1. 绿色金融数据概览：什么是绿色金融数据？

说实话，我刚入行那会儿，对「绿色金融数据」这个概念也挺模糊的。大家一上来就聊ESG、碳排放、绿色债券，听着挺唬人。但说白了，绿色金融数据就是——用来衡量一家企业、一个项目或者一项资产，到底有多「绿」的数据。

我个人习惯把这类数据分成两大类：一类是定性数据，比如ESG评级里的治理结构描述；另一类是定量数据，比如碳排放量、绿色信贷余额。嗯，这里要注意，定量数据才是我们做因子挖掘的主力军。

1.1 数据来源：你从哪里搞到这些数据？

我遇到过不少刚入行的朋友，一上来就问：「老师，绿色金融数据去哪儿找？」其实渠道挺多的，但质量参差不齐。我列几个主要的：

• ESG评级数据：MSCI、Sustainalytics、商道融绿、华证指数等。这些评级机构会给出综合评分，但各家标准不一样，你想想看，同一家公司，MSCI给A，商道融绿可能给B+，这就是典型的「评级分歧」问题。
• 碳排放数据：CDP（碳披露项目）、各交易所强制披露的碳排放报告、还有第三方核查数据。我个人经验是，碳排放数据缺失率极高，尤其是Scope 3（供应链排放），很多公司根本不报。
• 绿色债券数据：气候债券倡议组织（CBI）、中央结算公司、Wind等。绿色债券的关键字段包括：募集资金用途、第三方认证、存续期信息披露。
• 绿色信贷数据：央行、银保监会、各银行年报。这块数据比较「重」，通常以季度或年度频率更新。
• 环境处罚数据：各级环保部门官网、蔚蓝地图等。这类数据时效性很强，适合做事件驱动因子。

1.2 数据特征：这些数据到底长什么样？

搞量化的人，最怕的就是数据不干净。绿色金融数据在这方面，简直是「重灾区」。我总结了几大特征，你感受一下：

特征	说明	我的踩坑经历
高缺失率	很多公司不披露碳排放数据，尤其是中小盘股。ESG评级也经常出现「无评级」的情况。	我曾经做过一个A股全样本的碳排放因子，结果发现超过60%的公司没有数据。最后只能用行业均值填充，效果嘛……嗯，你懂的。
频率不统一	ESG评级通常是季度或年度更新，碳排放数据一年一次，而股价是日频。怎么对齐？这是个头疼的问题。	我建议的做法是：低频数据向前填充，但要注意避免「未来信息」泄露。
标准不一致	不同评级机构对同一家公司的评分可能天差地别。比如，特斯拉在MSCI里是AAA，但在某些机构眼里可能只是B。	这其实是个「因子噪音」问题。我一般会取多家评级的排名百分位均值，而不是直接用原始分数。
数据漂移	评级机构会回溯调整历史评级。你今天下载的数据，和三个月前下载的同一时间点的数据，可能不一样。	这很坑！我建议你每次下载数据都打上时间戳，并且保留原始版本，别覆盖。
非线性关系	碳排放量和股价之间，往往不是简单的线性关系。比如，碳排放突然大幅增加，可能是企业扩张导致的，也可能是环保事故导致的。	所以做因子时，我习惯先做分位数变换，或者用排名代替原始值。

1.3 知识体系：一张图看懂绿色金融数据

下面这张图，是我自己梳理的绿色金融数据知识体系。你把它存下来，以后做数据清洗和因子构造时，随时回来对照。

1.4 避坑指南：我踩过的那些坑

1.5 代码示例：快速检查数据质量

下面这段代码，是我每次拿到新数据后必跑的「体检」脚本。你直接拿去用：

import pandas as pd
import numpy as np

def green_data_quality_check(df, date_col='date', id_col='stock_code'):
    """
    绿色金融数据质量快速检查
    """
    print("="*50)
    print("数据质量报告")
    print("="*50)
    
    # 1. 缺失率统计
    missing_rate = df.isnull().mean().sort_values(ascending=False)
    print("\n>>> 缺失率最高的5个字段：")
    print(missing_rate.head())
    
    # 2. 时间跨度
    print(f"\n>>> 时间跨度：{df[date_col].min()} 至 {df[date_col].max()}")
    
    # 3. 样本数量
    print(f">>> 总记录数：{len(df):,}")
    print(f">>> 唯一股票数：{df[id_col].nunique()}")
    
    # 4. 检查是否有未来数据（常见坑！）
    latest_date = df[date_col].max()
    print(f">>> 最新数据日期：{latest_date}")
    
    # 5. 检查是否有重复记录
    dup_count = df.duplicated(subset=[date_col, id_col]).sum()
    if dup_count > 0:
        print(f"\n⚠️ 发现 {dup_count} 条重复记录，建议去重！")
    else:
        print("\n✅ 无重复记录")
    
    return missing_rate

# 使用示例
# df = pd.read_csv('esg_data.csv')
# green_data_quality_check(df)

---