如何有效利用ESG数据构建Smart Beta指数

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。在第3节中，我们检验了以上方法的实证效果。第4节进行了总结。

现有文献中有大量证据表明，地区、行业或规模等因子会给ESG数据带来较大的偏差，这些因子会影响ESG指数或投资组合的最终财务表现（参见Nagy、Cogan和Sinnreich[2012]，Fulton等[2012]，Roy和Gitman [2012]和Cox [2013]）。

一般来说，ESG研究数据有两种类型的因子偏差（factor biases）：

1.离散因子的偏差，例如地区或行业引起的偏差；

2.连续因子的偏差，例如公司规模引起的偏差。

地区偏差的存在原因是：不同地区对于ESG事务的报表准则和实施标准有很大的不同，这使得不同地区的公司之间ESG状况的对比非常困难，因此需要中性化处理来消除地区的影响。类似地，不同行业的ESG风险也具有很大差异，因此，必须先使ESG得分对行业进行中性化处理，然后才能比较不同行业的ESG得分。

对于与离散因子有关的偏差，现有文献中采用的方法通常是分组法（bucking approaching，参阅Cox [2013]）。也就是说，可以将被评估公司划分为不同的可比组（peer groups），每个可比组内的股票对该离散因子具有相同的暴露。我们使用RobecoSAM的ESG数据库，并按照表现出强烈偏差的两个维度（地区和GICS行业）进行了分组，共分为30个可比组：

我们可以得出一个基本结论：我们创建的ESG因子得分独立于现有因子，并增加了财务价值，可以用于指数或投资组合构建。

下面我们将ESG因子得分应用于现实世界的指数构建方法中，来检验ESG因子得分是否可以作为SmartBeta指数的基础。Kostka（2013）分析了市场上最受欢迎的Smart Beta指数策略的长期业绩表现，研究结果表明，现有Smart Beta指数的信息比率在0到0.9之间，中位数约为 0.4，因此我们将以此为基准，来评估上一节中构建的ESG因子得分的表现。

尽管市场上的ESG指数基于多种不同的指数构建规则，但是这些指数构建规则遵循两个基本的方法：

1. ESG选股（subselection）：如果选股范围内的公司的ESG得分达到某个最低阈值，则将其作为指数成分股。

2. ESG加权（weighting）：指数成分股不是按市值加权，而是采取ESG倾斜加权，即对ESG的得分高的公司赋予更高的权重，或者直接按照ESG得分进行加权。

接下来，我们将在这两个方法框架内测试上一节构建的ESG因子得分。

🔹 ESG选股

我们以发达市场的大盘股和中盘股为例，选择ESG因子得分排名前三之一的公司。具体来讲，我们根据ESG因子得分对每个国家的公司进行排名，然后从最高ESG得分开始选择，直到所选的公司的总市值达到该国所有上市公司总市值的33%。

我们在每年的3月底和9月底，每半年进行一次调仓，回测结果展示在图表4中。测试时间窗口为2006年3月30日到2015年6月30日。结果表明基于ESG因子进行选股的指数相对于基准的年化超额收益为1.05%，跟踪误差为1.12%，信息比率为0.93，ESG因子的信息比率大于图表3中大多数SmartBeta因子的信息比率，并且与通常的SmartBeta指数的表现特征相符。

将ESG整合到指数组合中的第二种基本方法是根据ESG得分对成分股加权，即ESG倾斜加权。这样的倾斜加权指数在Smart Beta指数中较为常见，指数权重基于一个或多个常见因子（如价值、波动率、动量等），具体的加权方式有两种：一是在市值权重的基础上根据因子值对权重进行调整；二是只根据因子值确定权重，与市值无关。

