如何有效利用ESG數據構建Smart Beta指數

上世紀90年代，基于ESG（環境，社會和治理）數據的第一批指數面世。1991年，KLD推出了Domini 400社會指數，該指數通過ESG篩選標準（正面篩選和負面篩選），選出了400家美國公司作為成分股，加權方式為市值加權。1999年，標普道瓊斯（S&P Dow Jones）和RobecoSAM推出了全球道瓊斯可持續指數（DJSI），該系列指數選擇每個行業中ESG得分最高的公司作為成分股。隨后，多家機構推出了基于ESG研究的指數（如圖表1所示），這些指數使用了不同的ESG研究提供商。在這些指數的基礎上，各種指數基金、結構化產品和ETF產品也相繼推出。ESG指數已成為ESG投資格局的重要組成部分。

迄今為止，ESG指數和基于ESG概念的基金已經成為ESG投資者的投資方式之一。但是，將ESG選股標準納入指數，是否能夠提升投資組合的風險收益特征呢？近年來學界和業界對此進行了大量研究，但到目前為止，對此問題尚未達成廣泛共識。

眾多學術研究分析了ESG得分與股票收益率及波動率之間的關系，但這些研究的具體過程有所不同，比如是否對其他因子進行剝離（如國家、行業、價值、市值等），這些研究最終得出的結論也不盡相同。

首先我們回顧沒有對其他因子進行剝離（即沒有調整因子偏差（factor biases））的研究成果。Brammer、Brooks和Pavelin（2006）發現ESG得分與股票收益之間呈負相關，但Scholtens（2008），Eccles、Ioannu和Serafeim（2011），Kurtz和DiBartolomeo （2011）發現ESG得分與股票收益之間呈正相關。

進一步考慮了因子偏差（factor biases）的研究發現：ESG得分通常會受到其他因子的影響。例如，由于大公司通常會在ESG問題上遵循較高的披露標準，因此ESG得分通常與規模呈正相關。ESG得分也與地區相關，歐洲公司的ESG得分均值高于其他地區的公司。此外，對于不同行業而言，ESG評分方法通常有所不同，因此ESG得分與股票業績關系的研究需要分行業進行分析。

除了市值、地區、行業因素之外，也需要考慮Carhart-French因子的影響。Nagy、Cogan和Sinnreich(2012)發現，在控制了地區、行業、市值、成長和價值因子的情況下，ESG得分與股票表現之間存在正相關性。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)的研究結果表明，ESG得分與股票表現之間不具有相關性。

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得分與股票風險之間存在負相關性，ESG得分高的公司往往具有更低的波動率或回撤。

德意志銀行的一份最新研究（參見Fulton，Kahn和Sharples [2012]）總結了100多項學術研究的結果，結果表明：關于ESG得分與股票業績之間的相關性，學術界的研究結論既有正相關性，也有負相關性和無相關性，但是大多數（超過80%）的研究表明，ESG得分與股票回報之間具有正相關性。

有趣的是，Amenc和LeSourd(2010)的研究結果與上述結論截然相反，他們研究了ESG指數和ESG基金的收益，發現沒有證據能夠表明ESG投資能夠提升財務表現。

本文認為，Amenc和LeSourd所觀察到的現象（ESG指數不能提供alpha收益）實際上是由于未能將ESG數據有效地整合進ESG指數。根據本文的研究結果，如果能有效利用ESG數據，確實可以提升投資組合的收益。

具體來講，我們提出了兩個方法，以更好地利用ESG數據產生alpha收益。

第一個方法是對ESG數據中存在的偏差（biases）進行正確的處理，即對一些常見因子進行剝離，消除這些因子的影響。

第二個方法是對ESG指標的重要性進行測試和增強。ESG評分方法所用的數據通常比傳統因子（價值、成長或動量等）所用的數據更加廣泛。在生成ESG因子的過程中，會將大量指標（通常超過100個）匯總到一個總的ESG評分中，這遠遠多于生成一般因子所用的指標。這會導致那些帶有重要信息（即能夠產生alpha收益）的指標在匯總到最終ESG評分的過程中被稀釋（diluted）。因此本文提出的第二個關鍵方法是：在每個行業中進行ESG評分的過程中，對ESG指標的重要性進行測試和增強。

在當前的ESG指數的構建過程中，尚未應用這兩個方法。因此我們認為ESG指數仍有較大的提升潛力，可以產生比當前ESG指數更高的回報。

本文的主要目的是說明如何根據ESG研究數據構建ESG因子，這樣構建的ESG因子可以像價值、成長或動量等傳統因子一樣，應用于Smart Beta指數。本文對Smart Beta策略的定義為：通過基于因子的選股方式或加權方式，獲得比傳統市值加權指數更好的風險調整后收益。

在第2節中，我們根據現有的ESG研究，構建了無偏ESG因子得分，具體方法為：（1）消除因子偏差；（2）對ESG指標的重要性進行測試和增強。為了測試ESG數據的重要性，我們將使用先進的回測框架來減小數據挖掘的風險。在第3節中，我們檢驗了以上方法的實證效果。第4節進行了總結。

現有文獻中有大量證據表明，地區、行業或規模等因子會給ESG數據帶來較大的偏差，這些因子會影響ESG指數或投資組合的最終財務表現（參見Nagy、Cogan和Sinnreich[2012]，Fulton等[2012]，Roy和Gitman [2012]和Cox [2013]）。

