氣候新聞延燒越久，綠棕 ETF 的尾端風險：用免費資料未找到可靠證據

69 筆氣候新聞事件、18 個統計檢定、沒有一個通過嚴格顯著門檻。這是用公開免費資料測試氣候新聞「延燒時間」能否預測 ETF 尾端風險的結果。

這個問題從哪裡來

2025 年，《Journal of Banking & Finance》刊出一篇 Fahmy 的論文，主題是氣候新聞的「反應時間」。

他的核心論點是： 企業股價對同一波氣候新聞的反應速度差異 ，比新聞出現多少次更重要。反應較慢的股票，後續的 VaR（風險值）和 ES（超額損失）往往更高。資料用的是公司級的日內高頻交易紀錄，模型是 IG-ACD-GARCH（一種建立在新聞持續時間上的條件波動率模型）。

這個邏輯成立嗎？成立。問題是：你能用免費的公開資料複製出這個訊號嗎？

這個實驗的起點就是這個問題。我們手邊有：

• GDELT（全球最大的新聞事件資料庫，免費）
• 美股氣候主題 ETF 的日頻收盤價（yfinance，免費）

Fahmy 用的是公司股票 + 日內小時級／高頻資料。我們用的是 ETF 籃子 + 每日一個數字。這是 降階測試 。

怎麼測：69 個事件、18 個假說

我們從 GDELT 抓取 2017 年至 2026 年 6 月、關鍵字含「climate change」「carbon emissions」「net zero」等的新聞量時間序列，共 3,440 個日頻觀測值。

 事件定義 ：當新聞量的 z-score 持續超過 0.5，且至少有一天 z-score 超過 1.5 的高峰，就算一個「氣候新聞事件」。

 延燒時間（duration score） ：事件從開始到消退的持續天數，加上從高峰到消退的衰退天數，取 log 後加權合成為一個分數。

 反應時差（reaction gap） ：觀察同一事件期間，「綠色 ETF 籃子」和「棕色 ETF 籃子」各自幾天後才出現明顯的超額報酬反應，取兩者之差的絕對值。

綠色籃子：ICLN（全球清潔能源）+ TAN（太陽能）等權重，相對 SPY 的超額報酬。 棕色籃子：XLE（能源股）+ XOP（油氣探勘）等權重，同樣相對 SPY。

共篩出  69 個對齊事件 （氣候新聞事件發生時有 ETF 交易日）。

目標變數共 9 個：綠棕各 5 日前向已實現波動率（RV）、各自的左尾損失（left-tail loss）、VaR 穿越指標、ES 超額缺口，以及綠棕相關係數的 21 日突刺。

每個目標用 OLS 搭配 HAC 標準誤（Newey-West 調整），放入兩個焦點預測變數（duration score、reaction gap），再加三個控制變數（前一期新聞強度、SPY 21 日 RV、SPY 絕對報酬）。

18 個焦點 cell，每個都要通過 Harvey 門檻（|t| ≥ 3），並且 Bonferroni 調整後的 p 值低於 0.05，才算真正有效的訊號。

結果：18 個 0

先看數字：

Harvey 門檻是 |t| ≥ 3。方向符合假說（係數為正）的訊號裡，最強的是「反應時差預測綠棕相關係數突刺」，t = +1.57，還差 1.43。絕對值最大的是「反應時差預測棕色左尾損失」，t = -2.19，方向與假說相反。

18 個 cell 裡，只有棕色左尾損失 × 反應時差這一格的 Bonferroni 調整後 p 值不是 1.0，是 0.52；其餘 cell 都是 1.0。沒有任何一個在多重檢定調整後接近顯著。這一格調整前的 p 值是 0.029，但方向與假說相反。

描述統計看起來有方向，但推論垮了

這個結果有方向、沒力道：描述統計看起來有一點點差異，推論卻過不了關。

延燒時間中位數 7 天、平均 10.3 天、最長 38 天。事件反應時差中位數 1 天、平均 1.4 天。

把事件按「延燒時間 × 反應時差」合成分數排序，取最高三分之一（23 個事件）和最低三分之一比較：高分組的綠色 5 日 RV 平均是 0.1038，低分組是 0.0568，看起來差了 83%。

