-
一、 引言
-
在“双碳”战略目标与技术进步的推动下，中国风电、光伏等新能源行业迅速发展。2025年国家能源局发布的《关于促进新能源集成融合发展的指导意见》（以下简称《指导意见》）指出，中国新能源行业实现跨越式发展，新能源装机规模历史性超过火电，迈入发展新阶段。与传统能源行业相比，新能源产业链条长、前期投入大、技术更新快，对外部资金和风险管理工具的依赖程度更高。同时，新能源金属、大宗能源商品以及相关股票、债券等金融资产价格波动较大，地缘政治、宏观政策、气候事件等因素都可能通过金融市场在不同资产之间进行传导，加剧新能源行业的不确定性。此外，《指导意见》要求推动新能源从单一的发电向多能源品种的融合化、一体化建设转型。
-
在此背景下，新能源发展中的金融管理具有十分重要的意义。从国家政策导向层面看，资金的稳定性、期限与成本直接影响新能源项目的落地效果，也关系到《指导意见》所提出的集成融合发展目标的实现。有效的金融管理可以通过价格信号、风险分散与市场化交易，引导资金和新能源产业向资源更好的地区配置。对新能源企业而言，高投入、高不确定性是常态。原材料与电价一旦剧烈波动，缺乏对冲手段的企业利润往往会降低，融资结构失衡还会让企业错失技术升级和产能调整的机会。借助期货、期权等金融工具，并通过绿色信贷、绿色债券等方式获得与发展匹配的资金，可以降低经营波动、把握转型机遇。从学术研究层面看，新能源领域的高价格波动性、跨市场风险传导及新型资产定价等问题也亟待探讨，将其纳入统一分析框架，不仅可以检验既有资产定价模型，也为能源经济学与金融学的进一步交叉融合提供了新的可能。
-
基于金融市场与绿色金融政策视角，本文的文献综述主要包括四个部分。前三部分立足于金融市场视角：第一部分梳理新能源金属及相关金融资产的价格预测研究，概括其市场特征、主要数据来源与建模方法，分析宏观变量、商品基本面以及文本、遥感等新型信息对价格预测精度的提升作用；第二部分分析传统能源与新能源市场及金融市场之间的风险联动，区分同频与混频模型，并考察在不同市场状态与重大事件下原油、天然气等传统能源市场与新能源板块的风险联动变化机制；第三部分基于资产定价与资本配置，梳理新能源金融资产的定价难点、定价模型中碳排放与气候风险因子的引入，以及绿色投资组合构建、资本配置与融资效率相关研究，探讨资金在传统能源与新能源之间的重新配置。第四部分从绿色金融政策视角出发，分析绿色金融市场政策与新能源发展的研究进展，重点关注绿色信贷、绿色债券、绿色金融试验区等政策工具的设计及其宏观经济与环境效应，以及对新能源企业融资、投资与创新行为的影响。
-
二、 作用机制与分析框架
-
（一） 金融管理促进新能源发展的作用机制
-
数字技术、分布式新能源与传统能源的融合，构成了推动中国能源产业现代化的重要引擎——新型能源系统。在这一系统中，新能源市场与金融管理起到了重要的资源调节作用。近年来，在中国积极稳妥推进碳达峰碳中和的战略部署下，新能源股票、债券、期货等金融市场迅速发展，既为相关企业提供了多元化融资渠道，也将价格波动风险引入能源体系。金融市场流动性、投机需求等因素可能加剧大宗商品的短期价格波动，而新能源金属价格的剧烈波动，亦可能通过成本与价格风险渠道，影响相关产业链的稳定运行。[1-2]
-
在此背景下，能源金融管理面临两大关键问题：第一，如何通过价格预测、风险管理等工具缓解新能源市场的高波动性，从而维护新型能源系统的稳定运行；第二，如何在资产定价、投资组合及绿色金融政策设计中，将新能源产业的风险纳入考量，引导金融资源向绿色资产有序配置。[3-5]相关研究已表明，绿色金融与可再生能源发展之间存在紧密联系。[6-9]新能源发展中的金融管理可以理解为：在新型能源系统框架下，依托金融市场与绿色金融政策两条主线，完善新能源资产的价格发现与风险分担机制，提升资本配置效率，并通过绿色金融工具放大政策促进作用，最终推动新能源产业高质量发展。
-
（二） 新能源金融管理研究的分析框架
-
聚焦于金融管理在新能源发展过程中的作用路径和关键环节，本文重点从金融市场与绿色金融政策两个视角梳理相关文献。具体而言，现有研究可归纳为四个相互关联的方向：新能源金属及相关金融资产的价格预测、传统能源与新能源市场风险联动建模、新能源资产定价与投资组合优化、绿色金融政策的设计与评估。这四个方向共同构成了新能源金融管理的完整框架，涵盖信息如何进入价格、风险如何在能源市场间传导、资本如何在传统能源与新能源之间配置、绿色金融政策如何提升新能源发展质量。
-
价格预测研究主要针对新能源金属等市场，通过融合结构化与非结构化信息提高价格可预测性，为相关企业开展价格风险管理、套期保值与采购决策提供依据。[10-12]这部分研究的关键在于，面对市场信息来源分散且不完整的情况，如何有效利用宏观经济指标、期货市场变量、投资者情绪、新闻文本以及遥感与卫星图像等时空数据，提高对新能源金属价格及相关金融资产价格的预测精度。
-
风险联动研究以传统能源与新能源之间的替代与互补关系为基础，刻画不同能源种类及其金融资产之间的风险传导与溢出效应，为资产组合配置和系统性风险防控提供依据。小波分析、分位数回归、交叉量子图与溢出指数等方法常用于识别不同市场间的风险联动。[13-16]GARCH-MIDAS、DCC-MIDAS等混频模型则结合高频金融数据与低频宏观变量，提供了混频视角下对波动率和相关性的分析。[17-20]
-
资产定价与投资组合研究致力于探讨新能源金融资产是否获得与其风险相匹配的收益。随着多因子模型的发展，市场、规模、价值、盈利、投资和动量等因子被纳入定价模型。[21-23]在新型能源系统背景下，气候风险、政策风险、技术变革风险等新的系统性因子也逐渐被提出并纳入资产定价模型。[3，24-25]这些方法不仅有助于分析新能源资产超额收益的来源，也能在收益、风险与环境约束之间进行权衡，为构建绿色投资组合提供可行路径。
-
绿色金融政策研究聚焦于宏观与制度层面，主要评估绿色信贷、绿色债券、绿色金融试验区等工具对可再生能源发展及企业行为的影响。[26-28]DSGE与一般均衡模型被用于描述政策如何通过信贷利率、准备金约束等渠道，推动资本在绿色与非绿色部门之间重新配置，并分析由此带来的资源消耗和污染变化。[9，29]面板回归、双重差分、事件研究等方法则被用来检验绿色金融政策与融资成本、投资决策、技术创新及减排绩效之间的联系。[8，30-32]
-
