本文提出基于资金回报和ESG(环境、社会与治理)得分的双变量风险度量框架,定义了ESG一致性风险度量和ESG回报-风险比。通过理论公理化形式刻画ESG风险的衡量方法,引入偏好参数λ刻画投资者对ESG风险与财务风险的权衡。利用Factset日频Truvalue ESG数据和道琼斯工业指数成分股进行实证,展示了此类风险度量和回报-风险比对股票排序的应用价值,揭示了ESG维度与财务风险的非完全相关性对风险管理的潜在作用 .
标题:ESG-coherent risk measures for sustainable investing
作者:Gabriele Torri, Rosella Giacometti, Darinka Dentcheva, Svetlozar T. Rachev, W. Brent Lindquist
机构:意大利贝加莫大学管理系,美国斯蒂文斯理工学院工程与科学学院,美国德克萨斯理工大学数学与统计学系
发布日期:2025年3月25日
主题:将环境、社会与治理(Environmental, Social, and Governance,简称ESG)因素融合进风险测度的理论框架与实证分析,针对可持续投资设计新的风险和组合评估工具。
报告核心论点:
作者提出了基于双变量随机变量的ESG一致性风险度量(ESG-coherent risk measures)以及ESG奖励-风险比(reward-risk ratios),扩展了传统单变量风险度量理论以考虑非财务的ESG表现。核心思想是通过参数化的方式,允许投资者根据个人喜好权衡货币风险与ESG风险。报告还展示了基于该理论的实证研究,运用真实且高频的ESG评分数据对股票进行排序和风险测量。作者强调,该框架兼顾了风控与伦理取向下的投资需求,推动可持续投资理论的发展。,1,2,3]
报告开篇鉴定了ESG投资的双重动因:一是基于风险调整收益的财务动机,二是基于伦理或品牌形象的非财务动机。前者将ESG信息视为识别隐藏风险和机会的工具,符合传统金融理论;后者则挑战传统风险收益优化假设,可能导致投资者在风险调整收益上作出意愿牺牲(如排除某些行业),从而影响市场均衡(Heinkel等,2001;Pástor等,2021)。作者明确将风险收益型投资者与伦理型投资者区分开来,且后者在实际运作中可能采纳“不可谈判”的ESG原则,导致组合多样性下降并影响企业资本成本。
随后,作者提出建立一个新的理论框架来刻画后者,即“ESG导向投资者”,并将ESG风险纳入风险度量模型,采用双维随机变量模型(金融收益与ESG评分)体现两个风险源的随机性及其相关,1,2]。
本节集中探讨ESG评分的性质和建模方法。作者强调ESG评分应视为一类非货币“流量”变量,即代表投资持有期内产生的非财务满足度,累计形成投资者的整体非财务收益,因此将ESG评分建模为累计ESG流(积分形式)。评分每日更新(如Factset的Truvalue当天分数)使得ESG测量高频且动态,可与金融收益的时间尺度一致,从而支持风险评估的联合时序模型。
数学建模上,定义双维向量随机变量XT=[rT,ESGT]′,其中rT为金融累计对数收益,ESGT为对应的ESG累计评分。ESG评分的随机性来源于测量误差和企业可持续战略的动态演变,且ESG评分与金融收益间存在相关(行业、国家等共性因素)。作者提出将ESG评分重标度到与金融收益的量级可比范围,方便计算,4]。
此外,报告承认当前ESG评分数据的异质性和标准化不足,强调多数据源融合及时间序列建模的重要性,为后续高频动态风险管理奠定基础。
继承Artzner等(1999)的单变量“相干风险度量”公理,报告在多变量(双变量)随机空间构造ESG-coherent risk measure。具体扩展包括:
