大量投资者涌入债券市场意味着，交易员和银行家们相信，欧洲央行将顺利开始减持其持有的大量债券，但该行量化紧缩的长期影响仍是一个很大的未知数。

　　在实施了近十年的量化宽松政策之后，欧洲央行已经积累了5万亿欧元（约合5.31万亿美元）的债券。目前，欧洲央行正在应对高通胀，本月将开始以平均每月150亿欧元的速度将这些债券从其资产负债表中剔除出去。

　　到目前为止，交易员们都很乐观，对欧洲央行抛售债券初期的小幅度和可预测的结构感到欣慰。加息是目前欧洲央行的主要政策工具。法国巴黎银行投资级金融部门主管Giulio Baratta表示：“市场已经习惯了欧洲央行的缺席、或者不期待它的出现。”“第四季度至第一季度债券市场明显改善，且独立于欧洲央行的参与。”

　　由于市场预期欧洲央行将进一步加息，欧元区政府债券收益率触及多年高位，而较高的收益率正在吸引投资者回归。美银援引EPFR的数据称，欧元区债券基金已连续八周吸引资金流入，这是自2021年11月以来持续时间最长的一次。

　　1、保持谨慎仍有必要

　　量化宽松使大量资金流入全球风险资产，而量化紧缩如何影响债券市场也尚未可知。美联储和英国央行已经启动了量化紧缩。欧洲央行量化紧缩的方式是，不完全将2015年推出的资产购买计划（APP）下购买的到期债券的收益进行再投资。欧洲央行将根据欧元区每个国家即将到期的债券、公共部门债务和私人部门债务，按比例进行剩余的再投资。

　　欧洲央行在6月之后的缩表速度尚不清楚。媒体在去年12月的一项调查曾预计，欧洲央行将在2023年减少通过APP持有的1750亿欧元债券。持鹰派立场的荷兰央行行长Klaas Knot曾表示，如果缩表的影响持续有限，欧洲央行可能会将缩表幅度提高至每月260亿欧元。

　　如果欧洲央行对通过APP持有的债券的再投资在2024年前停止，欧洲央行在债券市场中的存在将依赖于更加灵活的紧急抗疫购债计划（PEPP）下的再投资。欧洲央行可能需要在某些欧元区国家大举进行再投资以稳定市场，这意味着对其他国家的支持可能会少得多。

　　一些了解欧洲央行的消息人士表示，政策制定者希望量化紧缩只是在后台运行，而不是遵循一个激进的计划或时间表。尽管如此，量化紧缩的未来仍为市场带来不确定性。市场已多次重新定价欧洲央行的加息幅度，并且计入了地缘政治风险。

　　法国农业信贷银行的主权、超国家和机构债务资本市场全球主管Pierre Blandin表示：“风险仍然存在。如果存在问题的话，更多的量化紧缩可能会加剧这些问题。”

　　借款人已经在尽可能快速地筹集资金。今年1月，借款人以创纪录的速度涌入债券市场，并利用良好的需求出售较长期债券。不过，当有担保的买家（如欧洲央行）退出时，较长期债券的销售将变得更加困难。

　　无论量化紧缩的规模或速度如何，随着欧洲央行已确定转向量化紧缩，交易员正在寻找机会。摩根大通欧元利率交易联席主管Julian Baker表示，量化紧缩意味着交易部门将更依赖传统投资者进行债券交易。他表示：“这意味着我们必须回到老式的债券交易方式，真正接近投资者群体，因为这些投资者的市场参与在很长一段时间内受到量化宽松计划的重大影响，现在他们正在回归。”

原标题：谷歌搜索量和个人投资者交易行为 来源：量化先行者

研究已经表明投资者情绪对于金融市场具有显著的影响，Baker and Wurgler (2007)根据市场成交量、IPO企业数量等指标构建了投资者情绪指数并且展示了情绪指数对于市场收益的预测作用。Tetlock (2007) 发现股票收益市场与华尔街日报上的消极栏目数量之间存在显著关系。另外一些研究表明资产价格受益一些非经济事件如体育、空难、天气、季节性情绪波动等影响。