从研究方法看，相关文献使用了传统计量模型、混频模型、机器学习和DID等方法，这些方法优缺点和适用范围存在差异。具体而言，传统计量模型便于解释，但对非线性关系的刻画不够充分；混频模型能够在高频数据中进一步考虑低频宏观因素，但对相关变量的选择较为敏感；机器学习方法适用于处理高维变量与非线性关系，但其可解释性相对较低；DID可以用于检验绿色金融政策对企业融资等方面的影响，但其有效性取决于平行趋势识别假设。因此，在研究中应根据具体研究问题和目标选择合适的方法。
-
三、 新能源相关金融资产的价格预测
-
（一） 新能源金属及相关金融资产的特征
-
“双碳”战略的实施改变了金属与能源大宗商品的供需格局，铜、镍、锂、铬等金属因在电动车、电池及光伏等领域的重要作用而受到关注。[1，11，33]新能源金属兼具商品与金融双重属性，其价格既受生产成本、矿产储量、库存水平等基本面因素影响，也受货币政策、全球经济周期、气候政策及金融投机行为等因素影响。[34-37]随着碳排放交易市场的建立，碳价通过改变企业排放成本与投资预期，影响上游新能源金属行业的发展。期货市场的公开交易价格已成为世界上大多数新能源金属定价的参考基准。[11，38]多重因素叠加使得新能源金属价格呈现出高波动性、非线性及复杂的跨市场联动特征，使其价格预测成为一项具有挑战性的任务。
-
（二） 结构化信息在价格预测中的作用
-
部分研究利用结构化数据预测新能源金属及相关金融资产价格。这类文献利用宏观经济指标、货币金融变量、商品市场基本面及期货市场信息等构建预测因子集，进行预测建模和检验。[10，11，35，39-41]常用的宏观因素包括工业生产指数、股价指数、经济政策不确定性指数及地缘政治风险指数等；货币市场方面，汇率、基准利率等被视为影响大宗商品价格的重要金融变量；商品基本面可以通过产量、库存、进出口等变量进行刻画；期货市场中各合约的成交量与持仓量反映了市场参与者的预期与流动性。[33，42-45]
-
（三） 非结构化数据与时空大数据在价格预测中的作用
-
相较于结构化数据，非结构化数据与时空大数据在新能源金属及相关金融资产预测中的应用尚处于起步阶段。大量研究已在宏观经济等领域证实，文本、夜间灯光、遥感图像及各类传感器数据可以有效弥补传统统计数据的时滞与粗糙问题，从而提升对经济活动与社会状态的描述精度。[46-50]其中，文本等信息已被广泛用于收益率预测与风险测度。研究者借助新闻报道、分析师报告、政策文件等构建相关指标，以解释或预测资产价格。[51-54]
-
卫星与遥感数据在金融市场预测中的应用虽相对有限，但已有研究显示出其潜力。例如，Zhu[55]基于卫星的零售商停车场汽车数量标准化指标预测尚未公布的收益；Mukherjee等[56]研究表明，引入基于卫星的图像数据后，原油价格提前反映了政府原油库存公告信息；Yu等[57]证实，基于卫星图像的集装箱数量指标能够显著预测全球股票收益率；Hao等[58]基于储油罐上方的云层卫星图像数据，实现了对原油价格变化的准确预测；Hao等[59]利用美国零售企业门店的地理位置与云层覆盖数据，构建了一个信息风险指标，发现该指标能够正向预测零售企业的股票收益。这些研究表明，非结构化数据能够为资产价格预测提供新的信息，为未来将此类数据用于新能源金属及相关金融资产的预测奠定了基础。
-
（四） 高维信息背景下的变量选择与机器学习方法
-
包含宏观、金融、基本面、情绪及大数据指标的预测变量集合呈现高维特征。传统逐一使用或经验筛选变量的做法，易导致信息丢失或模型不稳定。变量选择方法为此提供了一种较好的解决办法。LASSO及其扩展模型通过在目标函数中引入惩罚项，在估计的时候对重要变量施加较轻惩罚、对次要变量施加较重惩罚，从而在保留主要预测变量的同时实现降维。[60-62]由于惩罚形式不同，各类方法的估计算法也各不相同。例如，Efron等[63]开发了LARS算法求解LASSO模型；Yuan等[62]则基于协变量正交假定，使用修正的打靶算法求解GLASSO；方彤等[64]使用单纯形法、遗传算法和集群智能算法对惩罚的似然函数进行参数估计。
-
机器学习算法也常被应用于价格预测。研究表明，基于树和神经网络的模型在处理高维非线性关系方面具有明显优势，能够在资产定价和收益率预测中提升拟合与预测效果。[65-66]国内研究也尝试将机器学习应用到动态CAPM与投资组合优化中。[67-69]然而，由于模型结构复杂，机器学习方法在金融应用中存在可解释性不足问题，难以像传统计量模型那样直接给出预测变量的经济含义。总体来看，变量选择与机器学习为新能源金属及相关金融资产价格预测提供了可能的方法基础。
-
四、 传统能源市场与新能源市场的风险联动
-
（一） 传统能源市场与新能源市场的风险传导机制
-
传统化石能源与新能源之间存在明显的替代关系，这也使得它们在金融市场上呈现出紧密的风险联动。[70-71]原油、天然气和煤炭价格影响新能源项目的成本与收益[72]，传统能源价格上涨往往会提升可再生能源的相对竞争力，并改变投资者对新能源企业的盈利预期。此外，可再生能源板块在全球资本市场中逐渐成熟，其价格波动也会反向影响能源期货及相关衍生品的风险状况。[73-74]研究表明，传统能源市场与新能源市场相关资产之间的联动具有明显的状态依赖性。气候政策、能源危机以及地缘冲突（如俄乌冲突）等重大事件，会显著改变传统能源市场和新能源市场收益与波动的连通性。
-
（二） 同频风险联动建模方法及应用
-
部分学者使用价格或收益率对传统能源与新能源之间的风险关系进行研究，常采用相关性分析、Granger因果检验、VAR模型、TVP-VAR模型及溢出指数等方法。例如，Spelta等[13]运用小波变换，将欧洲可再生能源指数与化石能源股票指数的价格序列分解到不同时间尺度上，以研究其相关性；Mohammed等[73]采用分位数回归等方法，考察油价与可再生能源及科技股票指数之间的非对称关系；Yousaf等[15]基于分位数溢出指数，分析可再生能源代币与原油、天然气市场在极端分位数下的风险联动；Zhang等[75]使用TVP-VAR方法与交叉分位数图技术，研究可再生能源股票收益率对化石能源市场收益率及关联性的影响；Caporale等[76]使用Diebold等[77]的溢出指数方法，分析了化石能源与可再生能源股票指数收益和波动的连通性；Su等[14]采用基于分位数VAR的连通性网络方法，分析了碳市场、化石能源和可再生能源指数之间在不同市场状态下的收益溢出关系。这类研究往往仅使用高频金融变量，较少纳入宏观基本面与政策变量，因此，在解释风险溢出背后的驱动因素时存在一定不足。
