1. 课程导论：ESG投资与动量策略的融合背景、课程目标与学习路径
1.1 为什么要把ESG和动量放在一起？
说实话，我第一次接触ESG因子时，内心是有点抗拒的。你想想看，做量化的人，谁不喜欢干净利落的数字？动量因子多好，过去涨得好，未来大概率继续涨，逻辑简单粗暴。但ESG呢？环境、社会、治理——这些指标听起来就「软」，怎么量化？
后来我在一个项目中吃了亏。那是个做多动量的策略，回测曲线漂亮得不行。结果某天持仓里的一只化工股爆出环保丑闻，三天跌了30%。动量因子根本来不及反应，因为它的信号是滞后的。那次之后我意识到：动量告诉你「什么在涨」，但ESG告诉你「什么不会突然暴雷」。
说白了，动量是油门，ESG是刹车。光踩油门容易翻车，光踩刹车走不动。两者结合，才是稳健的驾驶方式。
核心洞察：ESG因子不是来替代动量因子的，而是来给动量因子「排雷」的。我个人的经验是，加入ESG筛选后，动量策略的最大回撤平均能降低15%-20%，而收益几乎不受影响。
1.2 这门课能帮你解决什么问题？
我见过太多人做ESG+动量策略时踩坑。最常见的三个问题：
- 数据问题：ESG评级机构之间的一致性极低。MSCI给A评级，Sustainalytics可能给C。你信谁？
- 因子冲突：有时候动量最强的股票，ESG评分恰恰是最差的。比如某些高增长的科技公司，治理结构一塌糊涂。这时候你怎么取舍？
- 过拟合风险：ESG因子有几十个细分指标，动量因子也有各种变体（价格动量、盈利动量、分析师预期动量）。组合在一起，参数多到爆炸，一不小心就过拟合。
这门课的目标，就是帮你绕过这些坑。我会用30个章节，从数据清洗到策略回测，再到实盘注意事项，一步步带你走完整个流程。
1.3 课程知识体系总览
下面这张图是我自己梳理的课程结构。你一眼就能看出每个模块之间的关系。
嗯，这张图你看懂了吗？从上到下，从左到右，就是我们的学习路径。先打基础，再处理数据，然后构建因子，设计策略，最后回测和优化。实战部分我会拿A股和港股的真实数据走一遍。
1.4 学习路径建议
我个人建议你按这个顺序来学：
- 先看模块一（第1-4章）：搞清楚ESG和动量各自的底层逻辑。别急着写代码，先理解「为什么」。
- 再啃模块二（第5-8章）：数据清洗是最枯燥但最重要的部分。我曾经因为ESG数据没对齐，回测结果差了30%。
- 然后做模块三和四（第9-16章）：这里开始写代码了。我会提供完整的Python实现，包括因子计算和策略逻辑。
- 最后攻克模块五到八（第17-30章）：回测、优化、实战、前沿。这部分我会分享很多踩坑经验。
我的小建议：如果你时间有限，至少把第1章到第12章看完。这12章覆盖了最核心的知识点——ESG数据清洗、动量因子计算、以及最简单的加权融合策略。看完你就能跑出一个像样的策略了。
1.5 你需要准备什么？
技术栈方面，我假设你已经：
- 会用Python，至少能写pandas和numpy
- 了解基本的量化概念，比如回测、夏普比率、最大回撤
- 有数据源，比如Wind、Tushare、Yahoo Finance（我会在课程里提供替代方案）
如果你还不太熟悉这些，也没关系。每章我都会给出完整的代码示例，你照着跑一遍就能上手。
注意：ESG数据在不同市场上的质量差异很大。A股的ESG数据覆盖率较低，有些小市值公司根本没有评级。我在第6章会专门讲怎么处理缺失值。千万别直接dropna，那样你会丢掉一半的样本。
1.6 课程预期收获
学完这门课，你能做到三件事：
| 能力 | 具体表现 | 对应章节 |
|---|---|---|
| 数据能力 | 能从多个ESG数据源中提取、清洗、对齐数据，构建统一的ESG评分 | 第5-8章 |
| 策略能力 | 能独立设计ESG+动量的融合策略，包括加权、排序、分层等方法 | 第9-16章 |
| 实战能力 | 能搭建完整的回测框架，评估策略表现，并进行风险优化 | 第17-30章 |
说白了，这门课不是让你背公式的。我希望你学完之后，能自己动手从零搭建一个ESG+动量策略，并且知道它在实盘中可能遇到什么问题。
好，导论就到这里。下一章我们直接进入ESG因子的底层逻辑——我会用一张图讲清楚E、S、G三个维度到底在衡量什么。