Da et al. (2015)基于谷歌搜索内容提出了一个情绪指数FEARS指数，他们的研究表明FEARS指数与美国市场表现之间存在显著关系。在本文中，根据德国市场10年多超过100000个投资者的交易记录的数据，本文分析了FEARS指数与个人投资者的交易行为之间的相关性。

在文献中现有的一致结论认为负面的情绪冲击会向下施压资产价格并在随后几天反转(Tetlock, 2007; Garcia, 2013; Da et al., 2015)。本文中，作者首先基于谷歌搜索数据构建了德国版的FEARS指数，而后作者将FEARS指数与个人投资者交易记录相结合分析了FEARS对于投资者买卖不平衡性的影响以及FEARS与股票市场收益之间的相关性。

在本节中，作者描述了本文中的数据以及本文核心指标FEARS指数的构建方式。

按照Da et al. (2015)方式，本文根据以下5个步骤构建了德国市场的FEARS指数：

1、首先第一步是确认所有与期望和经济状况相关联的德语单词；

2、对于每个单词，下载从2005年1月至2015年12月区间所有检索词的日搜索量指数（SVI）；

3、根据Da et al. (2015)，计算SVI的对数变化以及标准化处理后的变化；

4、以180天为窗口滚动，在每个窗口中挑选出负向显著性最高的30个关键词用以构建未来180天的指数；

5、最后根据得到指数，其中是排序为i的搜索在对应回归的。

2.2. 个人投资者数据

通过与大型经纪商合作，作者拿到了众多交易者账户的日度交易数据与组合持仓信息记录，并将这些信息与FEARS指数相匹配。

如下表所示，样本中101223个投资者交易了接近1580万笔，交易额约1134亿欧元。所有的交易中，52.9%占比的是买入交易，47.1%的为卖出交易；投资者平均年龄为53岁，男性占比为83%，59%的交易者为已婚人士。这些统计数据与家庭金融研究中所披露的美国的数据相接近，经纪商客户通常是比普通群体更加的专业，因此样本中拥有博士学历的投资者占比达到7%，远高于德国人口的平均水平。

本文构建了标准化的交易变量以用于度量零售投资者的交易模式，作者定义了以下两个变量：

以交易是数量度量买卖不平衡差异，而以交易金额总量度量了买卖不平衡性；

2.4. 证券风险水平

为了更进一步分析投资者情绪对于家庭交易行为的影响，本文将交易分为在风险资产与低风险资产的交易。根据German Security Trading Act，在金融资产上的投资必须被划分为低风险到高风险级别，因此所有证券被划分为从1到5的5个风险级别。

样本中所有交易在各风险级别的分布如上表所示，根据资产的风险类别，买卖不平衡性可以重新按如下公式定义，其中指标分别计算高风险资产与低风险资产的不平衡性。

3. 假设检验和实证方法

在本节中，作者提出了主要假设并讨论了实证方法：

1）H1:当FEARS指数高时，个人投资者交易更少；

2） H2:当FEARS指数高时，个人投资者卖出风险资产；

3） H3:个人投资者响应高FEARS指数而卖出的证券在随后几天不会反转为买入证券；

参照Petersen (2009)方式，本文作者进行了如下的时间序列回归：

其中TM代表本文中的交易度量；FEARS是本文的市场情绪指数，由谷歌搜索数据得到；C是本文考虑的控制变量所构成的向量，变量明细如下表所示。

在本节中，作者展示了本文的主要研究结论。首先，作者分析了FEARS指数对于投资者行为的主要影响作用；其次，作者对于结果进行了稳健性检验；最后，为了加深FEARS指数对于投资者行为的影响，作者检验了哪些投资者特征导致了这些影响。

4.1. 投资者情绪对于个人投资者交易的影响

下表展示了模型分析中FEARS指数的回归系数，第一列和第二列的结果展示了基于所有证券交易的分析结论。列1的结果表明当FEARS指数很高时（投资者情绪低时），个人投资的买入交易更少，特别地FEARS的滞后项也非常显著。当FEARS指数提升一单位时，成交额度量的买卖不平衡度下降0.0198，结论在5%的显著水平上保持显著。