进一步,作者证明此类风险度量满足双变量的平移不变性(TI-M),并指出相比于集合值风险度量的复杂体系,单标量&双变量的风险指标可直接用于排名和决策。
此框架打破了传统金融仅考虑货币回报的假设,允许投资者在兼顾财务和可持续性的多维目标中多样化组合风险,体现了一个综合衡量投资风险的理论基础,6,7,8]。
报告引入对偶理论,证明ESG-coherent risk measure可表示为对某一风险包络集合Aρλ中非负加权函数的期望supremum,即:
ρλ(XT)=ζ∈Aρλsup{−E[ζ1rT+ζ2ESGT]}其中ζ=(ζ1,ζ2)满足E[ζ]=[(1−λ),λ]′。此表达为理解和计算风险度量提供优化框架,也连接了风险测算与概率加权视角,便于推广和实际估计。
此外,极端参数值λ=0和λ=1对应传统金融风险和纯ESG风险,确保框架在单一目标极限时与现有理论一致,9]。
作者引入ESG安全资产的概念——在金融收益和ESG两个维度均为确定常量的资产,扩展传统安全资产以服务于双变量风险度量。提出投资者可通过配置ESG安全资产以降低风险至可接受水平的最优资金比例wλ∗,并具体给出计算公式:
wλ∗=(1−λ)RFTr+λRFTESG+ρλ(XT)ρλ(XT)−κ区分三类安全资产:纯金融(无ESG影响),纯ESG(无金融收益),及“慈善”类安全资产(金融收益负100%,但ESG正面)。后者凸显了伦理动机下投资可能选择牺牲财务收益的特殊资产。
同时,分析多个ESG安全资产时,投资者因风险度量的凸性只会选择风险最小的单一安全资产持有,实现对多资产组合的简化处理,10,11]。
报告给出两种从经典单维风险度量扩展到ESG情况的策略:
分别应用于广泛使用的平均超额风险(AVaR)指标,得到两类ESG-AVaR风险指标。前者保留了多元依赖结构的优点,后者是对极端共动性的保守估计。
此外,报告说明基于方差或波动率的ESG扩展并不满足ESG一致性公理,强调所提方法的理论合理性优于传统波动率风险度量,13,14,15]。
依据Cheridito和Kromer(2013)对于单变量RRR的定义,作者将RRR扩展至ESG双维框架,定义:
αλ(XT)=ρλ(XT)+θλ(XT)+其中θλ和ρλ分别为ESG奖励和风险度量。
报告进一步给出ESG-RRR的四大公理(单调性、准凹性、尺度不变性、分布基础),并证明所提出定义满足绝大部分条件。
随后列举六种主流奖励风险比的ESG版本(ESG Sharpe比率、ESG Rachev比率、ESG STAR比率、ESG Sortino–Satchell比率、ESG Omega比率和ESG Farinelli–Tibiletti比率),并讨论其各自的数学及经济属性,展示框架的适用广度和理论深度,17,18]。
利用2020-2023年道琼斯工业平均指数(DJIA)28只个股的日对数收益与Factset Truvalue每日更新的Pulse ESG评分,报告开展了实证排序分析。
基于上述数据,计算不同λ值下的多项ESG风险与奖励风险指标,包括ESG-AVaR(τ=0.95,0.99)、ESG波动率、ESG平均回报、ESG Rachev比率、ESG STAR比率和ESG Sharpe比率。通过历史模拟估计,结果以图3形式展示各指标对个股的排名随λ变化而变的动态情况。
主要发现:
该实证验证框架的灵活性和分析力,强调高频ESG数据对风险测度及资产管理的重要价值,20,21,22,23]。
报告总结其贡献为:
其成果推动了面向多维投资目标的金融理论发展,填补了货币收益与可持续表现之间的理论空白,24]。
