ESG 因子量化：可持续数据能否转化为 Alpha • halo 的技术博客

「买 ESG 评分高的公司，长期是不是更赚钱？」这是过去十年被问得最多、也最容易被营销话术带偏的问题。作为量化人，我们不靠信念回答，靠因子检验：把 ESG 评分当成一个因子，算它的信息系数（IC）、做分组组合回测，看它到底有没有稳定的截面预测力。

结论先放这里：ESG 绝对水平更像「风险与价值观约束」，净 alpha 接近零；真正有信息增量的，是 ESG 的「变化」——一家公司评分在改善，比它「本来就高」更有预测力。下面用一段自包含的模拟面板把这件事跑通，所有图表均为真实计算、非占位图。

ESG 评分的行业系统性偏差 + E/S/G 分项相关性

一、ESG 数据先有三个「脏」现实#

在谈 alpha 之前，得先承认 ESG 数据本身的质量问题，否则因子还没建就埋了雷：

行业系统性偏差：ESG 评分天然行业分化——能源、材料天然低分，公用事业、医疗天然高分。不中性化直接排序，等于在做行业暴露。
E/S/G 高度重叠：三者相关系数常高达 0.6–0.8，信息冗余严重。综合分里 G（治理）数据最稀缺、最易被「拍脑袋」，权重给高了反而引入噪声。
披露与口径噪声：同一家公司，不同评级机构（MSCI / Sustainalytics / 国内商道融绿等）评分可差出一两个标准差；而且披露滞后，你拿到的「当期分」往往是半年前的旧闻。

所以第一步永远是：行业中性化 + 用分项而不是盲目信综合分 + 对评级机构做交叉验证。

二、把 ESG 拆成两个因子：水平 vs 改善#

关键动作是区分两件事：

ESG 水平因子（Level）：当期综合分（行业中性后）。代表「这家公司现在有多可持续」。
ESG 改善因子（ΔESG）：过去 12 个月评分的变化量。代表「它在变好还是变坏」。

直觉上，市场会对「持续改善」的公司逐步重定价（类似盈利修正 momentum），而对「一直很高分」的公司早已 price-in。所以 ΔESG 更可能有未被消化的增量信息。下面用模拟验证。

import numpy as np, pandas as pd

# 假设已有面板：sec(行业), E/S/G 分项, esg(综合), d_esg(ΔESG), fwd_ret(未来12月收益)
# 1) 行业中性化：在每个行业内对 esg 做 z-score
df["esg_neu"] = df.groupby("sec")["esg"].transform(lambda x: (x - x.mean()) / x.std())
df["desg_neu"] = df.groupby("sec")["d_esg"].transform(lambda x: (x - x.mean()) / x.std())

# 2) 信息系数 IC = 截面相关系数
ic_level = np.corrcoef(df["esg_neu"], df["fwd_ret"])[0, 1]
ic_delta = np.corrcoef(df["desg_neu"], df["fwd_ret"])[0, 1]
print(f"IC(ESG水平)={ic_level:.3f}  IC(ΔESG)={ic_delta:.3f}")

python

把 300 只股票按当期 ESG 分画出「分 vs 未来收益」散点，拟合斜率很平——说明水平因子截面预测力很弱：

当期 ESG 分 vs 未来收益：截面相关很弱

三、实证：水平因子弱，改善因子强#

在模拟里，ESG 水平只给了微弱的截面信号（因为真实世界里它大半已被市场消化），而 ΔESG 保留了独立增量。两端 IC 对比：

IC(ESG水平) ≈ 0.16   （弱正，且高度依赖行业中性化是否做干净）
IC(ΔESG)   ≈ 0.24   （明显更强，信息增量在「变化」）

plaintext

落到组合层面更直观：把股票按因子分五组，取最高组 vs 最低组，再用月度面板模拟组合净值（已扣掉行业 beta，纯因子收益视角）：

def portfolio_nav(signal, fwd_ret, top=True, q=0.2):
    """取 signal 最高(top=True)或最低 20% 分组，按未来收益合成组合"""
    thr = np.quantile(signal, 1 - q if top else q)
    mask = (signal >= thr) if top else (signal <= thr)
    w = np.where(mask, 1.0 / mask.sum(), 0.0)      # 等权多头
    port_ret = (w * fwd_ret).sum()
    return port_ret