4.2. 基于投资者特征的投资情绪

为了进一步分析FEARS指数与个人投资者交易之间的关系并理解什么因素导致了最终的结果。作者基于投资者特征分析了上文影响作用的差异，并将样本以不同的方式划分。

首先，作者将样本数据根据Herfindahl-Hirschman Index (HHI)指数划分为两类，HHI指数越低意味着组合分散化越好，因此作者构建了HHI哑变量，但投资者取值小于30%分位时取值为1否则取值为0；其次，作者将样本数据根据投资者教育水平分类构建了哑变量Acdemic Title，当投资者学历是“Dr.”或者“Prof.”时取值为1否则为0；此外，根据投资者的经验丰富度参照Seru et al. (2010)方式构建哑变量Experience；最后，构建性别哑变量Female。

为了分析FEARS指数和特定投资者特征产生交易行为之间的相关性，通过将FEARS指数与投资者特征交互项引入模型，下表展示了本文的研究结果。从第一列以及第二列结果可以看出当组合分散度越好时，FEARS指数的作用效果将越小，结果在5%置信水平上显著；表3列到6列的结果表明，FEARS的作用效果在教育程度更高、投资经验更丰富的投资者上影响更小，但是结果在统计上并不显著区别于0。根据Calvet et al. (2009)的讨论，以上的结果可以解释为缺少金融竞争力的投资者更倾向于情绪化。

5. 德国FEARS指数和股票市场收益

在本节中，作者分析了FEARS指数和德国股票市场收益之间的相关。根据Tetlock (2007)模型，本文利用如下向量自回归模型VAR进行分析：

其中变量DAX代表DAX指数的日对数收益，变量C是由3个控制变量所构成的向量。

下表中第一列展示了VAR模型的估计系数，FEARS指数和市场收益之间呈现出负向相关性，但FEARS指数上升一单位时，DAX指数将下降26bps，结果在5%的置信水平上显著。

以上的分析结果表明本文构建的FEARS指数即是德国版本的美国FEARS指数，同时令人感到有趣的研究结论是负面的情绪将对市场产生向下的压力，但是该效用降价之后6天出现反转；另一方面，同样的冲击将导致个人投资者倾向于成为市场的卖方，但是该效用并未出现反转。因此，投资者情绪对于市场的影响是暂时的。

6. 检验可选择的解释

6.1. 控制月度效应

考虑到季节效应，作者在本文的主要分析师中引入月度效应而非年度固定效应，结果入下表所示。月度效应并未改变本文的主要结论，回归变量的方向、强度以及显著性结果之间非常相似，同时引入月度效应也并未改变反转模型，因此本文的结论对于季节效应而已是稳健的。

6.2. 计算买卖不平衡性时不放缩平均交易

在前文中，作者将每日的买卖不平衡度减去过去1年的均值以得到最终的指标，在本节中作者尝试直接使用未经最近1年数据矫正的买卖不平衡度，这将减少由于减去过去均值而引入的噪声。

模型分析结果如下表所示，结论与前文的研究基本一致。FEARS指数的上升仍然会导致投资者相对卖出行为的加剧。

在本文的分析中，样本是由剔除非顾客的投资者所产生的交易组成，这些不被包括在内的投资者仅仅在少数的日子进行交易，这些预先确定的自动化交易不应该被FEARS指数所决定，它们仅产生了噪音。因此为了获得更好的稳健性，作者只是用储蓄计划和限价订单重新对模型进行了回归，并将该模型作为安慰剂检验。

模型回归结果入下表所示，结论与本文预期相一致，对于自动交易所产生的买卖不平衡并不会被FEARS指数所影响，并且反转效应也不存在。

(2015)本文基于谷歌搜索数据构建了德国股票市场的FEARS指数，FEARS指数利用负面关键词搜索量放映了市场的悲观情绪。在控制投资者因素、日历因素以及市场因素之后，作者发现FEARS指数越高时投资者倾向于卖出风险资产，分析结果在统计和经济意义上都是显著的。投资者情绪对于市场的影响是暂时的，但是情绪冲击对于这些投资者的组合分配具有持续性的影响，并且非专业投资者更容易受到情绪的影响。

