第3章 E（环境）风险因子识别

3、E（环境）风险因子识别：气候变化风险、碳排放与碳足迹、水资源与生物多样性风险

聊到E（环境）因子，很多做量化的朋友第一反应就是“这东西太虚，没法量化”。

说实话，我早年也这么想。直到有一次，我帮一家欧洲的资管机构做因子归因，发现他们持仓里有一家水务公司，因为连续三年干旱导致水源枯竭，股价直接腰斩。而我们的多因子模型里，居然没有任何一个指标能提前预警这个风险。

从那以后，我开始认真对待环境因子。今天我们就来拆解一下，E因子里最核心的三个风险维度。

3.1 气候变化风险：物理风险与转型风险

气候变化风险，说白了就是两类：

物理风险：台风、洪水、干旱、海平面上升。这些是“看得见”的损失。
转型风险：政策收紧、碳税、技术替代。这些是“看不见”的合规成本。

我个人习惯把物理风险叫做“急性风险”，转型风险叫做“慢性风险”。急性风险好理解，比如一家沿海的化工企业，一场飓风就能让工厂停产三个月。慢性风险更隐蔽，比如欧盟的碳边境调节机制（CBAM）一落地，出口型企业的利润可能直接缩水5%-10%。

量化要点：

物理风险可以用“气候情景分析”来建模。我常用的方法是：

获取IPCC的RCP 4.5和RCP 8.5情景数据
将企业的地理位置与极端天气频率做空间匹配
计算“气候暴露度”作为风险因子

避坑指南：

我曾经犯过一个错误——直接用历史天气数据做回测。结果发现，历史数据根本预测不了“百年一遇”的极端事件。后来我改用蒙特卡洛模拟，生成1000种可能的天气路径，才勉强靠谱。

3.2 碳排放与碳足迹：从Scope 1到Scope 3

碳排放是E因子里最成熟、也最容易被量化的指标。但这里有个坑——很多人只看Scope 1（直接排放）和Scope 2（能源间接排放），忽略了Scope 3（供应链排放）。

你想想看，一家苹果公司的Scope 3排放，可能占其总碳足迹的90%以上。如果你只看Scope 1和2，那你的模型基本等于没看。

我建议的做法是：

优先获取CDP（碳披露项目）数据，这是目前最全的碳排放数据库
计算碳强度：碳排放量 / 营收（或市值），用于跨行业比较
关注碳减排趋势：连续3年碳强度下降的企业，通常有更好的管理能力

注意：

碳排放数据有个致命问题——滞后性。大部分企业的碳排放数据要延迟1-2年才公布。所以，我一般会用“行业平均碳强度 + 企业产能利用率”来做实时估算。

这里给一个简单的Python示例，用于计算碳强度因子：

import pandas as pd

# 假设df包含碳排放量（吨CO2e）和营收（百万美元）
df['carbon_intensity'] = df['scope1_emissions'] + df['scope2_emissions']
df['carbon_intensity'] = df['carbon_intensity'] / df['revenue']

# 行业标准化
df['carbon_intensity_z'] = (df['carbon_intensity'] - 
                            df.groupby('industry')['carbon_intensity'].transform('mean')) / \
                            df.groupby('industry')['carbon_intensity'].transform('std')

# 因子方向：碳强度越低越好（负向因子）
df['carbon_factor'] = -df['carbon_intensity_z']

3.3 水资源与生物多样性风险

这两个因子，说实话，在量化圈里还比较“小众”。但我觉得，未来5-10年，它们会成为主流。

水资源风险：

不是所有行业都受水资源影响。重点关注：半导体、化工、纺织、食品饮料
核心指标：水消耗强度（立方米/营收）、水回用率、所在流域的水压力指数

生物多样性风险：

这个更前沿。目前主要靠“地理位置 + 保护区数据”来评估
比如：一家矿业公司，如果矿区靠近世界自然遗产地，那它的生物多样性风险就极高

我的经验：

水资源风险其实很好用。我记得有一次，我构建了一个“水压力因子”，专门做空高水消耗、高水压力地区的企业。回测下来，这个因子在干旱年份的夏普比率能达到1.5以上。说白了，水就是钱。

3.4 知识体系框架图

下面这张图，是我自己梳理的E因子识别框架。你可以把它当作一个检查清单：

3.5 实战中的注意事项

最后，分享几个我在实战中踩过的坑：

数据频率问题：环境数据大多是年度数据，而量化模型需要月度甚至日度数据。我的解决办法是：用季度财报中的“资本支出”作为代理变量，高频更新环境风险敞口。
行业差异：同一个E因子，在不同行业里的含义完全不同。比如，碳排放因子对科技公司几乎没用，但对能源公司就是命根子。一定要做行业中性化处理。
不要过度拟合：环境因子在回测中往往表现很好，但实盘可能失效。为什么？因为市场对ESG的定价逻辑在快速变化。我建议每半年重新校准一次因子权重。

一个小技巧：

如果你刚开始做E因子，我建议先从“碳排放强度”入手。这个数据最容易获取，逻辑也最清晰。等跑通了，再慢慢加入水资源和生物多样性。别想一口吃成胖子。

嗯，关于E因子的识别，今天就聊到这里。记住一句话：环境风险不是“道德标签”，而是实实在在的财务风险。你把它量化了，它就是alpha。

公众号:蓝海资料掘金营，微信deep3321