-
（三） 宏观因素驱动的混频风险联动建模
-
将低频宏观变量引入波动率和相关性建模中形成混频模型，可以解决同频模型对宏观因素考虑不足的问题。Schwert[78]证实股票市场的波动性与名义宏观经济波动率、经济活动水平及金融杠杆密切相关。Fama等[79]以及Ferson等[80]进一步指出，风险溢价具有明显的反周期特征。Engle等[17]利用宏观经济活动与股票市场波动率的关系，构建了GARCH-MIDAS混频波动率模型，即把波动率分解为长期波动率与短期波动率，其中长期波动率由低频率的宏观经济变量驱动。实证结果表明，GARCH-MIDAS模型在波动率预测方面优于传统的GARCH模型，其优越性也在中国A股与B股市场得到了验证。[19]Conrad等[81]比较了成分和单一波动率模型的预测能力，发现成分的GARCH-MIDAS模型比传统的单成分波动率模型具有更高的预测精度。
-
影响传统能源的宏观因素同样会传递到新能源市场，反之亦然。因此，在构建多元相关性模型时，也需要考虑宏观经济活动对变量间相关性的影响。Colacito等[82]和Asgharian等[18]在Engle[83]的经典DCC模型基础上引入低频宏观变量，构建了DCC-MIDAS模型，将相关性分解为短期相关性和长期相关性，其中长期相关性由宏观变量驱动。周开国等[20]利用DCC-MIDAS模型分析了中国四个重要金融市场间的动态相关性如何受到宏观经济信息的影响，发现工业增加值与货币供应量M2负向影响金融市场的关联性。这类混频模型为研究传统能源与新能源市场风险联动提供了有效工具，使研究者能够同时纳入高频价格冲击与低频宏观变量的共同作用。
-
五、 新能源资产定价与资本配置
-
（一） 新能源金融资产的特征与定价挑战
-
资产定价理论通常将资产价格视为未来现金流在适当贴现率下的折现值，其预期超额收益反映了对系统性风险的补偿。[84-85]在单因子CAPM的基础上，Fama等[21]将规模和价值因子纳入三因子模型，Carhart[23]进一步加入动量因子，之后Fama等[22]又引入盈利与投资因子，构建了五因子模型，从而将市场、规模、价值、动量、盈利与投资等风险因子纳入多因子资产定价框架。Liu等[86]构建了中国市场的规模与价值因子，发现其三因子模型显著优于直接复制Fama等[21]方法构建的中国市场模型。
-
然而，相比于一般股票与债券，新能源金融资产在现金流来源与风险暴露方面具有显著不同。新能源企业收益比较依赖国家补贴、碳市场制度等政策情况，政策调整可能通过改变项目收益率与资本成本进而影响资产价格。此外，这类资产还受到气候风险与技术变革风险的多重影响，例如，极端气候事件、碳价格波动及技术路线改变，都可能引发资产的价值重估。[4，87-88]因此，新能源资产定价研究不仅需要识别其特有的现金流与风险暴露，还需检验气候风险、政策风险及技术变革风险等新因子是否已经在资产价格中得到反映。
-
（二） 对碳排放与气候风险的资产定价分析
-
近年来，大量研究聚焦于碳排放与气候风险是否已经反映在资产价格中。部分文献以碳排放及相关指标为基础，检验高排放企业是否需要向投资者支付额外风险补偿。Bolton等[24]利用企业层面碳排放数据构造碳排放强度因子，发现高碳排放企业在股票市场存在显著溢价，该溢价在控制了规模、账面市值比等传统风险因子后依然显著，说明碳风险在股票收益截面上被定价。Duan等[89]将碳风险定价研究扩展到公司债券市场，发现与碳风险溢价相反，高碳排放企业发行的公司债风险更高，未来超额收益却显著更低，说明碳排放相关风险在公司债市场并未得到充分补偿。基于企业的有毒排放数据，Hsu等[90]研究了工业污染对资产定价的影响，发现基于公司有毒排放强度构建的多空组合年均回报率为4.42%。
-
另一部分文献从信息与预期的角度考察气候风险与政策风险对资产价格的影响。Hong等[88]将各国长期干旱趋势作为气候物理风险的代理，发现干旱风险较高的国家的食品企业，其未来利润增长与股票收益均低于干旱风险较低的国家；Choi等[4]构建了反映投资者对全球变暖关注度的指标，发现当市场关注度上升时，与气候相关的信息会导致资产价格调整，说明气候风险通过投资者预期影响资产价格；Schlenker等[87]发现天气衍生品价格不仅对未来两周的天气预报作出反应，其长期变化也与气象观测和气候模型所预测的变暖趋势大体一致；Ramelli等[91]以2019年3月15日首次全球气候罢工作为外生冲击，发现高碳排放企业在事件窗口内获得了显著的负向异常收益。
-
（三） 新能源资产定价与投资组合优化
-
在资产定价研究中，学者一方面基于多因子模型不断寻找新的因子，另一方面通过引入机器学习与非线性模型提升拟合与预测能力。有学者通过引入规模、价值、盈利与投资等因子，提高了对股票收益截面的解释能力。[21-22]国内相关研究发现，结合情绪与文本信息的变量能够进一步改善资产定价表现。[92-93]Gu等[65，94]和Chen等[66]研究表明，树模型、深度神经网络及其他机器学习方法可以较好地建立非线性关系，在资产定价和收益预测方面的表现优于传统线性模型。这些模型为在新能源资产定价中同时考虑气候、政策、技术变化等新因子提供了可参考的方法。
-
投资组合优化是指通过合理配置资产，以达到最大化收益或最小化风险的目标。Markowitz[95]的均值-方差模型为后续研究奠定了基础。投资组合优化模型还有最小方差模型和最大夏普值模型等。然而，这些模型在实际应用中存在一定缺陷。例如，当最优化问题中存在多种相互作用的约束条件时，均值-方差模型会变得不可靠。[96]Candelon等[97]认为，仅使用样本数据估计协方差矩阵会给采用传统投资组合模型的投资者造成重大损失。Mynbayeva等[98]认为，即使在收益率服从正态分布且无时间序列相关性的理想情况下，均值-方差模型依然无法取得有效结果。因此，学者不断对投资组合优化模型进行改进，提出了一系列新的方法。[68，99-101]Pedersen等[3]尝试在收益—风险权衡基础上加入ESG约束，通过绿色偏好约束资产权重，在满足社会责任需求的同时实现收益最大化。这一发展趋势与考虑新能源资产的投资组合优化密切相关，有助于引导资本从高碳行业向低碳与零碳行业配置。此外，在《指导意见》倡导新能源融合化与一体化建设的背景下，新能源行业将呈现出多能源品种共存并相互影响的特点，新能源与金融市场的关联也将更加紧密。王正位等[102]从绿色金融与电力市场协同发展的角度，系统分析了“双碳”目标背景下电力市场低碳转型对绿色金融支持的需求。此外，新能源企业的现金流也将发生改变，这对新能源金融资产的定价与投资组合优化提出了新的要求。Pástor等[25]从一般均衡视角分析了可持续投资偏好如何影响资产的价格与资本的流向，为理解新能源金融资产在多能源体系中的定价机制提供了理论基础。
