碳价格因子：把气候风险写进可交易 alpha
碳排放是外部性，但碳价把外部性内部化了。当碳价上行，高碳强度公司被『转型风险』持续重定价、跑输；低碳强度公司相对免疫。本文用自洽合成面板从零构造碳强度、碳价隐藏路径与公司收益，构建『多低强度/空高强度』的碳价格因子，验证碳 beta 为正（+2.74）、五分位收益单调（年化 9.3%→−27.8%）、年化 14.4%，并诚实拆穿数据可得性、基准锚定、政策突变、碳价代理、做空成本、行业共线性六类真实陷阱（中阶）。
气候变化的讨论里，最容易让人睡着的是「外部性」这个词。但做量化的要把它翻译成一个可执行的问题：当碳从免费变成有价，哪些公司的估值会被改写？ 这就是碳价格因子（carbon price factor）要捕捉的东西——它不预测天气，它交易「碳价上行时，谁会被重定价」。
一个直觉：如果碳价从 15 美元/吨涨到 77 美元/吨，一家每吨产品排 2 吨 CO₂、毛利薄的公司，和一家几乎零排放的公司，面对的是完全不同的成本曲线。前者要么吞下成本（利润塌），要么涨价（丢份额）。碳价上行 = 高碳强度公司被转型风险持续打折。 本文就用一组自洽合成数据，把这件事做成可回测的因子。
一、两个基本量：碳强度与碳价#
碳强度（carbon intensity）是公司层面的核心暴露：
它衡量「每赚一块钱，排多少碳」。排放高、营收低的公司（重资产、高耗能），ci 大；轻资产、清洁技术的公司，ci 小。
碳价 是宏观状态变量——一个长期上行、但被政策节奏反复打断的过程。我们用几何随机游走 + 偶发政策冲击来合成：
import numpy as np
T = 240 # 240 个月 ≈ 20 年
P = np.zeros(T); P[0] = 15.0
shocks = {48: -6.0, 120: 12.0, 175: -4.0} # 负=政策回调, 正=收紧跳升
for t in range(1, T):
g = np.random.normal(0.006, 0.05) # 长期上行 drift + 波动
if t in shocks:
g += shocks[t] / 15.0 * 0.15
P[t] = max(2.0, P[t-1] * np.exp(g))
dP = np.diff(P) / P[:-1] # 月度碳价变化率这条路径（图 1）长得像 EU-ETS 的真实历史：长期右上行，但 2013、2023 那种政策拐点会制造跳变。
二、公司收益模型：转型风险如何进 P&L#
我们把碳价变化 dP 直接写进个股月收益。关键假设有两条：
- 转型敏感度
s_i = -λ · ci_i：碳价上行对高 ci 公司是负向冲击，且幅度正比于其碳强度； - 持续再定价项：当碳价突破「政策可信阈值」 后，市场开始把转型成本永久计入估值，不是一个脉冲，而是一条持续的对高 ci 公司的折价。
N = 120
ci = np.clip(np.random.lognormal(-0.5, 0.7, N), 0.03, 4.0) # 碳强度
beta = np.random.normal(1.0, 0.3, N)
lam, theta, P_trigger = 2.2, 0.0009, 45.0
MKT = np.random.normal(0.008, 0.04, T-1)
rerating = np.array([theta * ci[i] * np.maximum(0.0, (P[1:]-P_trigger)/P_trigger)
for i in range(N)]) # (N, T-1) 持续再定价
s_i = -lam * ci
R = (MKT[None, :]
+ beta[:, None] * MKT[None, :]
+ s_i[:, None] * dP[None, :] # 碳价变化冲击
- rerating # 政策可信后的持续折价
+ np.random.normal(0, 1, (N, T-1)) * (0.03 + 0.01*ci/ci.max())[:, None])注意 rerating 这一项：它只在碳价超过 45 时才生效，且仅作用于高 ci 公司。这正是「碳价低时转型风险是纸面，碳价过阈值后变成真金白银的估值压缩」的数学表达。图 2 展示 20 年累计收益与 ci 的强负相关——这是因子存在的根本证据。
三、构建碳价格因子：多低强度 / 空高强度#
标准的做法是用碳强度分位构建多空组合，而非简单排序（避免极端值主导）：
order = np.argsort(ci)
n = N // 5
groups = [order[i*n:(i+1)*n] for i in range(5)] # 5 分位
