Dynamic co-movement analysis among oil prices, green bonds, and CO2 emissions, 2014-2022

Abstract

This research addresses the problem of the coverage gap in the extant literature to know how oil prices, green bonds, and CO2 emissions are related to each other. Additionally, to research the short and long-term relations using a machine learning model for measuring co-movements among these important variables in the global energy transition context. Therefore, this study’s primary objective is to analyze the results of the short- and long-term co-movements and the implications for researchers, investors, and policy-makers. To validate the analysis, we use daily data from oil prices, green bonds, and CO2 emissions from 2014 to 2022. In addition, a scientometric analysis of the principal methodologies for measuring the co-movements among financial markets, using techniques such as the analysis of (i) sources, (ii) authors, (iii) documents, and (iv) cluster analysis. In this way, this research applies methodologies like Granger Causality Test, Dynamic Conditional Correlation (DCC-Garch), Wavelet power spectrum (WPS), and wavelet coherence analyses (WCA). Additionally, this study employs a machine learning model for measuring the relationships among the selected variables. Specifically, the Fuzzy Logistic Autoencoder (FLAE) was implemented. Furthermore, the results of the machine learning model were validated and compared with the estimated models. Finally, this study represents a breakthrough in explaining the relationship among these variables.

Esta investigación aborda el vacío en la literatura existente sobre cómo se relacionan entre sí los precios del petróleo, los bonos verdes y las emisiones de CO2. Además, se investigan las relaciones a corto y largo plazo de los co-movimientos entre estas importantes variables en el contexto de la transición energética mundial, utilizando un modelo de aprendizaje automático. Por lo tanto, el objetivo principal de este estudio es analizar los resultados de los co-movimientos a corto y largo plazo y las implicaciones para investigadores, inversores y responsables de política. Para validar el análisis, utilizamos datos diarios de los precios del petróleo, los bonos verdes y las emisiones de CO2 desde 2014 hasta 2022. Además, se realiza un análisis cienciométrico de las principales metodologías para medir los co-movimientos entre los mercados financieros, utilizando técnicas como el análisis de (i) fuentes, (ii) autores, (iii) documentos, y (iv) análisis de clusters. De este modo, esta investigación aplica metodologías como la prueba de causalidad de Granger, la correlación condicional dinámica (Dynamic Conditional Correlation, DCC-Garch), el espectro de potencia wavelet (Wavelet Power Spectrum, WPS) y el análisis de coherencia wavelet (Wavelet Coherence Analyses, WCA). Además, este estudio emplea un modelo de aprendizaje automático para medir las relaciones entre las variables seleccionadas. En concreto, se implementó el autoencoder logístico difuso (Fuzzy Logistic Autoencoder, FLAE). Además, los resultados del modelo de aprendizaje automático se validaron y compararon con los modelos estimados. Por último, este estudio representa un avance en la explicación de la relación entre estas variables. (Texto tomado de la fuente)