一般來說，ESG研究數據有兩種類型的因子偏差（factor biases）：

1.離散因子的偏差，例如地區或行業引起的偏差；

2.連續因子的偏差，例如公司規模引起的偏差。

地區偏差的存在原因是：不同地區對于ESG事務的報表準則和實施標準有很大的不同，這使得不同地區的公司之間ESG狀況的對比非常困難，因此需要中性化處理來消除地區的影響。類似地，不同行業的ESG風險也具有很大差異，因此，必須先使ESG得分對行業進行中性化處理，然后才能比較不同行業的ESG得分。

對于與離散因子有關的偏差，現有文獻中采用的方法通常是分組法（bucking approaching，參閱Cox [2013]）。也就是說，可以將被評估公司劃分為不同的可比組（peer groups），每個可比組內的股票對該離散因子具有相同的暴露。我們使用RobecoSAM的ESG數據庫，并按照表現出強烈偏差的兩個維度（地區和GICS行業）進行了分組，共分為30個可比組：

我們可以得出一個基本結論：我們創建的ESG因子得分獨立于現有因子，并增加了財務價值，可以用于指數或投資組合構建。

下面我們將ESG因子得分應用于現實世界的指數構建方法中，來檢驗ESG因子得分是否可以作為SmartBeta指數的基礎。Kostka（2013）分析了市場上最受歡迎的Smart Beta指數策略的長期業績表現，研究結果表明，現有Smart Beta指數的信息比率在0到0.9之間，中位數約為 0.4，因此我們將以此為基準，來評估上一節中構建的ESG因子得分的表現。

盡管市場上的ESG指數基于多種不同的指數構建規則，但是這些指數構建規則遵循兩個基本的方法：

1. ESG選股（subselection）：如果選股范圍內的公司的ESG得分達到某個最低閾值，則將其作為指數成分股。

2. ESG加權（weighting）：指數成分股不是按市值加權，而是采取ESG傾斜加權，即對ESG的得分高的公司賦予更高的權重，或者直接按照ESG得分進行加權。

接下來，我們將在這兩個方法框架內測試上一節構建的ESG因子得分。

?? ESG選股

我們以發達市場的大盤股和中盤股為例，選擇ESG因子得分排名前三之一的公司。具體來講，我們根據ESG因子得分對每個國家的公司進行排名，然后從最高ESG得分開始選擇，直到所選的公司的總市值達到該國所有上市公司總市值的33%。

我們在每年的3月底和9月底，每半年進行一次調倉，回測結果展示在圖表4中。測試時間窗口為2006年3月30日到2015年6月30日。結果表明基于ESG因子進行選股的指數相對于基準的年化超額收益為1.05%，跟蹤誤差為1.12%，信息比率為0.93，ESG因子的信息比率大于圖表3中大多數SmartBeta因子的信息比率，并且與通常的SmartBeta指數的表現特征相符。

將ESG整合到指數組合中的第二種基本方法是根據ESG得分對成分股加權，即ESG傾斜加權。這樣的傾斜加權指數在Smart Beta指數中較為常見，指數權重基于一個或多個常見因子（如價值、波動率、動量等），具體的加權方式有兩種：一是在市值權重的基礎上根據因子值對權重進行調整；二是只根據因子值確定權重，與市值無關。

將ESG研究數據加入到指數中，是否可以像傳統因子那樣產生更高的風險調整收益？這一問題一直是學界和業界爭論的焦點。

金融行業中，將ESG數據整合到指數或產品中的方法普遍面臨兩個問題：首先，市值、行業、國家等因子會給ESG數據帶來偏差，這會對ESG指數或投資組合的表現產生影響。其次，ESG評分方法比常見因子要更加廣泛，由于ESG評分是由大量的ESG指標（通常超過100個指標）匯總得到的，這導致帶有重要信息（即能產生alpha）的ESG指標在評分過程中被稀釋。因此，衡量公司ESG概況的傳統方法可能無法構造出有效的選股因子。

因此，本文創建了一種ESG評分方法，該方法可以像現有的常見因子一樣，應用于投資組合管理和指數構建，并且可以作為構建Smart Beta指數的基礎。在我們構造的方法中有兩個重要步驟。首先，需要對ESG指標進行無偏化處理，消除某些因子帶來的偏差。其次，需要系統地測試ESG指標的重要性，以更好地了解哪些ESG指標有利于提升財務表現，這樣的重要性測試需要分行業進行測試，并且需要將模型對噪音數據過度擬合的風險（即數據挖掘的風險）降至最低。因此，我們采用了Amenc等人（2015）提出的先進的回測框架，這一回測框架使用LASSO方法以降低參數估計過程中的維數，并采用降采樣方法來確保重要性測試的結果足夠穩健。

因此，本文計算出的ESG因子得分對現有的常見因子是無偏的，并且對那些具有重要性的ESG指標進行了增強。

利用構建好的ESG因子，我們進行了兩種類型的分析。首先，我們使用標準風險因子模型分析了ESG得分。我們的測試結果顯示：ESG因子得分對常見因子是無偏的，具有正的信息比率，該信息比率與市值、價值、動量等傳統因子的信息比率相近。其次，我們將ESG因子得分應用于構建ESG指數常用的指數方法論中，即基于ESG因子得分進行選股和基于ESG得分進行成分股加權這兩種方式。相比于市值加權的基準指數，這兩種指數構造方法均提升了投資組合的風險收益表現。因此，如果以適當的方式設計ESG評分方法，則ESG數據可以與常見因子一樣，作為構建Smart Beta指數的基礎。

【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.

風險提示：文獻中的結果均由相應作者通過歷史數據統計、建模和測算完成， 在政策、市場環境發生變化時模型存在失效的風險。