。MCS中存在许多多因素规格，表明棕色资产的适度尾部风险反映了多个不确定性渠道的影响，而不是单一主导因素。

6.3. 解释风险驱动因素的作用

结果揭示了预测收益的异质性模式，这种模式在不同资产类别和分位数水平上系统地变化。对于绿色和棕色股票，转型气候风险在1%水平上成为主导预测因子：它是进入绿色资产QL-based MCS的唯一因素，也是确保棕色股票动态VaR规格充分的唯一因素。对于棕色市场，物理风险和转型气候风险的联合包含在所有设置中提供了最大的联合VaR–ES预测性能改进。在2.5%分位数下，主导因素发生了变化。地缘政治风险对绿色资产最为相关，而经济政策不确定性对棕色股票起主导作用，反映了它们对监管干预和能源供应中断的不同暴露。这些发现可以通过不确定性冲击通过不同经济渠道传播到绿色和棕色资产尾部风险的视角来解释。分位数水平的不对称性反映了每个指数捕获的冲击的不同性质，而资产类别之间的不对称性反映了绿色和棕色公司对监管、技术及地缘政治中断的不同暴露。在极端分位数下，两类资产主要受到突然的政策中断的影响，例如突然的监管收紧或碳定价公告，这些都会在能源市场中产生剧烈重新定价，TRI很好地捕捉了这一渠道。在中等分位数下，主导因素以资产特定的方式变化：地缘政治风险通过提高折现率和关键矿物的供应链中断影响绿色股票估值，而经济政策不确定性对棕色股票起主导作用，其估值严重依赖于对未来能源监管和碳税的预期。在不同风险水平观察到的不同行为非常有趣，值得进一步研究。1%风险水平下转型风险的显著影响表明，关键的气候政策发展与地缘政治风险和经济政策问题相比，与更极端的市场运动有关。在这个框架中，不同风险指数对投资者预期的影响起着关键作用。此外，应该注意的是，上述预测结果是对整个样本外时期的汇总。为了更好地理解不同风险指数的作用及其与特定关键事件的联系，第7节提供了对预测性能和整个关注期间不同风险驱动因素作用的实时评估。最后，在使用QL对VaR预测进行排名时，仅考虑波动性的基准通常被排除在SSM之外，而简洁的两因素或三因素规格始终优于更复杂的多指数模型。然而，值得注意的是，只有当相关风险驱动因素被可靠识别时，简单模型才具有吸引力。另一方面，使用FZ0评估VaR和ES预测可能会导致更不确定的排名。然而，包含其他风险因素信息的模型通常比仅考虑波动性的基准表现更好。

7. 预测性能的实时评估

MCS结果提供了对整个样本外时期预测性能的全球评估，识别出无法与最佳性能规格在统计上区分的模型子集。然而，这种“静态”评估可能掩盖了模型主导地位和风险因素相关性的重要时间变化，特别是在市场压力加剧的时期。为了补充MCS分析，我们采用实时视角，每天跟踪哪个模型最小化了滚动平均损失，以及哪些风险因素随时间驱动模型选择。具体来说，对于每个交易日t和每个模型?? ∈?，我们计算QL或FZ0损失在k个交易日内的滚动平均值。这种方法使我们能够评估气候、地缘政治和经济政策不确定性指数在不同市场制度和金融压力加剧时期的信息内容是否有所不同，以及最佳性能模型的身份是否因重大经济、地缘政治和气候相关事件而变化。图3、图4、图5和图6分别显示了2018年1月至2024年12月样本外期间16种Realized-ES-CAViaR模型规格的滚动平均损失。图3显示了2018年1月至2024年12月样本外期间16种Realized-ES-CAViaR模型规格的绿色股票（iShares Global Clean Energy ETF, ICLN）的滚动平均分位数损失（?? =252个交易日）。顶部面板：?? =1%风险水平；底部面板：?? =2.5%风险水平。灰线代表每个模型的滚动平均QL。（顶部条形）每天表现最好的模型?? ???，按模型规格颜色编码。（底部条形）标准化风险因素贡献??norm??,??，显示气候（■, PRI和TRI）、地缘政治（■, GPRD）、经济（■, EPU）和波动性（■, 仅HLR）的相对重要性。图4显示了2018年1月至2024年12月样本外期间16种Realized-ES-CAViaR模型规格的绿色股票（iShares Global Clean Energy ETF, ICLN）的滚动平均FZ0损失（?? =252个交易日）。顶部面板：?? =1%风险水平；底部面板：?? =2.5%风险水平。灰线代表每个模型的滚动平均FZ0损失。（顶部条形）每天表现最好的模型?? ???，按模型规格颜色编码。（底部条形）标准化风险因素贡献??norm??,??，显示气候（■, PRI和TRI）、地缘政治（■, GPRD）、经济（■, EPU）和波动性（■, 仅HLR）的相对重要性。图5显示了2018年1月至2024年12月样本外期间16种Realized-ES-CAViaR模型规格的棕色股票（iShares Global Energy ETF, IXC）的滚动平均分位数损失（?? =252个交易日）。顶部面板：?? =1%风险水平；底部面板：?? =2.5%风险水平。灰线代表每个模型的滚动平均QL。（顶部条形）每天表现最好的模型?? ???，按模型规格颜色编码。（底部条形）标准化风险因素贡献??norm??,??，显示气候（■, PRI和TRI）、地缘政治（■, GPRD）、经济（■, EPU）和波动性（■, 仅HLR）的相对重要性。图6显示了2018年1月至2024年12月样本外期间16种Realized-ES-CAViaR模型规格的棕色股票（iShares Global Energy ETF, IXC）的滚动平均FZ0损失（?? =252个交易日）。顶部面板：?? =1%风险水平；底部面板：?? =2.5%风险水平。灰线代表每个模型的滚动平均FZ0损失。（顶部条形）每天表现最好的模型?? ???，按模型规格颜色编码。（底部条形）标准化风险因素贡献??norm??,??，显示气候（■, PRI和TRI）、地缘政治（■, GPRD）、经济（■, EPU）和波动性（■, 仅HLR）的相对重要性。每个面板的底部包含两个总结条形，以综合模型选择和随时间的风险因素信息。具体来说：顶部条形（每天最佳模型）：对于每个交易日t，识别出滚动平均损失最低的模型：?????=arg?min??∈???????????????Loss??,??，其中?表示所有16个模型规格的集合，????????????Loss??,?? =1???∑????=?????+1Loss??,??是模型m在t天的QL或FZ0损失的滚动平均值，计算窗口为?? =252个交易日。顶部条形中的每个方块的颜色对应于当天表现最好的模型。底部条形（标准化风险因素贡献）：为了综合不同风险因素随时间的相对重要性，我们在相同的滚动?? =252天窗口（大约一年）内计算每个因素?? ∈{Climate, Geopolitical, Economic, Volatility}对最佳性能模型?? ???的标准化贡献。这里，Climate汇总了物理和转型风险指数（PRI和TRI），Geopolitical指的是GPR指数（GPRD），Economic指的是EPU指数，Volatility指的是仅当基准模型（HLR）单独实现最低滚动平均损失时才给予正权重的独立HLR规格。形式上，让????,??是一个指示器，如果因素f出现在?? ???中则为1，否则为0。每个因素的日标准化权重为：????,??=?{ { { { {?{ { { {?1如果?????=(HLR)且??=Volatility；0如果?????=(HLR)且??≠Volatility；否则????,??∑??≠Volatility????,??。然后计算每个因素的滚动贡献为：??norm??,??=1?????∑??=?????+1????,??。根据构造，对于所有t，有∑????norm??,?? =1，确保底部条形的总高度在每天都是恒定的。每个条形被划分为与??norm??,??成比例的彩色块，从而直观地显示在不同市场环境和金融压力时期哪些风险因素在模型选择中占主导地位。这种可视化方法补充了表2、表3、表4和表5中报告的静态MCS结果，揭示了模型主导地位和风险因素相关性的时变性质，特别是在COVID-19大流行、俄罗斯入侵乌克兰和以色列-哈马斯冲突等关键事件期间。

