1. ESG因子概述：ESG投资理念起源、E/S/G三大支柱核心指标、全球ESG投资规模与趋势
各位同学，咱们今天正式开讲ESG因子的第一课。说实话，我最早接触ESG这个概念是在2015年，当时在一家外资对冲基金做量化策略。老板扔给我一份报告，说「你看看这个，以后可能会火」。我翻了翻，心想这玩意儿不就是企业社会责任报告的升级版吗？能用来赚钱？
嗯，后来事实证明我错了。而且错得挺离谱。
现在回过头看，ESG已经从一个小众的「道德投资」概念，变成了全球资管行业的主流配置逻辑。咱们这节课，就把ESG的来龙去脉、核心指标、以及全球规模讲清楚。你想想看，如果你连因子是什么、怎么来的都不清楚，后面怎么做有效性检验？
1.1 ESG投资理念的起源
ESG这个词，最早出现在2004年联合国的一份报告里，叫《Who Cares Wins》。但理念的萌芽要早得多。
我记得有个很有意思的案例：上世纪70年代，美国越战期间，很多大学基金开始抵制投资军工企业。这就是最早的「负面筛选」——我不买我不认同的行业。后来到了80年代，南非种族隔离时期，大量机构撤资南非公司。你看，这其实就是S（社会）维度的早期实践。
真正让ESG进入主流视野的，是2006年联合国发布的PRI（负责任投资原则）。当时签署的机构只有几十家，现在呢？全球超过5000家机构签署，管理资产规模超过120万亿美元。这个增速，说实话，比我当年预测的还要猛。
我个人习惯把ESG投资的发展分为三个阶段：
- 1.0阶段（2000年以前）：以道德筛选为主，说白了就是「我不投什么」
- 2.0阶段（2000-2015年）：开始整合ESG因素到传统财务分析中，但更多是定性判断
- 3.0阶段（2015年至今）：ESG因子量化、系统化，成为独立的投资策略
我们现在做的ESG因子有效性检验，就属于3.0阶段的核心工作。
1.2 E/S/G三大支柱核心指标
ESG不是一个大杂烩，它有三个明确的支柱。我在项目中遇到过很多新手，上来就问「ESG因子怎么合成一个分数」，其实这是个大坑。你想想看，E、S、G三个维度的数据性质完全不同，硬捏在一起，反而会丢失信息。
咱们一个一个拆开看：
E - 环境（Environmental）
这个维度最容易被量化，因为数据相对客观。核心指标包括：
- 碳排放强度：范围1、范围2、范围3排放量/营收
- 能源效率：单位营收能耗
- 水资源管理：用水强度、废水回收率
- 废弃物管理：有害废弃物占比、回收率
- 绿色收入占比：来自环保产品或服务的收入比例
这里有个坑，我提醒一下各位。范围3的碳排放（供应链排放）数据质量极差，很多公司根本不披露。我在做回测时，如果强行用范围3数据，样本量直接砍掉60%。所以我的建议是：初期先用范围1+范围2，等数据源稳定了再考虑范围3。
S - 社会（Social）
S维度是最难量化的，因为它涉及太多软性指标。核心指标包括：
- 员工满意度：员工流失率、人均培训时长
- 多样性：管理层女性占比、董事会多样性
- 供应链管理：供应商ESG审核覆盖率
- 产品安全：产品召回次数、客户投诉率
- 社区关系：社区投资金额、负面舆情事件
我曾经踩过一个坑：用员工满意度数据做因子，结果发现这个数据更新频率太低，一年才一次。你想想看，做量化策略，一年才更新一次信号，这还怎么玩？所以后来我改用员工流失率（季度数据）作为替代指标，效果好了很多。
G - 治理（Governance）
G维度是三个里面最「硬」的，因为它跟公司治理结构直接相关。核心指标包括：
- 董事会独立性：独立董事占比
- 高管薪酬合理性：CEO薪酬与员工中位数薪酬比
- 股东权利：一股一权、反收购条款
- 财务透明度：审计质量、财务重述次数
- 商业道德：腐败案件、合规处罚
我个人觉得，G因子在A股市场的有效性其实比E和S都要强。为什么？因为A股很多公司的治理问题太明显了——大股东占款、关联交易、财务造假。这些信息一旦暴露，股价暴跌是大概率事件。所以G因子更像是一个「排雷工具」。
1.3 全球ESG投资规模与趋势
咱们来看一组数据。根据GSIA（全球可持续投资联盟）的统计：
| 地区 | 2020年规模（万亿美元） | 2022年规模（万亿美元） | 增长率 |
|---|---|---|---|
| 欧洲 | 12.0 | 14.1 | 17.5% |
| 美国 | 17.1 | 8.4 | -50.9% |
| 日本 | 2.9 | 4.3 | 48.3% |
| 加拿大 | 2.4 | 2.8 | 16.7% |
| 澳大利亚/新西兰 | 0.9 | 1.2 | 33.3% |
| 全球合计 | 35.3 | 30.3 | -14.2% |
你可能会问：为什么全球ESG投资规模在2022年反而下降了？
嗯，这里有个统计口径的问题。美国在2022年收紧了ESG的定义标准，很多之前被算作ESG的基金，现在被重新归类了。说白了，不是钱少了，是「水分」被挤掉了。我个人觉得这是好事——更严格的定义，意味着ESG因子的纯度更高，对我们做量化策略反而是利好。
再看趋势，有几个方向值得关注：
- 监管趋严：欧盟SFDR、美国SEC气候披露规则，都在倒逼企业披露更标准化的ESG数据
- 数据质量提升：以前ESG数据全靠企业自愿披露，现在开始有第三方数据商（如MSCI、Sustainalytics）做标准化评分
- 因子策略多样化：从简单的负面筛选，发展到ESG动量、ESG改善、ESG风险因子等复杂策略
- AI赋能：用NLP技术从新闻、公告中提取ESG情绪信号，这个方向我最近在重点研究
核心观点：ESG投资已经从「道德选择」变成了「风险定价工具」。未来3-5年，ESG因子会像价值因子、动量因子一样，成为量化策略的标准配置。
1.4 ESG因子知识体系框架
为了让大家更直观地理解ESG因子的整体结构，我画了一张框架图。这张图涵盖了ESG因子的数据来源、核心维度、以及策略应用路径。
实战小贴士：在做ESG因子研究时，我建议你从G维度入手。为什么？因为G维度的数据质量最高、更新频率最快、且与股价的相关性最直接。等G因子跑通了，再逐步扩展到E和S。别一上来就想搞个大而全的模型，容易翻车。
注意：ESG数据存在严重的「幸存者偏差」问题。披露ESG数据的公司，往往是治理较好的公司。那些真正有问题的公司，可能根本不披露。所以你在做因子回测时，一定要考虑样本选择偏差的问题。我曾经因为这个坑，回测结果看起来特别漂亮，实盘一跑就崩了。
好了，这一章的内容就到这里。ESG因子的核心逻辑其实不复杂——就是找到那些在环境、社会、治理方面做得好的公司，然后赌它们的长期表现优于市场。但难点在于：数据怎么清洗？因子怎么构造？有效性怎么检验？这些才是我们后面要啃的硬骨头。
下一章，咱们开始动手，讲ESG数据的获取与预处理。到时候我会带大家过一遍实际的数据清洗流程，包括如何处理缺失值、如何标准化评分、以及如何做行业中性化处理。准备好你的Python环境，咱们要开始写代码了。