第135期：货币政策敞口因子MPE

第134期：横截面与时间序列因子模型比较

第125期：现金流久期因子

第118期：使用深度神经网络提升时间序列动量策略

第116期：更高的因子有效性评价标准

第108期：分析师的共同覆盖——动量溢出效应的根源

第99期：低PE，成长，利率：对估值的再思考——最聪明的投资回收期

第98期：低波动需要很少的交易

第97期：机器学习时代的回测原则

第95期：防御性质的因子择时

第90期：收益预测性：来自中美两国供应链的证据

第89期：盈利，留存收益，账面市值比在股票横截面收益中的作用

第87期：因子大陆上的爱丽丝梦游：纠缠因子投资的三大谬误

第79期：不确定性、动量和盈利能力第77期：因子动量与动量因子

第70期：SmartBeta与多因子组合的最优配置

第63期：劳动杠杆与股票收益的截面效应

第62期：利用CART决策树选股

第60期：学术研究毁了因子的预测结果吗？

第59期：策略回测效果如何评估？

第58期：ESG能够提市场投资的风险调整后收益

第56期：盈余公告收益及标准化预期外盈利

第54期：六因子模型与解决价值因子冗余

第52期：微观领先于宏观？非流动性对股票收益和经济活动的预测能力

第50期：因子如何复合——自上而下及自下而上的指数构建方法

第50期：分析报告的可读性与股票收益

第49期：风格在债券投资中的应用

第49期：盈利指标的紧缩指数

第48期：HML因子中的细节

第46期：市值效应的事实与流言

第43期：机器学习与资产定价

第43期：价值投资的事实和流言

第40期：因子择时是与非

第39期：质优股与垃圾股

第38期：隔夜收益与特定企业股票的投资情绪

第37期：因子选择的新指标

第36期：一种新的公允周期调整市盈率（CAPE）预测方法

第35期：因子投资模型增强：基于深度学习来预测基本面数据

第34期：工匠阿尔法：风格投资的应用

第33期：风格投资与机构投资者

第31期：因子正交与系统性风险分解

第31期：情景基本面，模型与主动管理

第30期：消化异象：一种投资方法

第29期：风格投资、联动性与股票收益可预测性

第28期：期估值因子的风险来源于哪里？由PB分解得来的证据

第28期：基于波动率管理的投资组合

第26期：收益的可预测性

第25期：价格影响还是交易量：为什么是Amihud(2002)度量

第25期：金融危机期间企业社会责任的价值

第24期：股票流动性和股价暴跌风险

第22期：价值、规模、动量、股利回报以及波动率因子在中国A股市场的表现

第19期:恐慌指数v.s.规模因子

第18期:调整因子在对收益率解释中的表现

第15期:改进的动量模型

第15期:利润质量研究

第13期:股票市场波动性与投资学习

第13期:社会责任共同基金的分类及其绩效的衡量

第13期:因子择时风险导向模型

第10期：利用信息因子解释回报

第10期;异质现金流和系统性风险

第9期：“打赌没有β”投资策略研究

第9期：利用条件信息理解投资组合的有效性

第7期:动量因子及价值因子在投资组合中的运用的实证研究

第7期：后悔的神经证据及其对投资者行为的影响

第6期：持续过度反应和股票回报的可预测性

第6期：五因子资产定价模型在国际市场上的检验

第5期：价值的另一面：毛盈利能力溢价

第5期：卖空比例与总股票收益

第4期：巨变的贝塔：连续型贝塔和非连续型贝塔

第4期：全球、本地和传染的投资者情绪

第4期：投资者更关注哪些因子？来自共同基金资金流的证据

第4期：总资产增长率与股票截面收益率的实证

第3期：前景理论与股票收益：一个实证研究

第3期：趋势因子：投资时限的信息能获得收益？

第3期：时变的流动性与动量收益

第2期：CAPM新视角：突尼斯和国际市场基于copula方法的验证

第2期：资本投资，创新能力和股票回报

第2期：风暴来临前的平静

第2期：资本投资，创新能力和股票回报

第1期：三因子与四因子模型对比与动量因子的有效性检验

第1期：五因子资产定价模型

第1期：多资产组合中的动量因子影响

第1期：基于插值排序标准化变量法和复杂变量的平衡分离树的多因子选股模型