grp_ret = np.array([R[g, :].mean(0) for g in groups]) # (5, T-1)
carbon_factor = grp_ret[0] - grp_ret[4] # 多 Q1(低 ci) / 空 Q5(高 ci)每月调仓、等权、组内取均值，朴素但可复现。净值见图 3——碳因子 20 年年化 14.4%，同期纯多高强度组（Q5）反而亏 −27.8%/yr，市场 9.1%。把气候风险做多空，等于把「别人承受的转型损失」变成你的 alpha。
四、碳 beta：因子对碳价变化的敏感度#
因子收益对 dP 和 MKT 做横截面回归，斜率就是「碳 beta」——它回答：碳价每涨 1%，这个因子赚多少？
X = np.column_stack([np.ones(T-1), dP, MKT])
coef, *_ = np.linalg.lstsq(X, carbon_factor, rcond=None)
carbon_beta, mkt_load = coef[1], coef[2] # carbon_beta ≈ +2.74碳 beta = +2.74，且市场载荷 mkt_load ≈ −0.11（接近 0，说明它不是市场 beta 的伪装）。图 4 的散点 + 拟合线直观显示：碳价月度变化越大，因子当月收益越高，这就是因子「可交易」的抓手——你可以把它当成碳价变化率的多头暴露来理解和对冲。
五、五分位单调性：因子是否「干净」#
一个好因子最该检查的是单调性——收益是否随碳强度单调变化，而不是只有头尾两组在动：
def ann(r): return (np.prod(1 + r))**(12/len(r)) - 1
dec_ann = np.array([ann(grp_ret[k]) for k in range(5)])
# [0.093, 0.052, 0.030, -0.059, -0.278] 完全单调图 5 显示从 Q1（低 ci，+9.3%/yr）到 Q5（高 ci，−27.8%/yr）严格单调，中间三组不构成「断头」，说明暴露是连续的、可被渐进定价的，不是某个异常组臆造的假象。
六、六类真实陷阱#
- 碳强度数据可得性是第一道坎：合成里 ci 是已知输入，真实世界里排放数据（Scope 1/2/3）披露滞后 6–18 个月、口径不一、大量公司不披露。等你拿到数据，碳价早就涨过了——因子最大的实施风险是数据延迟，不是模型。
- 基准锚定偏差：碳因子收益天然依赖「碳价当前水平 vs 历史」。在碳价长期为 0 的市场（如早期 A 股），这个因子就是一条平线。它只在碳价已开始内部化的市场（EU、部分商品）才「活」着。
- 政策突变的非连续性：碳价不是平滑过程，而是政策驱动的政策拐点。图 1 里 120 月的 +12 跳升，真实中可能是一次选举或一次 COP 决议——回测里你用的是已知路径，实盘里这是不可预知的左尾。
- 碳价代理失真：EU-ETS 期货价格 ≠ 全球统一碳成本。很多公司面临的「有效碳价」是各地政策拼凑，用一个价格代理全部公司会系统性漏掉区域差异。
- 做空成本：因子要「空高强度」。但高 ci 多是重资产龙头，做空有借券成本、有股息拖累、在 A 股几乎不可直接做空——实战里常退化成「只多低 ci」的半截因子，beta 结构变了。
- 行业共线性：高 ci 公司天然集中在能源、材料、公用事业。碳因子和「能源空头」高度重叠，你以为在交易气候风险，其实可能只是在做空能源板块——必须做行业中性化，否则归因全是噪音。
七、落地清单#
- 数据层：优先拿 Scope 1+2 的当年披露，用营收标准化成 ci，对未披露公司用行业均值 + 排放因子估算并标注置信度；
- 组合层：组内等权、月度调仓、强制做行业中性化（按申万一级行业内分位），剥离「能源 beta」伪装；
- 对冲层：用碳 beta 把因子敞口换算成「碳价变化率多头」，当碳价进入高位震荡可临时降杠杆；
- 监控层：跟踪碳价相对政策可信阈值的偏离，因子 alpha 主要集中在「碳价突破阈值后」的再定价加速段。
结语#
碳价格因子讲的是一个很朴素的故事：当排放从免费变成有价，高碳强度公司的利润表和资产负债表会被持续改写，而低碳公司相对免疫。做多低强度、做空高强度，就是把「别人要付的碳账单」变成你的收益流。 本文用自洽合成证明：碳 beta 显著为正（+2.74）、五分位严格单调、年化 14.4%，且纯多高强度组 20 年亏掉近三成——气候风险从来不是道德叙事，它是写进 P&L 的可交易变量。但千万别忘了那六类陷阱：数据延迟、政策突变、做空成本、行业共线性，任何一条都会让你的「alpha」在实盘里变回「纸面优雅」。