描述:分别展示了28只DJIA成分股2020-2023年每日ESG Pulse分数(Panel A)和每日对数收益率(Panel B)的时间序列走势。Panel C和D为以股票为单位的平均ESG评分与平均收益(C)及收益波动率(D)之间的散点关系。
解读:
联系文本:支持在双变量模型中ESG和收益的独立及弱相关假设,为后续多维风险分解提供数据基础。
描述:列示28家公司的代码、行业、收益率和ESG评分统计指标(年化均值、标准差),及二者相关系数。
解读:
联系文本:与文中ESG与收益独立性的假设相符,强化ESG与金融风险解耦的理论基础。
描述:彩色热力图显示28家公司收益与ESG评分之间的相关矩阵,左上角为收益-收益,右下为ESG-ESG,左下及右上为收益-ESG相关。
解读:
联系文本:强化投资组合中ESG风险与财务风险可以进行有效分散的实证依据。
描述:9幅子图展示了多种ESG风险与奖励-风险比指标对28只股票的排名随权重参数λ(从0到1)变化的走势。颜色编码代表各公司所属行业。
解读:
联系文本:图示直观体现了双因素风险度量的灵活性,参数化框架适应不同投资者偏好;同时佐证实证分析中ESG数据动态纳入风险管理的可行性。
报告并无直接涵盖传统意义上的资产估值或价格目标价计算,而是聚焦于风险度量的理论构建与实证排名,侧重于风险和回报调整指标的定义和应用,未涉及资产内在价值和未来现金流折现等估值方法。
报告的风险因素主要聚焦于:
报告讨论了缓解策略,包括引入参数化的风险权衡、基于双变量随机过程表示ESG风险,以及设计灵活的安全资产对冲机制,尚未讨论对数据质量风险的具体技术性缓解方案,9-11]。
局限一:虽然双变量风险度量带来理论创新,但现实中ESG评分依赖舆情、媒体等非标准化指标,高度受主观判断影响,模型输入变量的准确度和可比性尚待提高,可能限制实务中的广泛适用性。
局限二:对于伦理动机强烈的投资者,进一步的投资组合优化和资产定价模型尚未完备,报告开篇即声明为“理论起步”,仍缺乏能直接指导实务的定量决策规则。
局限三:实证样本规模相对有限,仅覆盖美股大型蓝筹股,且贯彻的ESG评分类型及频率特殊,是否能代表广泛市场特征尚需进一步验证。
模型假设细节:关于双变量随机过程的独立性及相关结构假设未做深入讨论,这可能对风险测度结果产生重要影响。
表格1与表2不完整:报告中的两个总结性质的表格因格式问题未完全展现,限制对风险度量具体性质的复核。
风险度量与奖励度量的参数依赖:λ作为权衡参数将主观性引入风险度量,实际投资者如何确定并调整该参数缺少实证指导。
综合来看,报告理论表达严谨,方法创新,但应用至广泛实际场景仍需进一步扎实研究和数据支持,16,23,31]。
本报告系统地构建了一套创新的ESG-coherent风险度量和奖励-风险比框架,体现了对现代可持续投资理念中资金回报和非财务可持续表现双重关注的数学化表达。通过参数λ调节不同投资者的偏好,展现了理论与实证结合的范例。正式的公理体系、对偶表示及风险对冲策略的设计,赋予该框架良好的理论基础和应用弹性。
实证分析利用高频ESG及金融数据验证了风险度量及资产排名的合理性与敏感性,揭示了ESG评分的独立性和其在风险管理中的重要性。特别是ESG-AVaR风险度量随着偏好权重的调整展现了从财务主导向ESG主导的转换,加深了对融资与伦理动机之间关系的理解。
尽管存在ESG数据异质性、主观参数设置及样本限制的挑战,报告为未来在资产定价、效用最大化及投资组合优化等方面的ESG理论与实务拓展奠定了坚实基石。
总结来说,作者论述精炼严谨,图表与实证环节紧密结合,其ESG-coherent风险度量构架代表了可持续金融风险管理的前沿进展,具备重点推广价值和值得后续深入研究与实践检验。
完。
2309.05866.pdf