-
（四） 资本配置与融资效率对新能源发展的影响
-
金融市场不仅通过定价机制反映资产的风险与预期，也通过资本配置效率影响实体企业的发展。为分析绿色金融与可再生能源投资的关系，He等[103]利用面板回归模型发现，绿色金融发展可以通过减少银行信贷发行来抑制对可再生能源的过度投资；然而，对于投资不足的可再生能源企业来说，绿色金融发展无法缓解投资不足的问题；建议金融机构应积极创新绿色金融产品以支持可再生能源企业发展。Guo等[27]利用中国数据和面板回归模型发现，在可再生能源发展的初始阶段，政府的扶持政策是关键驱动因素；而在可再生能源发展的成长期，绿色金融发展则成为重要推动因素。
-
此外，研究也关注绿色金融如何影响新能源企业的融资约束与价值创造。王贞洁等[104]发现，绿色金融能够缓解新能源企业的融资约束，分析师关注在其中主要发挥信息传递与监督治理效应。同时，绿色金融还能显著提高新能源企业的资本投资与研发投资水平，促进新能源企业绿色创新数量与质量的提高。贺正楚等[105]的研究则显示，绿色金融发展水平与新能源汽车产业链的企业价值之间呈“倒N”型关系，揭示了绿色金融发展“过多不一定更好”的非线性特征。因此，资本配置效率与融资效率是连接金融管理与新能源产业发展的关键因素。合理的资产定价与投资组合配置能够引导资本流向具有长期绿色价值的行业，而绿色金融工具的推出则通过影响企业融资成本与投资结果，进而影响新能源行业发展的速度与质量。
-
六、 绿色金融市场政策与新能源发展
-
（一） 绿色金融政策工具及研究范围
-
为应对全球变暖与气候变化，各国大力推进绿色金融发展并推出绿色金融市场政策。绿色信贷、绿色债券、绿色基金、绿色保险以及碳税、碳交易等政策工具不断涌现。[106-108]在中国，绿色金融试验区、绿色信贷指引与绿色债券标准等政策逐步构建起具有中国特色的绿色金融政策体系。Zhang等[109]系统梳理了中国可再生能源发展政策，指出中国已经在法律法规、财政补贴、税收优惠、电价政策、技术研发支持与政府示范工程等方面形成相互联系的政策体系。这些工具通过降低成本与改善收益，支持可再生能源投资项目。文书洋等[9]和潘冬阳等[110]从宏观层面指出，绿色金融政策是推动经济结构转型、提高增长质量的重要手段。上述研究从政策工具与宏观理论两个层面，为分析绿色金融政策如何通过资本配置与融资条件影响新能源产业发展提供了重要依据。
-
（二） 绿色金融政策的宏观经济与环境效应
-
绿色金融政策对经济增长质量、能源结构与环境绩效的影响已成为绿色金融研究的核心议题。文书洋等[9]构建了包含资源环境约束与金融部门的一般均衡模型，发现绿色金融机构能够通过优化资本配置改善经济增长路径，降低稳态中的环境损害水平，从而提高经济增长质量。王遥等[29]运用DSGE模型研究绿色信贷激励政策，发现针对绿色信贷的贴息、定向降准、再贷款均是有效且合意的激励政策，一定强度的政策能够提高绿色信贷量，在绿色意义上优化经济结构。Sun等[8]采用DID方法评估中国绿色金融政策在可再生能源减排部署中的作用，发现可再生能源绿色金融战略可以减少总体减排状况，且对金融欠发达地区的减排影响更为显著。Wang等[108]利用面板回归模型和中国的数据发现，绿色金融虽能提高可再生能源企业的投资水平，但其促进作用可能受企业过度融资约束有所削弱甚至抵消。
-
从国际视角来看，Alharbi等[6]研究发现，在气候风险暴露较高与碳排放强度较高的国家，绿色金融对可再生能源的长期影响更为积极。Sinha等[111]基于美国数据，采用多元分位数对分位数回归分析发现，绿色金融对可再生能源发电的影响易受外生因素调节，同时表现出分位数依赖性。上述研究表明，绿色金融政策不仅有助于改善宏观层面的环境绩效，还能通过影响资本成本与投资结构来改变经济增长路径，进而推动新能源发展。
-
（三） 绿色金融政策对新能源产业和企业的影响
-
大量文献分析了绿色金融政策对新能源企业的影响。Ji等[7]利用VAR框架证实金融发展对中国可再生能源发展至关重要，对其增长变化的总体贡献率为42.42%，其中资本市场是最重要的因素。Wang等[112]基于文献聚类分析指出，碳税、政府补贴、绿色债券与绿色投资等政策是绿色金融中的可行政策，其中绿色债券政策可用于解决绿色项目的融资问题。Li等[26]利用中国的数据和面板回归模型发现，绿色金融（以绿色债券的形式）与绿色法规对可再生能源推广具有积极作用。
-
此外，陈奉功等[113]基于DID模型检验绿色债券发行的市场反应，发现企业在发行绿色债券后股票获得了显著的超额收益，表明市场对绿色债券发行所释放的信号进行了正向定价。崔灿[114]通过新能源汽车企业的个案分析进一步发现，企业在发行绿色债券后表现出良好的市场效应、财务效应和环境效应。钟覃琳等[115]利用绿色金融试验区的自然实验，发现绿色信贷可以激励企业承担环境责任、降低污染排放并促进绿色经济发展。熊熊等[116]则从投资者互动平台提取绿色关注指标，发现绿色关注不仅能促进企业绿色创新的数量和质量，还受到绿色金融政策的正向调节。
-
七、 结论与研究展望
-
（一） 主要结论
-
围绕新能源发展中的金融管理，本文从金融市场与绿色金融政策两个角度对现有研究进行梳理，主要结论可以概括为以下四个方面。
-
第一，新能源金属及相关金融资产兼具商品属性与金融属性，其价格呈现出高波动性、非线性及复杂的跨市场联动特征。宏观经济指标、货币金融变量、商品市场基本面及期货市场信息是常用的预测因子。变量选择与机器学习方法在价格预测中具有明显的优势。
-
第二，传统能源与新能源市场之间存在显著的时变相关性与风险溢出。混频风险联动模型把高频价格冲击与低频宏观经济变量纳入同一模型中，为捕捉两类信息的共同影响提供了有效工具。
-
第三，新能源资产因现金流来源、风险暴露等因素与一般股票、债券不同，难以沿用传统的单因子或经典多因子模型。已有研究指出，碳排放、气候风险等与新能源相关的因子正逐步被纳入定价模型，绿色金融亦通过提升资本配置效率与融资效率来推动新能源产业发展。