8. 结论性评论

本文研究了气候、地缘政治和经济政策不确定性指数是否能够改善绿色和棕色股票的VaR和ES预测，使用iShares全球清洁能源ETF（ICLN）和iShares全球能源ETF（IXC）作为这两种资产类别的代表性代理。通过扩展Realized-ES-CAViaR框架，我们纳入了四个外部风险指标，即物理和转型气候风险、地缘政治风险以及经济政策不确定性，并评估了1%和2.5%风险水平下的16种模型规格。这些风险指数被转换以捕捉不确定性冲击的幅度，并重新缩放以确保与波动性度量具有可比性。使用VaR和ES回测程序、严格一致的评分规则以及MCS方法来评估预测的充分性和相对表现。

我们对2018-2024年样本外时期的实证分析得出了几个有趣的发现。首先，在大多数情况下，外部风险指数在统计上显著且经济上有意义地优于仅基于波动性的基准。这一发现表明，仅靠波动性度量无法完全捕捉到宏观金融不确定性升高期间能源资产的尾部风险动态。其次，在1%的风险水平上，转型气候风险成为两种资产类别极端尾部风险的主要驱动因素。它是确保棕色股票具有适当动态VaR规格的唯一因素，也是唯一一个单独纳入即可使绿色股票进入基于QL的MCS的外部风险指数。包含TRI的规格在1%风险水平下为绿色和棕色资产实现了最低的QL和FZ0值，证实了其在捕捉极端损失动态中的主导作用。此外，物理和转型气候风险的联合纳入在所有设置中都显著提高了联合VaR–ES的表现，突显了它们在模拟能源市场极端损失方面的互补性。第三，在2.5%的分位数下，主导因素发生了变化：地缘政治风险成为绿色资产的最相关因素，而经济政策不确定性成为棕色股票的关键驱动因素，反映了它们对地缘政治紧张局势、监管干预和能源供应中断的不同暴露程度。第四，增加更多风险因素并不一定意味着更好的预测。简洁的两因子或三因子规格系统性地优于更复杂的多指数模型，强调了有针对性和简洁的模型设计的重要性。

这些发现具有多方面的意义。对于风险管理人员和投资组合分配者来说，结果表明应根据投资组合是否暴露于绿色或棕色资产，以及关注极端或中等尾部事件的不同，来监控不同的不确定性来源。对于监管机构而言，仅基于波动性的模型可能动态上设定不当的证据强调了将不确定性度量纳入内部风险评估框架的重要性，这可能对巴塞尔资本要求和压力测试练习的计算产生影响。更广泛地说，这些发现为气候相关金融风险的日益增长的文献做出了贡献，表明不确定性指数的信息内容既与分位数相关，也与资产特定相关，这是传统波动性度量所无法捕捉的维度。

最后，我们想指出，虽然我们的方法框架可以轻松适应分析其他市场和资产类别，但我们的实证结果特定于美国市场。未来的研究可以将该框架扩展到个别股票，以探索绿色和棕色投资组合内的异质性，或者将其应用于对气候相关风险有不同暴露的其他资产类别。此外，替代的波动性度量和基于文本的气候风险代理方法是进一步提高尾部风险预测性能的有希望的途径。