将ESG研究数据加入到指数中，是否可以像传统因子那样产生更高的风险调整收益？这一问题一直是学界和业界争论的焦点。

金融行业中，将ESG数据整合到指数或产品中的方法普遍面临两个问题：首先，市值、行业、国家等因子会给ESG数据带来偏差，这会对ESG指数或投资组合的表现产生影响。其次，ESG评分方法比常见因子要更加广泛，由于ESG评分是由大量的ESG指标（通常超过100个指标）汇总得到的，这导致带有重要信息（即能产生alpha）的ESG指标在评分过程中被稀释。因此，衡量公司ESG概况的传统方法可能无法构造出有效的选股因子。

因此，本文创建了一种ESG评分方法，该方法可以像现有的常见因子一样，应用于投资组合管理和指数构建，并且可以作为构建Smart Beta指数的基础。在我们构造的方法中有两个重要步骤。首先，需要对ESG指标进行无偏化处理，消除某些因子带来的偏差。其次，需要系统地测试ESG指标的重要性，以更好地了解哪些ESG指标有利于提升财务表现，这样的重要性测试需要分行业进行测试，并且需要将模型对噪音数据过度拟合的风险（即数据挖掘的风险）降至最低。因此，我们采用了Amenc等人（2015）提出的先进的回测框架，这一回测框架使用LASSO方法以降低参数估计过程中的维数，并采用降采样方法来确保重要性测试的结果足够稳健。

因此，本文计算出的ESG因子得分对现有的常见因子是无偏的，并且对那些具有重要性的ESG指标进行了增强。

利用构建好的ESG因子，我们进行了两种类型的分析。首先，我们使用标准风险因子模型分析了ESG得分。我们的测试结果显示：ESG因子得分对常见因子是无偏的，具有正的信息比率，该信息比率与市值、价值、动量等传统因子的信息比率相近。其次，我们将ESG因子得分应用于构建ESG指数常用的指数方法论中，即基于ESG因子得分进行选股和基于ESG得分进行成分股加权这两种方式。相比于市值加权的基准指数，这两种指数构造方法均提升了投资组合的风险收益表现。因此，如果以适当的方式设计ESG评分方法，则ESG数据可以与常见因子一样，作为构建Smart Beta指数的基础。

【1】Amenc, N., F. Goltz, A. Lodh, and S. Sivasubramanian.“Robustness of Smart Beta Strategies.” The Journal of Index Investing, Vol. 6, No. 1 (Summer 2015), pp. 17-38.

【2】Amenc, N., and V. LeSourd. “The Performance of Socially Responsible Investment and Sustainable Development in France: An Update after the Financial Crisis.” EDHECRISK Institute, September 2010.

【3】Bauer, R., K. Koedijk, and R. Otten. “International Evidence on Ethical Mutual Fund Performance and Investment Style.” Journal of Banking and Finance, Vol. 29, No. 7 (2005), pp. 1751-1767.

【4】Bebchuk, L.A., A. Cohen, and C.C.Y. Wang. “Learning and the Disappearing Association between Governance and Returns.” Journal of Financial Economics, Vol. 108, No. 2 (May 2013), pp. 323-348.

【5】Bender, J., R. Briand, D. Melas, and R.A. Subramanian.“Foundations of Factor Investing.” MSCI Research Insights, December 2013.

【6】Bouslah, K., L. Kryzanowski, and B. M’Zali. “The Impact of the Dimensions of Social Performance on Firm Risk.” Journal of Banking and Finance, Vol. 37 (2013), pp. 1258-1273.

【7】Brammer, S., C. Brooks, and S. Pavelin. “Corporate Social Performance and Stock Returns: UK Evidence from Disaggregate Measures.” Financial Management, Vol. 35, No. 3 (February 2006), pp. 5-25.

【8】Buckingham, G., A. Gregory, and J. Whittaker. “Do Markets Value Corporate Social Responsibility in the United Kingdom?” Working paper, University of Exeter, December 2011.

【9】Cox, P. “Stock Volatility and Environment, Social andGovernance Factors: A Diversified Investor Perspective.”Working paper, Birmingham School, 2013.