-
第四，绿色金融政策具有良好的宏观经济与环境效应。绿色信贷、绿色债券和碳税等政策工具可在一定程度上缓解新能源企业的融资约束、降低资金成本，并提高企业绿色创新的数量与质量，从而促进新能源行业发展。
-
（二） 未来研究方向
-
现有研究为理解金融如何促进新能源发展提供了扎实基础，结合数据与方法的变化，未来可在以下方向进一步深化。
-
第一，引入时空数据改进新能源金属及相关金融市场预测。现有新能源金属及相关金融市场预测多以价格、产量等结构化数据构造指标，忽略文本、卫星图像等时空数据。既有研究表明，基于停车场车辆、集装箱数量、储油罐上方云层等卫星图像提取的指标，可以提前反映收益与库存并预测资产价格。未来可借助机器学习从此类时空大数据中构造新能源金属的预测指标。
-
第二，在将宏观变量引入混频波动率或动态相关模型时，事前难以确定应纳入哪些变量，变量变多又易出现维度灾难问题。现有LASSO、ALASSO、GLASSO等变量选择方法虽能降维，但惩罚形式、估计算法与统计推断方面尚有完善空间，后续研究可在混频框架下构建适用于多种惩罚形式的统一估计与推断方法。
-
第三，在新型能源系统背景下深化资产定价、投资组合与政策研究。未来可在资产定价与投资组合模型中纳入新能源行业特征和绿色金融政策，并在DSGE、面板回归与DID框架中，系统评估不同绿色金融市场政策及新能源行业的差异与作用路径，同时将政策强度与公众关注度纳入政策效果评价。
-
参考文献
-
[1] 云璐,崔晓敏,肖立晟,等.国际大宗商品供需分析框架：全球视角与中国角色[J].国际经济评论,2022(3):68-88.
-
[2] 杨文培,朱永光,徐德义,等.双重视角下中国锂价波动驱动机制与政策调控——基于经济政策不确定性与地缘政治风险的时变分析[J/OL].中国国土资源经济,1-19[2025-11-09].https://doi.org/10.19676/j.cnki.1672-6995.001270.
-
[3] Pedersen L H,Fitzgibbons S,Pomorski L.Responsible Investing:The ESG-efficient Frontier[J].Journal of Financial Economics,2021,142(2):572-597.
-
[4] Choi D,Gao Z,Jiang W.Attention to Global Warming[J].The Review of Financial Studies,2020,33(3):1112-1145.
-
[5] 中国人民银行党校进修班第一课题组,谢保嵩,周锐.绿色转型过程中的金融风险管理[J].中国金融，2025(16):76-77.
-
[6] Alharbi S S,Al Mamun M,Boubaker S,et al.Green Finance and Renewable Energy:A Worldwide Evidence[J].Energy Economics,2023,118:106499.
-
[7] Ji Q,Zhang D.How Much does Financial Development Contribute to Renewable Energy Growth and Upgrading of Energy Structure in China?[J].Energy Policy,2019,128:114-124.
-
[8] Sun Y,Guan W,Cao Y,et al.Role of Green Finance Policy in Renewable Energy Deployment for Carbon Neutrality:Evidence from China[J].Renewable Energy,2022,197:643-653.
-
[9] 文书洋,林则夫,刘锡良.绿色金融与经济增长质量:带有资源环境约束的一般均衡模型构建与实证检验[J].中国管理科学，2022，30(3):55-65.
-
[10] Gilbert C L.Regional Premiums in Nonferrous Metals Markets[J].Journal of Futures Markets,2021,41(11):1693-1714.
-
[11] Dooley G,Lenihan H.An Assessment of Time Series Methods in Metal Price Forecasting[J].Resources Policy,2005,30(3):208-217.
-
[12] Jeong W,Park S,Lee S,et al.Influence and Predictive Power of Sentiment:Evidence from the Lithium Market[J].Finance Research Letters,2024,68:105871.
-
[13] Spelta A,De Giuli M E.Does Renewable Energy Affect Fossil Fuel Price?A Time-Frequency Analysis for the Europe[J].Physica A:Statistical Mechanics and Its Applications,2023,626:129098.
-
[14] Su C W,Pang L D,Qin M,et al.The Spillover Effects among Fossil Fuel,Renewables and Carbon Markets:Evidence under the Dual Dilemma of Climate Change and Energy Crises[J].Energy,2023,274:127304.
-
[15] Yousaf I,Nekhili R,Umar M.Extreme Connectedness between Renewable Energy Tokens and Fossil Fuel Markets[J].Energy Economics,2022,114:106305.