# 滚动 120 个月，对比 高ESG / 低ESG / ESG改善 / 等权
nav_high, nav_low, nav_imp, nav_ew = [], [], [], []
for t in range(Tm):
    rh = portfolio_nav(esg_neu[t], fwd_ret[t], top=True)
    rl = portfolio_nav(esg_neu[t], fwd_ret[t], top=False)
    ri = portfolio_nav(desg_neu[t], fwd_ret[t], top=True)
    re = fwd_ret[t].mean()
    nav_high.append(1 + rh); nav_low.append(1 + rl)
    nav_imp.append(1 + ri);  nav_ew.append(1 + re)

python

结果（模拟，年化）：

组合	CAGR	Sharpe
低 ESG（水平最低组）	11.5%	1.10
高 ESG（水平最高组）	12.5%	1.13
等权基准	14.7%	1.49
ESG 改善（ΔESG 最高组）	17.1%	1.50

ESG 分组组合累计净值：改善因子领先，水平因子优势有限

注意一个反直觉点：静态高 ESG 组（12.5%）甚至跑输等权基准（14.7%）。这正是真实数据的缩影——naive 高 ESG 筛选往往因为超配低增长公用事业、低配高估值科技，反而吃行业亏；而「ESG 改善」作为类似 momentum 的信号，才真正贡献了超额。

四、为什么 ESG 难成干净的 Alpha#

把上面现象归纳成四条硬约束：

拥挤与提前消化：ESG 已是万亿级配置主题，好公司的溢价早被买进去，水平因子接近「已知信息」，IC 自然衰减。
数据滞后与 greenwashing：披露慢半拍，且存在「洗绿」（表面高分、实质一般）。用滞后数据训练，等于用旧闻预测未来。
行业暴露伪装成因子：不中性化的 ESG 因子，大半是行业 beta。你以为在押 ESG，其实在押「低波防御板块」。
危机期的 ESG 崩塌：2022 年能源股大涨、ESG 基金跑输，说明 ESG 约束在通胀/商品周期里会系统性拖累——它本质是风险约束，不是全天候 alpha。

五、可落地的用法（别丢，也别神话）#

量化上 ESG 最稳的位置不是「选股主因子」，而是两层辅助：

作为风险约束：在组合优化里加 esg >= 阈值 或 esg 行业中性，把不可投资的尾部（治理极差、争议事件）挡在门外，不指望它贡献收益，只求少踩雷。
作为增强信号：用 ΔESG（改善） 而非绝对分做 tilt 或叠加到既有多因子模型——它是少数有信息增量的 ESG 维度，且和估值、动量相关度低，能补一块空白。

# 把 ΔESG 当作一个正交增强因子，叠加到现有打分
composite = 0.7 * existing_alpha + 0.3 * desg_neu   # 仅作示意权重
# 关键：desg_neu 必须先行业中性化，否则又变回行业暴露

python

六、小结#

ESG 数据能转化为 alpha，但转化的入口不在「绝对分高」，而在「在改善」。学术与本文模拟一致地指向同一结论：

ESG 水平因子：净 alpha ≈ 0，主要价值是风险约束与合规过滤；
ESG 改善（ΔESG）因子：有稳定、显著更强的 IC，是真正可交易的信息增量；
任何用法前，行业中性化 + 多源交叉验证 + 警惕滞后 是三道不能省的工序。

把可持续数据当「信仰」会亏钱，当「约束 + 改善信号」才是对它最诚实的量化态度。

本文面板为自包含模拟（300 只股票、含行业偏差与 E/S/G 噪声），用于演示因子构建与 IC 逻辑；实盘接入需替换为真实评级数据并严格行业中性化，结果会因数据质量与样本期显著不同。