海外文献推荐：资产配置类

第143期：关于低风险投资的事实与误区

第141期：利用先锋核心+卫星策略指引

第123期：行业收益的可预测性：使用机器学习方法

第56期：利用低风险现象增强Black-Litterman模型：来自韩国市场的证据

第56期：波动率模型以及波动率的程式化特征实证

第54期：放大市场异象

第53期：风险平价组合与其他资产配置方法的比较探索

第51期：关于公式化价值投资方法的事实

第48期：对风险配置策略的再思考

第41期：投资组合再平衡管理的另一类方法-叠加期权卖出合约

第27期：风险因子的风险平价

第27期：桥水基金对风险平价和全天候策略的一些思考

第24期：考虑寿命风险的多变量战略资产配置模型

第19期：稳定性风险调整后的投资组合

第17期：推动多因子世界中的战略资产配置

第17期：用更高阶矩衡量组合分散性

第16期：将因子暴露映射到资产配置

第14期：风险平价股票组合的转售价值

第12期：构造有效收入组合

第12期：投资组合中股票数量是否会影响组合表现

第11期：对冲基金收益优化投资组合

第5期：集中投资与全球机构投资者业绩

海外文献推荐：事件研究类

第146期：信息传播速度与卖方研究行业

第138期：心情Beta与股票收益的季节性

第119期：节假日前的公告效应

第115期：粘性预期与盈利异象

第96期：规模效应隐藏于日历效应之中

第47期：工业用电量与股票收益率

第45期：预测中国股票市场的股灾

第40期：IPO 批准对现有股票的影响：来自中国的证据

第21期：低频调仓、收益率自相关性和季节性

第8期：机构投资者和股票拆分的信息产生理论

第6期：可预测的行为、利润和关注

第6期：盈余公告与系统性风险

海外文献推荐：投资者行为类

第129期：“懒惰”的投资者——不可忽视的财报措辞变化

第128期：高频交易竞争

第105期：投资者情绪对于异象的解释是否源于“伪回归”？

第85期：原油期货市场的知情交易

第78期：高频报价：买价和卖价的短期波动性

第57期：数据提供者的信息中介角色

第55期：分析师的重新覆盖与市场反应不足

第42期：卖方研究在经济不景气时期更有价值吗？

第33期：公司债市场收益的共有因子

第23期：媒体关注与消费者投资行为之间的因果关系

第20期：高频交易之间的影响

第20期：是什么使得股价移动？基本面 vs. 投资者认知

第18期：短期机构交易的表现

第16期：坏习惯和好方法

第11期：状态变量、宏观经济活动与个股截面数据的关系

第10期：条件夏普比率

第9期：强制清算，减价出售与非流动性成本

第7期：买方与卖方谁发起交易

第7期：后悔的神经证据及其对投资者行为的影响

第7期：排名效应和交易行为：卖出最差的和最好的，忽略其余的

第6期：持续过度反应和股票回报的可预测性

海外文献推荐：择时策略类

第106期：宏观经济的风险对因子收益的影响

第86期：哪种趋势指标是你的朋友

第76期：商品期货的特质动量

第32期：行业表现能预测股市走势吗

第14期：几类择时策略的比较

海外文献推荐：公司金融类

第150期：细节决定成败：ESG数据的差异性与责任投资的意义

第145期：预期管理与股票收益率

第103期：全球化风险溢价

第72期：独立董事的价值

第23期：经济周期、投资者情绪和高成本的外源融资

第12期：世界各地的资本结构决策：哪些因素重要

第11期：财务风险有多重要？

第3期：机构投资者对公司透明度和信息披露的影响

海外文献推荐：基金研究类

第140期：价值平均策略、美元成本平均策略以及随机投资方式的收益对比——基于多市场历史数据的实证检验

第139期：投资组合集中度与基金绩效

第133期：使用机器学习法推理基金配置

第132期：晨星债基风格箱构建方法论

第130期：什么时候基金管理技能更有价值？

第121期：使用期权对公募基金的益处

第120期：共同基金业绩，管理团队与董事会

第113期：基于DEA方法的共同基金业绩预测

第109期：只有艰难时期的赢家才能持续

第100期：便宜不一定好：论高费率共同基金的优越表现