但是，做 1,000 次 bootstrap 後，這個差距的 95% 信賴區間是  [-0.0109, +0.1072] ，橫跨 0。也就是說，你沒辦法排除「高低分組的 RV 差距只是抽樣偶然」的可能。

Welch t 值 1.45，p 值 0.16，未達顯著水準。這個差距有可能是真實的，但樣本太小，證明不了。

這告訴投資人什麼

 一：別把免費 GDELT 新聞量當氣候尾端風險的觸發器。 

GDELT 量化的是新聞報導的篇數比例。「氣候新聞多」，和「市場覺得這波氣候事件有實質風險」，是兩件事。嚴重程度、市場影響力、機構投資人的倉位調整，全都藏在那個數字之外。

 二：ETF 籃子太粗。 

ICLN 和 TAN 各自包含數十檔股票，對同一事件的反應早已被分散。Fahmy 2025 用的是公司個股層級，能觀測到的資訊粒度和這個測試完全不同。ETF 日頻收盤價只是一個粗略的總量 proxy。

 三：69 個事件打 18 個假說，樣本本來就不夠。 

從 9 年新聞資料裡，符合我們定義的對齊事件只有 69 個。平均每年不到 8 個。這樣的樣本要支撐跨 9 個目標變數的 panel 估計，本來就吃力。

如果真的想做氣候 tail-risk overlay 策略，幾個方向比這個測試更有機會。

公司年報和法說會的文字記錄是一個入口：年報內有段落標注氣候相關敞口，法說會有完整逐字稿，EDGAR 全部公開可查。用這些資料建立公司級的「氣候新聞反應時間」指標，解析度遠高於 ETF 籃子。

資料頻率也是關鍵。日頻收盤價壓縮掉了整個交易日的動態。Fahmy 2025 的 IG-ACD-GARCH 通道在日內運作，小時級或分鐘頻率才能捕捉那個過程。

第三個方向是橫截面多空。把 Fahmy 2025 的 firm-level response-time 分布拿來建多空組合，用截面差異賺錢，邏輯上比用 ETF 時間序列預測乾淨很多。

Fahmy 2025 的機制沒有被這個實驗否定，因為我們測的是完全不同的資料精細度。這個實驗的誠實結論是： 用 GDELT + 日頻 ETF 的這條路，在這組資料上找不到可靠訊號。 

資料與方法說明

• 新聞資料：GDELT DOC 2.0 TimelineVolRaw API，關鍵字含「climate change / carbon emissions / global warming / net zero / carbon tax」等，2017-01-01 至 2026-06-23，3,440 筆日頻資料
• ETF 價格：yfinance 調整後日頻收盤價，ICLN / TAN / XLE / XOP / SPY，2017-01-04 至 2026-06-22
• 有效事件數：69 個（新聞事件與 ETF 交易日都對齊）
• 隨機種子：42；事件特徵要等新聞群集確認結束（群集最後一天之後，第一個新聞量回落到門檻下的新聞日已經完整）、且報酬反應觀察窗收盤之後，才從嚴格晚於該時點的第一個美股收盤起進入預測；GDELT 以 UTC 日為單位，一律延到該日結束後的下一個美股收盤才使用，預測列再用 signal.shift(1) 落後一個交易日
• 迴歸：OLS + HAC（Newey-West）標準誤，所有預測變數在各迴歸樣本內標準化
• 多重檢定：Bonferroni 調整（18 個焦點 cell），Harvey |t| ≥ 3 為強顯著門檻

 三點限制 ：ETF 籃子是粗粒度公開 proxy，非公司級綠棕資產。GDELT 量化的是新聞關注度，不代表氣候內容的品質或嚴重性。日頻 ETF 資料無法測試 Fahmy 2025 的日內 IG-ACD-GARCH 機制。

文獻來源：

• Fahmy (2025), A stochastic model for predicting the response time of green vs brown stocks to climate change news risk, Journal of Banking & Finance.
• Engle, Giglio, Kelly, Lee, Stroebel (2020), Hedging Climate Change News, Review of Financial Studies.

實驗代碼與完整數據：K1367（experiments/K1367/）

以上分析僅供研究參考，不構成投資建議。