3、ESG因子构建：从原始数据到可用因子

好，咱们进入正题。ESG因子构建这块，说白了就是把那些评级机构给的原始分数，变成咱们量化模型能用的因子。我刚开始做这个的时候，也踩过不少坑——比如不同机构的评级压根儿不兼容，直接拼一起用，模型跑出来全是噪音。

今天我就把ESG因子构建的完整流程拆开讲。从数据源到标准化，每一步我都会结合自己的项目经验来说。

3.1 ESG评级数据来源：三大主流机构

目前市场上主流的ESG评级数据，主要来自三家机构：MSCI、Sustainalytics、Refinitiv。每家都有自己的打分逻辑，咱们得先搞清楚它们各自的特点。

我个人习惯用Refinitiv的数据做基础因子构建。为什么？因为它把E、S、G三个维度拆成了10个主题、30多个指标，你能拿到非常细的颗粒度。MSCI的评级虽然名气大，但只有7档，做量化回测时区分度不够。

3.2 ESG综合得分计算：加权还是等权？

拿到原始数据后，第一步是算ESG综合得分。这里有个经典问题：E、S、G三个维度，该给它们分配多少权重？

我见过两种主流做法：

• 等权法：E、S、G各占1/3。简单粗暴，但问题在于——不同行业的环境风险差异巨大。比如一家石油公司和一家软件公司，E的权重能一样吗？
• 行业加权法：根据行业特性调整权重。比如高污染行业E的权重提到50%，金融行业G的权重提到40%。

嗯，这里要注意。我曾在项目中试过等权法，结果发现石油股的ESG得分被E维度严重拖低，而科技股的得分虚高。后来改用行业加权，效果好了不少。

下面是我常用的行业加权计算代码：

import pandas as pd
import numpy as np

def calc_esg_score(df, industry_weights):
    """
    df: 包含E_score, S_score, G_score的DataFrame
    industry_weights: 字典，key为行业代码，value为[E权重, S权重, G权重]
    """
    df['ESG_score'] = 0.0
    
    for industry, weights in industry_weights.items():
        mask = df['industry'] == industry
        df.loc[mask, 'ESG_score'] = (
            weights[0] * df.loc[mask, 'E_score'] +
            weights[1] * df.loc[mask, 'S_score'] +
            weights[2] * df.loc[mask, 'G_score']
        )
    
    return df

# 示例：不同行业的权重配置
industry_weights = {
    '能源': [0.5, 0.3, 0.2],
    '金融': [0.2, 0.3, 0.5],
    '科技': [0.3, 0.4, 0.3],
    '消费': [0.3, 0.4, 0.3]
}

3.3 E/S/G各维度因子构建：拆开来看更清楚

ESG综合得分虽然方便，但说实话，它的预测能力往往不如单维度因子。我建议你至少构建以下三个维度的因子：

E维度因子：环境得分

• 碳排放强度：Scope 1+2排放量 / 营收。这个因子在能源、工业行业特别有效。
• 环境管理得分：Refinitiv的环境管理主题得分，反映公司是否有环保政策、目标。
• 绿色收入占比：来自绿色产品或服务的收入比例。这个数据不太好拿，但很有价值。

S维度因子：社会得分

• 员工满意度：可以用员工流失率、工伤率等指标代理。
• 供应链管理：供应商ESG审核覆盖率。我发现在消费品行业，这个因子对股价有显著影响。
• 产品责任：产品质量投诉率、数据隐私保护等。

G维度因子：治理得分

• 董事会独立性：独立董事占比。这个因子在A股市场效果不错。
• 高管薪酬合理性：CEO薪酬与员工中位数的比值。
• 股权结构：大股东持股比例、机构投资者占比。

你想想看，为什么要把E、S、G拆开？因为不同因子在不同市场环境下的表现差异很大。比如2020年疫情时，S维度因子（员工福利、供应链韧性）表现特别好；而2022年能源危机时，E维度因子（碳排放、能源效率）反而成了拖累。

3.4 ESG因子标准化处理：让数据说话

原始ESG数据的问题在于——不同维度的量纲不同，不同行业的分布也不同。比如E得分在0-100之间，但G得分可能集中在60-80之间。直接扔进模型，G维度会被E维度吃掉。

我常用的标准化方法有三种：

1. Z-score标准化：减去均值，除以标准差。适合正态分布的数据。
2. 分位数标准化：把原始分数映射到0-1之间的分位数。适合偏态分布。
3. 行业中性化：在每个行业内做标准化，消除行业偏差。

我个人最推荐「行业中性化+分位数标准化」的组合。为什么？因为ESG数据在不同行业间的分布差异太大了——金融行业的G得分普遍高，能源行业的E得分普遍低。如果不做行业中性化，你构建的因子本质上是在做行业轮动，而不是选股。

def industry_neutral_rank(df, factor_col, industry_col='industry'):
    """
    行业中性化+分位数标准化
    """
    df['factor_rank'] = np.nan
    
    for industry in df[industry_col].unique():
        mask = df[industry_col] == industry
        # 在行业内做分位数排名
        rank = df.loc[mask, factor_col].rank(pct=True)
        df.loc[mask, 'factor_rank'] = rank
    
    # 再对整个截面做Z-score标准化
    df['factor_standardized'] = (
        df['factor_rank'] - df['factor_rank'].mean()
    ) / df['factor_rank'].std()
    
    return df

知识体系总览

下面这张图，我把ESG因子构建的完整流程画出来了。你可以对照着看，每一步的输入输出是什么，以及它们之间的依赖关系。

好了，ESG因子构建的核心方法就这些。从数据源选择到综合得分计算，再到各维度因子构建和标准化处理，每一步都有讲究。我建议你拿到数据后，先画一张类似的流程图，把每个环节的输入输出理清楚，再动手写代码。

记住一句话：ESG因子的质量，90%取决于数据清洗和标准化，只有10%取决于模型本身。别在模型上花太多时间，先把数据搞干净。