第94期：基金经理是否具有市场流动性择时能力

第92期：波动率与主动基金管理者能力

第85期：主动ETF或将何去何从

第83期：基金经理的运气与技能

第75期：ETF的战争从未停止

第74期：风格中性FOF:分散投资还是成本重负

第73期：基于APB指标的共同基金业绩评估

第68期：弱市赢家方能恒强：对冲基金再不同市场下的表现持续性

第67期：美国ESG基金发展概览

第64期：基金的alpha源自基金经理的管理能力吗？

第52期：美国目标日期基金市场的成败之争

第51期：买方分析师的能力与角色研究

第47期：下滑轨道内部应该如何配置

第46期：时变的基金经理管理能力

第44期：一个有效的下行风险衡量指标下的FOF 策略

第42期：趋势跟踪策略在目标日期基金中的应用

第41期：基金经理的个人特征与业绩

第39期：风格中性的基金中基金：分散化还是锁定权重？

第37期：如何设计目标基金？

第34期：市场情绪与技术分析的有效性：来自对冲基金的证据

第32期：目标日期基金需要更好的分散化

第30期：一种新的衡量基金经理能力的方式

第29期：基金真的交易越多赚的越多么？

第131期：期权交易信息聚合

第127期：机器学习在量化中的应用趋势

第117期：机器学习基金失败的十大原因及应对策略

第114期：大银行具有更高的价值吗？

第112期：节点遗失：规避神经网络过拟合的一种简单方法

第111期：利用Straddle期权对冲波动率风险

第110期：时间的关联规则挖掘：美国股市中的应用

第107期：基于Boruta的特征选择

第104期：商品期货市场中收益与波动的联动效应：流动性风险的影响

第88期：如何更好地复制对冲基金业绩

第80期：回归模型中的过拟合问题

第66期：揭开中国期货的神秘面纱

第61期：应该卖出哪一种指数期权

第21期：实证金融的未来

风险提示：本报告内容基于相关文献，不构成投资建议。

注：文中报告节选自研究所已公开发布研究报告，具体报告内容及相关风险提示等详见完整版报告。

《天风证券-金融工程：海外文献推荐第153期》

2020年10月14日（注：报告审核流程结束时间）

（已获中国证监会许可的证券投资咨询业务资格）

吴先兴 SAC 执业证书编号：S1

扫二维码 3分钟开户 紧抓股市暴涨行情！

2020 年 9 月 22 日，习近平主席在第 75 届联合国大会期间提出，“中国二氧化碳排放力争于 2030 年前达到峰值，努力争取 2060 年前实现碳中和”。

12 月 16 日-18 日召开的中央经济工作会议明确提出，2021 年要“做好碳达峰、碳中和工作”。未来，我国经济社会发展将全面绿色转型。

1月31日晚8时，第21期浦山讲坛上线。中国金融四十人论坛（CF40）资深研究员肖钢，亚洲基础设施投资银行行长金立群，CF40学术顾问、全国社会保障基金理事会副理事长陈文辉，CF40学术委员、中国人民银行国际司司长朱隽，CF40成员、清华大学绿色金融发展研究中心主任马骏，CF40成员、海通国际首席经济学家孙明春将共同探讨金融如何支持碳达峰、碳中和目标的实现。

本期节目基于中国金融四十人论坛（CF40） 双周内部研讨会“金融支持碳达峰、碳中和：国际经验与中国路径”的研究成果制作。你将了解到：

一、金融部门可从哪些方面着手，支持碳达峰、碳中和工作如期完成？

二、相关的金融政策路径面临哪些难点和阻碍？

三、碳达峰、碳中和将为金融业带来哪些机遇与挑战？

四、哪些国际经验值得探讨？

 金融如何支持气候变化融资？央行朱隽谈五大热议问题

“气候变化将影响金融稳定和货币政策。”中国金融四十人论坛（CF40）学术委员、中国人民银行国际司司长朱隽表示。

金融该如何支持应对气候变化的融资？朱隽介绍，目前国际上对此存在诸多热议问题：

例如，央行是否应该实行绿色宽松政策？这一争论主要有两点：一是绿色量化宽松是否超出了央行的职能范围；二是如果央行实施绿色量化宽松，是否违反了市场中性的原则。

一方观点认为，央行职能不包括环境可持续和应对气候变化，如果用量化宽松推动低碳转型，央行可能负担过重。央行唯一的职能是保持价格稳定，其不应该直接购买绿色债券，否则将干扰市场，形成价格扭曲。

