MARIJANA MARINKOVIC
Matr. 52849
Riassunto
Uno degli obiettivi primari dell’Unione Europea è promuovere a livello internazionale un
meccanismo di riduzione delle emissioni di gas a effetto serra imputabili alle attività
umane che minacciano di sconvolgere il clima del pianeta. Come pietra angolare della
sua strategia per decurtare le emissioni in maniera economicamente efficace, l’UE ha
sviluppato il sistema per lo scambio di quote di emissioni (EU ETS) European Union
Emissions Trading noto anche come European Union Emissions Trading Scheme.
Varato all’inizio del 2005, l’EU ETS è il primo sistema internazionale “cap and trade“, cioè
che fissa un tetto massimo al livello totale delle emissioni, ma consente ai partecipanti di
acquistare e vendere quote secondo le loro necessità all’interno di tale limite. L’EU ETS
viene attuato in fasi o “periodi di scambio“ differenti.
La fase 1, dal primo gennaio 2005 al 31 dicembre 2007, è stata una fase pilota triennale
dedicata all’apprendimento attraverso la pratica in preparazione della fase successiva. In
questo periodo sono stati stabiliti un prezzo per il carbonio, l’infrastruttura necessaria
per il monitoraggio e la verifica delle emissioni reali delle aziende interessate.
La fase 2, dal primo gennaio 2008 al 31 dicembre 2012, coincide con il primo periodo di
impegno del protocollo di Kyoto, un quinquennio durante il quale l’UE e gli Stati membri
dovranno rispettare gli obiettivi di emissione che si sono prefissati.
La fase 3 avrà una durata di otto anni, dal primo gennaio 2013 al 31 dicembre 2020.
Con una gamma sempre crescente di nuovi strumenti il mercato del carbonio sta
costantemente guadagnando in efficienza e complessità. Quindi, i risk manager e i
trader devono costantemente coprire le loro posizioni per non incorrere in fluttuazioni
irregolari e inaspettate dei prezzi del carbonio. Ciò significa che non sono solo interessati
alla prospettiva di lungo termine dei prezzi delle quote di emissioni, ma anche alle
dinamiche dei prezzi e della volatilità di breve termine dei beni. Avere un modello di
previsione affidabile permetterà alle aziende, investitori e commercianti, di realizzare
efficienti strategie di negoziazione, gestione dei rischi e decisioni di investimento.
L’analisi della letteratura ha messo in luce una carenza di contributi sulla modellazione
econometrica delle dinamiche di prezzo dei certificati spot di CO2. Tra i pochi contributi
rintracciabili vi è quello di Daskalakis et al. (2005), Benz e Truck (2008) e Paolella e
Taschini (2006) – (2008).
In questa tesi quindi ci si propone di colmare questa lacuna identificando le variabili
sottostanti ed andando a verificare eventuali relazioni tra esse e il prezzo spot dei
certificati EUA.
Il prezzo delle quote inerenti ai certificati EUA è definito dal mercato, in base alla
interazione fra la domanda e l'offerta. Le dinamiche del prezzo dei diritti di emissione di
CO2 sono causate da una serie di fattori (prezzo di Natural Gas, Coal, Brent, German
Power, indice FTESE100 e Dow Jones, tassi di cambio EURGBP e EURUSD) a cui si
aggiungono altri elementi di tipo politico, economico ed ambientale.
La prima analisi sui dati dal 2008 al 2011 è stata effettuata tramite una regressione
multivariata sulle variabili livello. Tale procedura formalizza una relazione lineare tra
variabili misurate sulla base di dati campionari estratti da un'ipotetica popolazione
infinita ma risulta che anche escludendo le variabili con coefficienti poco significativi, il
modello di regressione lineare multivariata non supera i test di corretta specificazione e
non ci aiuta quindi ad individuare eventuali relazioni tra le variabili prese in esame.
Si abbandona dunque questa formulazione per passare a modelli più complessi in grado
di valutare eventuali relazioni sui rendimenti e non più sui prezzi delle variabili prese in
esame.
Il lavoro di tesi parte da un’analisi descrittivo - statistica delle variabili citate, con
particolare attenzione agli aspetti di simmetria, curtosi e dell’autocorrelazione.
Per quanto riguarda i nostri dati, le variabili rendimento sono incorrelate, fatta
eccezione per il secondo e quarto ritardo. L’aggiunta dunque nel modello di un fattore di
autocorrelazione di ordine uno non basta visto che la funzione di autocorrelazione non è
particolarmente significativa nel primo ritardo.
Gli aspetti delle serie storiche però, non possono essere completi senza una valutazione
della volatilità, cosa che appare naturale vista la dipendenza dei singoli rendimenti da
fattori di rischio presenti nel mercato. A seguito del lavoro di Benz e Truck (2009), un
modello AR-GARCH viene implementato con un risultato di insignificatività nella
componente autoregressiva. Si procede quindi implementando un modello GARCH(1,1).
Le statistiche sui residui del modello mostrano una certa persistenza di autocorrelazione
seriale che i modelli GARCH e IGARCH non riescono a catturare.
Risultano quindi modelli poco adeguati alla modellazione delle serie sui rendimenti
anche perché producono forecast piatti.
A questo punto, abbandonato un approccio di tipo GARCH, si è pensato di introdurre i
modelli VAR per un’analisi simultanea delle variabili.
Il modello VAR è uno dei modelli più flessibili da utilizzare per l’analisi delle serie storiche
multivariate dinamiche.
Effettuata un’analisi di stazionarietà mediante un test ADF e cointegrazione grazie alla
procedura di Johansen sia sulle variabili livello che quelle dei rendimenti, si è
implementato un modello Vector AutoRegression Model (VAR) che in presenza di
cointegrazione non è in grado di catturare i trend che caratterizzano le variabili in
questione, è preferibile pertanto affidarsi al VEC.
Un modello Vector Error Correction è un’evoluzione del modello VAR, adatto per
modellare serie non stazionarie che presentano la caratteristica di cointegrazione.
Il modello di correzione dell’errore sulle variabili livello presenta valori di R2 molto bassi,
la prevedibilità di lungo periodo dunque risulta poco significativa.
Visto però il nostro interesse per una prevedibilità di breve termine, l’analisi può essere
concentrata sui rendimenti.
Le variabili a questo punto sono stazionarie, non è più quindi necessaria la valutazione di
cointegrazione. I valori di R2 iniziano ad essere migliori e anzi rappresentano il miglior
modello simultaneo che riesca a modellare le dinamiche sui rendimenti dei certificati
EUA.
La tesi si chiude con un’analisi di forecast suddividendo il lasso temporale in due
sottoperiodi, il primo comprendente gli anni 2008 e 2009 e il secondo gli anni 20092011.
In ultimo, l’applicazione delle tecniche di analisi di tipo out-of-sample al mercato dei
capitali ha consentito di determinare le prestazioni del nostro modello VAR con 20
ritardi sulle variabili rendimento e verificarne l’efficacia. Nella fattispecie si è fatto
ricorso a una procedura giornaliera di tipo rolling implementata sulle ultime 60
osservazioni (inizio luglio 2011 – fine settembre 2011).