如何有效利用ESG数据构建Smart Beta指数(esg分析方法)

你知道如何有效利用ESG数据构建Smart Beta指数吗？今天小编就给大家整理一些相关信息，希望对大家有所帮助哦！

导读1、 作为西学东渐--海外文献推荐系列报告第五十二篇，本文推荐了Guido Giese, Arnfried Ossen和Steven Bacon于2016年发表的论文《ESG as a Performance Factor for Smart Beta Indexes》。

2、本文重点对ESG指数进行研究。

在海外市场，ESG指数已成为投资格局中的重要组成部分。

将ESG概念纳入指数，是否能够提升投资组合的表现呢？这一问题一直是学界和业界争论的焦点。

3、本文从无偏性和ESG构成指标重要性两个角度，对目前的ESG因子计算方式进行了改进：首先通过分组或回归的方式解决地区、行业或规模等因子给ESG因子带来的偏差:然后利用降采样（每次随机从指标集中抽取子集作为Lasso回归的自变量）与Lasso回归的方法得到ESG指标的回归系数，然后通过缩放技术对ESG指标回归系数进行调整得到ESG指标重要性:在此基础上，根据重要性对第三方(RobecoSAM)提供的初始权重进行调整，从而得到了最终的ESG因子。

4、本文测试结果显示：利用改进后的ESG因子构建的ESG指数具有较高的信息比率。

因此，如果可以有效利用ESG数据，则可以构建出具有较高风险调整收益的Smart Beta指数。

风险提示：文献中的结果均由相应作者通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

1、引言上世纪90年代，基于ESG（环境，社会和治理）数据的第一批指数面世。

1991年，KLD推出了Domini 400社会指数，该指数通过ESG筛选标准（正面筛选和负面筛选），选出了400家美国公司作为成分股，加权方式为市值加权。

1999年，标普道琼斯（S&P Dow Jones）和RobecoSAM推出了全球道琼斯可持续指数（DJSI），该系列指数选择每个行业中ESG得分最高的公司作为成分股。

随后，多家机构推出了基于ESG研究的指数（如图表1所示），这些指数使用了不同的ESG研究提供商。

在这些指数的基础上，各种指数基金、结构化产品和ETF产品也相继推出。

ESG指数已成为ESG投资格局的重要组成部分。

迄今为止，ESG指数和基于ESG概念的基金已经成为ESG投资者的投资方式之一。

但是，将ESG选股标准纳入指数，是否能够提升投资组合的风险收益特征呢？近年来学界和业界对此进行了大量研究，但到目前为止，对此问题尚未达成广泛共识。

众多学术研究分析了ESG得分与股票收益率及波动率之间的关系，但这些研究的具体过程有所不同，比如是否对其他因子进行剥离（如国家、行业、价值、市值等），这些研究最终得出的结论也不尽相同。

首先我们回顾没有对其他因子进行剥离（即没有调整因子偏差（factor biases））的研究成果。

Brammer、Brooks和Pavelin（2006）发现ESG得分与股票收益之间呈负相关，但Scholtens（2008），Eccles、Ioannu和Serafeim（2011），Kurtz和DiBartolomeo （2011）发现ESG得分与股票收益之间呈正相关。

进一步考虑了因子偏差（factor biases）的研究发现：ESG得分通常会受到其他因子的影响。

例如，由于大公司通常会在ESG问题上遵循较高的披露标准，因此ESG得分通常与规模呈正相关。

ESG得分也与地区相关，欧洲公司的ESG得分均值高于其他地区的公司。

此外，对于不同行业而言，ESG评分方法通常有所不同，因此ESG得分与股票业绩关系的研究需要分行业进行分析。

除了市值、地区、行业因素之外，也需要考虑Carhart-French因子的影响。

Nagy、Cogan和Sinnreich(2012)发现，在控制了地区、行业、市值、成长和价值因子的情况下，ESG得分与股票表现之间存在正相关性。

但是Geczy、Stanbaugh和Levin (2003)，Kreander等人(2005)，Bauer、Koedijk和Otten(2005)，Buckingham、Gregory和hittaker(2011)，Hoepner、Rezec和Siegl(2011)的研究结果表明，ESG得分与股票表现之间不具有相关性。

此外，Luo和Bhattacharya (2009)，Salama、Anderson和Toms (2011)，Oikonomou、Brooks和Pavelin(2012)，Bouslah、Kryzanowski和M'Zali(2013)以及Cox(2013)等人的研究表明：ESG得分与股票风险之间存在负相关性，ESG得分高的公司往往具有更低的波动率或回撤。

德意志银行的一份最新研究（参见Fulton，Kahn和Sharples [2012]）总结了100多项学术研究的结果，结果表明：关于ESG得分与股票业绩之间的相关性，学术界的研究结论既有正相关性，也有负相关性和无相关性，但是大多数（超过80%）的研究表明，ESG得分与股票回报之间具有正相关性。

有趣的是，Amenc和LeSourd(2010)的研究结果与上述结论截然相反，他们研究了ESG指数和ESG基金的收益，发现没有证据能够表明ESG投资能够提升财务表现。

本文认为，Amenc和LeSourd所观察到的现象（ESG指数不能提供alpha收益）实际上是由于未能将ESG数据有效地整合进ESG指数。

根据本文的研究结果，如果能有效利用ESG数据，确实可以提升投资组合的收益。

具体来讲，我们提出了两个方法，以更好地利用ESG数据产生alpha收益。

第一个方法是对ESG数据中存在的偏差（biases）进行正确的处理，即对一些常见因子进行剥离，消除这些因子的影响。

第二个方法是对ESG指标的重要性进行测试和增强。

ESG评分方法所用的数据通常比传统因子（价值、成长或动量等）所用的数据更加广泛。

在生成ESG因子的过程中，会将大量指标（通常超过100个）汇总到一个总的ESG评分中，这远远多于生成一般因子所用的指标。

这会导致那些带有重要信息（即能够产生alpha收益）的指标在汇总到最终ESG评分的过程中被稀释（diluted）。

因此本文提出的第二个关键方法是：在每个行业中进行ESG评分的过程中，对ESG指标的重要性进行测试和增强。

在当前的ESG指数的构建过程中，尚未应用这两个方法。

因此我们认为ESG指数仍有较大的提升潜力，可以产生比当前ESG指数更高的回报。

本文的主要目的是说明如何根据ESG研究数据构建ESG因子，这样构建的ESG因子可以像价值、成长或动量等传统因子一样，应用于Smart Beta指数。

本文对Smart Beta策略的定义为：通过基于因子的选股方式或加权方式，获得比传统市值加权指数更好的风险调整后收益。

在第2节中，我们根据现有的ESG研究，构建了无偏ESG因子得分，具体方法为：（1）消除因子偏差:（2）对ESG指标的重要性进行测试和增强。

为了测试ESG数据的重要性，我们将使用先进的回测框架来减小数据挖掘的风险。