另一方观点认为，维护金融稳定已经成为央行的重要使命，气候变化无疑会对系统性金融稳定构成威胁，央行应该加以研究和应对。此外，高碳排放企业在银行贷款中占比重较高，所以QE助长了高碳经济活动，央行有义务纠正这个倾向。

关于绿色金融分类标准问题，朱隽表示，绿色金融分类标准是绿色金融发展的基础，目前只有中国和欧盟有明确的绿色分类标准，中欧双方正在推动中欧绿色分类标准的趋同，避免国际绿色金融市场的碎片化发展，这一工作计划将于今年6、7月份结束。如果顺利，绿色金融的第一个国际标准有望在今年七月诞生。

在习主席提出“30·60目标”之后，我们对2016年以来我国参与的应对气候变化和绿色金融发展的国际实践进行了梳理，发现国际上应对国际气候变化的政策框架基本可以分为四大类：一是产业政策，二是碳税，三是碳排放权交易，四是通过绿色金融来支持碳达峰、碳中和。本文将对这四个方面进行具体介绍。

主要国家实现碳中和的产业政策路线图

截至近期，提出碳中和目标的国家有126个，占全球碳排放总量约51%。其中，不丹和苏里南已经实现了负排放，绝大部分国家承诺将在2050年实现碳中和，我国为2060年之前。上述国家承诺碳中和的形式绝大部分是政策宣示，剩余部分国家则以立法来保证承诺的兑现，其中，瑞典、苏格兰、英国、法国等国已经完成立法，欧盟、西班牙、智利等则正处于立法过程中。

这些国家的产业政策大致有五条路径：

第一，发展清洁能源，降低煤电的供应。比如2017年，英国和加拿大共同成立了“弃用煤炭发电联盟”，如今已有30多个国家参加；瑞典和奥地利也在2020年4月同时宣布实现无煤化，提前淘汰了燃煤发电。

第二，减少建筑物的碳排放，打造绿色建筑。英国在这一方面做得比较好，早在1990年，英国就出台了全球首个绿色建筑评估方法BREEAM，如今全球已有超过27万栋建筑完成了BREEAM认证。欧盟计划在2030年，即十年后，实现所有建筑近零能耗。

第三，布局新能源交通工具，减少交通运输业碳排放。在这条路径上，各国采取了不同的政策。比如德国为购置电动汽车提供6000欧元每辆的补贴；美国对新能源汽车的研发提供优惠的低息贷款；欧盟通过交通系统数字化发展减少交通的碳排放：具体来看，其通过一个连接欧洲的基础设施基金，向140个关键性运输项目注入22亿欧元，促成票务系统的电子化，减少碳排放。

同时，欧盟也计划实现40个机场的互联互通，使用无人机来进行货运，既降低运输时间和成本，又能降低高达80%的碳排放。可见，欧洲各国的措施是层出不穷的。

第四，发展碳捕获、碳储存（CCS）技术，减少工业碳排放。2018年英国启动了一个CCS试点的工厂，初步测算如果要在2050年实现碳中和，全球需要有6千个此类项目，而目前达到标准的只有几个，所以未来的40年里，任务仍然艰巨。

第五，加快植树造林，抵消农业生产的碳排放。这一方面，拉美国家有着非常明确的措施和严厉的监管。

碳税减排效果最佳 但易造成效率损失和监管套利

国际社会应对气候变化的第二类政策措施是碳税，即对排放二氧化碳等温室气体的行为征税。目前，全球已有约30个国家实现了碳税，其中最早施行的是芬兰和波兰，这三十个国家的碳排放总量占全球碳排放量的/zt_d/psjt?from=singlemessage&isappinstalled=0，或者登录bilibili关注中国金融四十人论坛，通过“浦山讲坛”频道：//channel/detail?cid=118136，观看浦山讲坛视频回放。