-
[16] Zhang Y,Tang G,Li R.Spillover Effects between China’s New Energy and Carbon Markets and International Crude Oil Market:A Look at the Impact of Extreme Events[J].International Review of Economics & Finance,2025,98:103939.
-
[17] Engle R F,Ghysels E,Sohn B.Stock Market Volatility and Macroeconomic Fundamentals[J].The Review of Economics and Statistics,2013,95(3):776-797.
-
[18] Asgharian H,Christiansen C,Hou A J.Macro-finance Determinants of the Long-run Stock-bond Correlation:The DCC-MIDAS Specification[J].Journal of Financial Econometrics,2016,14(3):617-642.
-
[19] 夏婷,闻岳春.经济不确定性是股市波动的因子吗?——基于GARCH-MIDAS模型的分析[J].中国管理科学，2018，26(12):1-11.
-
[20] 周开国,邢子煜,杨海生.宏观经济信息与金融市场关联性——来自混频动态条件相关系数模型的证据[J].金融研究，2021(11):41-59.
-
[21] Fama E F,French K R.Common Risk Factors in the Returns on Stocks and Bonds[J].Journal of Financial Economics,1993,33(1):3-56.
-
[22] Fama E F,French K R.A Five-factor Asset Pricing Model[J].Journal of Financial Economics,2015,116(1):1-22.
-
[23] Carhart M M.On Persistence in Mutual Fund Performance[J].The Journal of Finance,1997,52(1):57-82.
-
[24] Bolton P,Kacperczyk M.Do Investors Care about Carbon Risk?[J].Journal of Financial Economics,2021,142(2):517-549.
-
[25] Pástor L’,Stambaugh R F,Taylor L A.Sustainable Investing in Equilibrium[J].Journal of Financial Economics,2021,142(2):550-571.
-
[26] Li Z,Kuo T H,Siao-Yun W,et al.Role of Green Finance,Volatility and Risk in Promoting the Investments in Renewable Energy Resources in the Post-covid-19[J].Resources Policy,2022,76:102563.
-
[27] Guo W,Yang B,Ji J,et al.Green Finance Development Drives Renewable Energy Development:Mechanism Analysis and Empirical Research[J].Renewable Energy,2023,215:118982.
-
[28] 王爱萍,陈妙,胡海峰.绿色金融改革创新试验区的设立对企业绿色转型的影响——基于企业战略导向与创新行动的分析[J].南开经济研究，2024(12):187-205.
-
[29] 王遥,潘冬阳,彭俞超,等.基于DSGE模型的绿色信贷激励政策研究[J].金融研究,2019(11):1-18.
-
[30] 代昀昊,赵煜航,雷怡雯.绿色金融政策会提高企业债务融资成本吗?[J].证券市场导报，2023(4):33-43.
-
[31] 秦驰.绿色金融政策对企业融资与投资决策的影响分析[J].企业改革与管理,2025(2):114-116.
-
[32] Nepal R,Liu Y,Wang J,et al.How does Green Finance Promote Renewable Energy Technology Innovation?A Quasi-natural Experiment Perspective[J].Energy Economics,2024,134:107576.
-
[33] Gilbert C L.Warehouse Load-out Queues and Aluminum Prices[J].Journal of Commodity Markets,2022,28:100243.
-
[34] Kodres L E,Pritsker M.A Rational Expectations Model of Financial Contagion[J].The Journal of Finance,2002,57(2):769-799.
-
[35] Liu Q,Liu M,Zhou H,et al.A Multi-model Fusion Based Non-ferrous Metal Price Forecasting[J].Resources Policy,2022,77:102714.
-
[36] Tan X,Sirichand K,Vivian A,et al.How Connected is the Carbon Market to Energy and Financial Markets?A Systematic Analysis of Spillovers and Dynamics[J].Energy Economics,2020,90:104870.
-
[37] Tang K,Xiong W.Index Investment and the Financialization of Commodities [J].Financial Analysts Journal,2012,68(6):54-74.
-
[38] Basak S,Pavlova A.A Model of Financialization of Commodities[J].The Journal of Finance,2016,71(4):1511-1556.
-
[39] Huang Y T,Bai Y L,Yu Q H,et al.Application of a Hybrid Model Based on the Prophet Model,ICEEMDAN and Multi-model Optimization Error Correction in Metal Price Prediction[J].Resources Policy,2022,79:102969.
-
[40] Shu Q,Xiong H,Jiang W,et al.A Novel Perspective on Forecasting Non-Ferrous Metals’Volatility:Integrating Deep Learning Techniques with Econometric Models[J].Finance Research Letters,2023,58:104482.
-
[41] Wang J,Niu X,Zhang L,et al.Point and Interval Prediction for Non-ferrous Metals Based on a Hybrid Prediction Framework[J].Resources Policy,2021,73:102222.
-
[42] Aye G,Gupta R,Hammoudeh S,et al.Forecasting the Price of Gold Using Dynamic Model Averaging[J].International Review of Financial Analysis,2015,41:257-266.
-
[43] Ciner C,Gurdgiev C,Lucey B M.Hedges and Safe Havens:An Examination of Stocks,Bonds,Gold,Oil and Exchange Rates[J].International Review of Financial Analysis,2013,29:202-211.
-
[44] Fama E F,French K R.Business Cycles and the Behavior of Metals Prices[J].The Journal of Finance,1988,43(5):1075-1093.
-
[45] Schwartz E S.The Stochastic Behavior of Commodity Prices:Implications for Valuation and Hedging[J].The Journal of Finance,1997,52(3):923-973.
-
[46] Henderson J V,Storeygard A,Weil D N.Measuring Economic Growth from Outer Space[J].The American Economic Review,2012,102(2):994-1028.
-
[47] Chen X,Nordhaus W D.Using Luminosity Data as a Proxy for Economic Statistics[J].PNAS,2011,108(21):8589-8594.
-
[48] Jean N,Burke M,Xie M,et al.Combining Satellite Imagery and Machine Learning to Predict Poverty[J].Science,2016,353(6301):790-794.
-
[49] Watmough G R,Marcinko C L J,Sullivan C,et al.Socioecologically Informed Use of Remote Sensing Data to Predict Rural Household Poverty[J].Proceedings of the National Academy of Sciences of the United States of America,2019,116(4):1213-1218.
-
[50] Burke M,Driscoll A,Lobell D B,et al.Using Satellite Imagery to Understand and Promote Sustainable Development[J].Science,2021,371(6535):eabe8628.
-
[51] Jiang F,Lee J,Martin X,et al.Manager Sentiment and Stock Returns[J].Journal of Financial Economics,2019,132(1):126-149.