【10】Eccles, R., I. Ioannu, and G. Serafeim. “The Impact ofCorporate Culture of Sustainability on Corporate Behaviorand Performance.” Harvard Business School Working Paper12-035, November 4, 2011.

【11】Fulton, M., B. Kahn, and C. Sharples. “Sustainable Investing: Establishing Long-Term Value and Performance.” Deutsche Bank Climate Change Advisors, June 2012.

【12】Geczy, C., R. Stambaugh, and D. Levin. “Investing in Socially Responsible Mutual Funds.” Working paper, University of Pennsylvania, 2003.

【13】Harvey, C.R., Y. Liu, and H. Zhu. “…and the Cross-Section of Expected Returns.” Working paper, Duke University, 2013.

【14】Hastie, T., R. Tibshirani, and J. Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction. Springer, 2009.

【15】Hoepner, A., M. Rezec, and S. Siegl. “Does Pension Funds’ Fiduciary Duty Prohibit the Integration of Environmental Responsibility Criteria in Investment Processes? A Realistic Prudent Investment Test.” Working paper, September 19, 2011.

【16】Jussa, J., R. Cahan, M.A. Alvarez, S. Wang, Y. Luo, and Z. Chen. “The Socially Responsible Quant.” Research paper, Deutsche Bank Market, April 2013.

【17】Kostka, H. “Smart Beta, Monkeys and Upside Down Strategies.” Research paper, Research Affiliates Global Advisors, 2013.

【18】Kreander, N., R.H. Gray, D.M. Power, and C.D. Sinclair.“Evaluating the Performance of Ethical and Non-Ethical Funds: A Matched Pair Analysis.” Journal of Business Finance and Accounting, Vol. 32, No. 7-8 (2005), pp. 1465-1493.

【19】Kurtz, L., and D. DiBartolomeo. “The Long-Term Performance of a Social Investment Universe.” The Journal of Investing, Vol. 20, No. 3 (Fall 2011), pp. 95-102.

【20】Luo, X., and C.B. Bhattacharya. “The Debate over Doing Good: Corporate Social Performance, Strategic Marketing Levers, and Firm-Idiosyncratic Risk.” Journal of Marketing, 73 (2009), pp. 198-213.

【21】MSCI. Barra Risk Model Handbook. MSCI, 2007. Nagy, Z., D. Cogan, and D. Sinnreich. “Optimizing Environmental, Social and Governance Factors in Portfolio Construction: Analysis of Three ESG-Tilted Strategies.” MSCI ESG Research, September 2012.

【22】Oikonomou, I., C. Brooks, and S. Pavelin. “The Impact of Corporate Social Performance on Financial Risk and Utility: A Longitudinal Analysis.” Financial Management, Vol. 41, No. 2 (2012), pp. 483-515.

【23】RobecoSAM. “Measuring Intangibles: RobecoSAM’s Corporate Sustainability Assessment Methodology.” RobecoSAM Studies, 2014.

【24】Roy, H., and L. Gitman. “Trends in ESG Integration in Investments.” BSR, August 2012: https://www.bsr.org/reports/BSR_Trends_in_ESG_Integration.pdf.

【25】Salama, A., K. Anderson, and J.S. Toms. “Does Community and Environmental Responsibility Affect Firm Risk: Evidence from UK Panel Data 1994–2006.” Business Ethics, Vol. 20, No. 2 (April 2011), pp. 192-204.

【26】Scholtens, B. “A Note on the Interaction between Corporate Social Responsibility and Financial Performance.” Ecological Economics, Vol. 68, No. 1-2 (2008), pp. 46-55.

【27】Tibshirani, R. “Regression Shrinkage and Selection via the Lasso.” Journal of the Royal Statistical Society, Series B (Methodological), Vol. 58, No. 1 (1996), pp. 267-288.

【28】World of Statistics. “Current Trends and Future Challenges in Statistics: Big Data, in Statistics and Science—Report of the London Workshop on the Future of the Statistical Sciences.” Report, World of Statistics, 2014.

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。