-
[52] Chen H,Hwang B H.Listening in on Investors’ Thoughts and Conversations[J].Journal of Financial Economics,2022,145(2):426-444.
-
[53] Edmans A,Fernandez-Perez A,Garel A,et al.Music Sentiment and Stock Returns Around the World[J].Journal of Financial Economics,2022,145(2):234-254.
-
[54] Lin J,Fan J,Zhang Y.Information Dissemination and the Monetary Policy Uncertainty Premium:Evidence from China[J].Journal of Banking & Finance,2025,171:107371.
-
[55] Zhu C.Big Data as a Governance Mechanism[J].The Review of Financial Studies,2019,32(5):2021-2061.
-
[56] Mukherjee A,Panayotov G,Shon J.Eye in the Sky:Private Satellites and Government Macro Data[J].Journal of Financial Economics,2021,141(1):234-254.
-
[57] Yu H,Hao X,Wu L,et al.Eye in Outer Space:Satellite Imageries of Container Ports can Predict World Stock Returns[J].Humanities and Social Sciences Communications,2023,10:383.
-
[58] Hao X,Wang Y.Cloud Cover and Expected Oil Returns[J].Humanities and Social Sciences Communications,2023,10:605.
-
[59] Hao X,Wang S,Wang Y,et al.Is Information Risk Priced？New Evidence from Outer Space[J].Management Science,2025,71(9):7707-7730.
-
[60] Tibshirani R.Regression Shrinkage and Selection via the Lasso[J].Journal of the Royal Statistical Society Series B:Statistical Methodology,1996,58(1):267-288.
-
[61] Zou H.The Adaptive Lasso and Its Oracle Properties[J].Journal of the American Statistical Association,2006,101(476):1418-1429.
-
[62] Yuan M,Lin Y.Model Selection and Estimation in Regression with Grouped Variables[J].Journal of the Royal Statistical Society Series B:Statistical Methodology,2006,68(1):49-67.
-
[63] Efron B,Hastie T,Johnstone I,et al.Least Angle Regression[J].The Annals of Statistics,2004,32(2):407-451.
-
[64] 方彤,苏治.一种基于LASSO的多变量混频GARCH模型设计与优化算法研究[J].数量经济技术经济研究，2021，38(12):146-163.
-
[65] Gu S,Kelly B,Xiu D.Empirical Asset Pricing via Machine Learning[J].The Review of Financial Studies,2020,33(5):2223-2273.
-
[66] Chen L,Pelger M,Zhu J.Deep Learning in Asset Pricing[J].Management Science,2023,70(2):714-750.
-
[67] 姜富伟,马甜,张宏伟.高风险低收益?基于机器学习的动态CAPM模型解释[J].管理科学学报，2021，24(1):109-126.
-
[68] 李爱忠,任若恩,董纪昌.稀疏学习、资产共线性与投资组合选择[J].系统科学与数学，2021，41(11):3128-3138.
-
[69] 吴楠.基于神经网络LSTM的Markowitz扩展模型的投资组合优化[J].现代信息科技,2025,9(5):159-163.
-
[70] 戴志锋,刘畅.中国新能源市场、金融市场和国际原油市场间的多尺度风险传染效应研究[J].计量经济学报，2024，4(3):835-857.
-
[71] 郭娜,王珮瑶,刘精山,等.中国碳市场与新能源股票市场的极端风险溢出效应——基于尾部相依性和非对称性视角的分析[J].海南大学学报(人文社会科学版)，2025，43(5):78-88.
-
[72] Mukhtarov S.Oil Prices and the Renewable Energy Transition:Empirical Evidence from China[J].Utilities Policy,2024,91:101840.
-
[73] Mohammed K S,Mellit A.The Relationship between Oil Prices and the Indices of Renewable Energy and Technology Companies Based on QQR and GCQ Techniques[J].Renewable Energy,2023,209:97-105.
-
[74] Jin T,Kim D.The Role of Renewable Energy in Hedging Against Oil Price Risks:A Study of OECD Net Oil Importers[J].Renewable Energy,2023,218:119325.
-
[75] Zhang J,Chen X,Wei Y,et al.Does the Connectedness Among Fossil Energy Returns Matter for Renewable Energy Stock Returns?Fresh Insights from the Cross-Quantilogram Analysis[J].International Review of Financial Analysis,2023,88:102659.
-
[76] Caporale G M,Spagnolo N,Almajali A.Connectedness between Fossil and Renewable Energy Stock Indices:The Impact of the COP Policies[J].Economic Modelling,2023,123:106273.
-
[77] Diebold F X,Ylmaz K.On the Network Topology of Variance Decompositions:Measuring the Connectedness of Financial Firms[J].Journal of Econometrics,2014,182(1):119-134.
-
[78] Schwert G W.Why does Stock Market Volatility Change over Time?[J].The Journal of Finance,1989,44(5):1115-1153.
-
[79] Fama E F,French K R.Business Conditions and Expected Returns on Stocks and Bonds[J].Journal of Financial Economics,1989,25(1):23-49.
-
[80] Ferson W E,Harvey C R.The Variation of Economic Risk Premiums[J].Journal of Political Economy,1991,99(2):385-415.
-
[81] Conrad C,Kleen O.Two are Better than One:Volatility Forecasting Using Multiplicative Component GARCH-MIDAS Models[J].Journal of Applied Econometrics,2020,35(1):19-45.
-
[82] Colacito R,Engle R F,Ghysels E.A Component Model for Dynamic Correlations[J].Journal of Econometrics,2011,164(1):45-59.
-
[83] Engle R.Dynamic Conditional Correlation:A Simple Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models[J].Journal of Business & Economic Statistics,2002,20(3):339-350.
-
[84] Sharpe W F.Capital Asset Prices:A Theory of Market Equilibrium under Conditions of Risk[J].The Journal of Finance,1964,19(3):425-442.
-
[85] Fama E F.Efficient Capital Markets:A Review of Theory and Empirical Work[J].The Journal of Finance,1970,25(2):383-417.
-
[86] Liu J,Stambaugh R F,Yuan Y.Size and Value in China[J].Journal of Financial Economics,2019,134(1):48-69.
-
[87] Schlenker W,Taylor C A.Market Expectations of a Warming Climate[J].Journal of Financial Economics,2021,142(2):627-640.
-
[88] Hong H,Li F W,Xu J.Climate Risks and Market Efficiency[J].Journal of Econometrics,2019,208(1):265-281.
-
[89] Duan T,Li F W,Wen Q.Is Carbon Risk Priced in the Cross Section of Corporate Bond Returns?[J].Journal of Financial and Quantitative Analysis,2025,60(1):1-35.
-
[90] Hsu P H,Li K,Tsou C Y.The Pollution Premium[J].The Journal of Finance,2023,78(3):1343-1392.
-
[91] Ramelli S,Ossola E,Rancan M.Stock Price Effects of Climate Activism:Evidence from the First Global Climate Strike[J].Journal of Corporate Finance,2021,69:102018.
-
[92] 部慧,解峥,李佳鸿,等.基于股评的投资者情绪对股票市场的影响[J].管理科学学报,2018,21(4):86-101.
-
[93] 姜富伟,胡逸驰,黄楠.央行货币政策报告文本信息、宏观经济与股票市场[J].金融研究，2021(6):95-113.
-
[94] Gu S,Kelly B,Xiu D.Autoencoder Asset Pricing Models[J].Journal of Econometrics,2021,222(1):429-450.
-
[95] Markowitz H.Portfolio Selection[J].The Journal of Finance,1952,7(1):77-91.
-
[96] Kolm P N,Tütüncü R,Fabozzi F J.60 Years of Portfolio Optimization:Practical Challenges and Current Trends[J].European Journal of Operational Research,2014,234(2):356-371.
-
[97] Candelon B,Hurlin C,Tokpavi S.Sampling Error and Double Shrinkage Estimation of Minimum Variance Portfolios[J].Journal of Empirical Finance,2012,19(4):511-527.
-
[98] Mynbayeva E,Lamb J D,Zhao Y.Why Estimation Alone Causes Markowitz Portfolio Selection to Fail and What We Might Do about It[J].European Journal of Operational Research,2022,301(2):694-707.
-
[99] Stoilov T,Stoilova K,Vladimirov M.Application of Modified Black-Litterman Model for Active Portfolio Management[J].Expert Systems with Applications,2021,186:115719.
-
[100] Jensen T I,Kelly B T,Malamud S,et al.Machine Learning and the Implementable Efficient Frontier[J].SSRN Electronic Journal,2022:4187217.
-
[101] Díaz A,Esparcia C.Dynamic Optimal Portfolio Choice under Time-varying Risk Aversion[J].International Economics,2021,166:1-22.
-
[102] 王正位,张跃星.“双碳”目标背景下绿色金融与电力市场协同发展研究[J].新金融，2023(2):31-37.
-
[103] He L,Liu R,Zhong Z,et al.Can Green Financial Development Promote Renewable Energy Investment Efficiency?A Consideration of Bank Credit[J].Renewable Energy,2019,143:974-984.
-
[104] 王贞洁,吕志军.绿色金融、分析师关注与新能源企业融资纾困[J].当代财经，2022(9):52-63.
-
[105] 贺正楚,刘思思,周永生,等.绿色金融、融资效率和产业链企业价值[J].财经理论与实践,2022,43(3):26-33.
-
[106] 冯晗,郭琨,王珏.绿色金融体系政策对绿色企业全要素生产率的影响[J/OL].系统工程理论与实践,1-20[2025-11-09].https://link.cnki.net/urlid/11.2267.N.20251009.0913.004.
-
[107] 谢捷,陈柳钦,李浩东.绿色金融政策对现代化产业体系建设的影响——基于地市级微观数据的准自然实验[J].北方金融，2025(1):2-10.
-
[108] Wang Q,Fan Z.Green Finance and Investment Behavior of Renewable Energy Enterprises:A Case Study of China[J].International Review of Financial Analysis,2023,87:102564.
-
[109] Zhang P,Yang Y,Shi J,et al.Opportunities and Challenges for Renewable Energy Policy in China[J].Renewable and Sustainable Energy Reviews,2009,13(2):439-449.
-
[110] 潘冬阳,陈川祺,Michael Grubb.金融政策与经济低碳转型——基于增长视角的研究[J].金融研究，2021(12):1-19.
-
[111] Sinha A,Ghosh V,Hussain N,et al.Green Financing of Renewable Energy Generation:Capturing the Role of Exogenous Moderation for Ensuring Sustainable Development[J].Energy Economics,2023,126:107021.
-
[112] Wang M,Li X,Wang S.Discovering Research Trends and Opportunities of Green Finance and Energy Policy:A Data-Driven Scientometric Analysis[J].Energy Policy,2021,154:112295.
-
[113] 陈奉功,张谊浩.绿色债券发行、企业绿色转型与市场激励效应[J].金融研究，2023(3):131-149.
-
[114] 崔灿.新能源汽车企业绿色债券融资问题研究——以BYD两次发行绿色债券为例[J].财会通讯，2023(8):129-133.
-
[115] 钟覃琳,夏晓雪,姜付秀.绿色信贷能激励企业环境责任的承担吗?[J].管理科学学报,2023,26(3):93-111.
-
[116] 熊熊,邸佳慧,高雅.绿色关注对上市公司绿色创新行为的影响——来自投资者互动平台的证据[J].系统工程理论与实践,2023,43(7):1873-1890.
-
摘要
在“双碳”目标与新能源行业发展新要求的背景下，金融管理在新能源发展中具有重要意义。从金融市场与绿色金融政策视角梳理相关文献，围绕新能源相关金融资产的价格预测、传统能源与新能源市场的风险联动、新能源资产定价与资本配置以及绿色金融政策四个方面，梳理、总结研究进展。研究表明：宏观因素与大数据可提升价格预测能力，混频模型有助于考虑宏观变量并刻画风险溢出，碳排放与气候风险被纳入资产定价模型，绿色信贷、绿色债券及碳税等政策工具可以在一定程度上促进新能源行业的发展。在此基础上，对未来研究方向提出展望。
Abstract
Financial management is of great significance in facilitating new energy development in the context of China’s carbon peaking and carbon neutrality goals and new requirements for the new energy industry. This paper, from the perspectives of financial markets and green finance policies, reviews relevant literature and summarizes research progress in the following four key areas: price forecasting of new energy-related financial assets, risk linkages between traditional and new energy markets, asset pricing and capital allocation of new energy assets, as well as green finance market policies. The findings indicate that macroeconomic factors and big data can enhance price forecasting performance, and simultaneously mixed-frequency models help to incorporate macro variables and describe risk spillovers. Moreover, carbon emissions and climate risks have been integrate into asset pricing models, and policy instruments such as green credits, green bonds, and carbon taxes can, to some extent, promote the development of the new energy industry. Based on these findings, the paper proposes directions for future researches.