ESG因子挖掘与量化建模全流程
📚 共计 30 章节
01
ESG投资浪潮
ESG概念起源、全球ESG投资规模、为什么量化交易员要关注ESG？
起源
规模
量化视角
02
ESG数据全景
数据来源（MSCI、Sustainalytics、Refinitiv）、数据粒度与频率、数据清洗的坑。
数据源
粒度
清洗
03
E（环境）因子构建
碳排放强度、水资源管理、绿色专利数量、环境得分标准化。
碳排放
水资源
绿色专利
04
S（社会）因子构建
员工满意度、供应链管理、社区关系、社会得分合成。
员工
供应链
社区
05
G（治理）因子构建
董事会独立性、高管薪酬结构、股东权利、治理得分计算。
董事会
薪酬
股东权利
06
ESG综合得分
等权法、主成分分析法（PCA）、熵权法，哪种更适合A股？
等权
PCA
熵权法
07
因子正交化
为什么ESG因子间高度相关？用Schmidt正交化去除冗余信息。
相关性
Schmidt
去冗余
08
因子IC分析
计算Rank IC、ICIR，判断ESG因子是否具备预测能力。
Rank IC
ICIR
预测力
09
分层回测框架
构建投资组合、计算年化收益、最大回撤、夏普比率。
组合构建
夏普
回撤
10
多空组合分析
做多高ESG得分股票，做空低ESG得分股票，检验alpha。
多空
alpha
对冲
11
行业中性化处理
剔除行业偏见，让ESG因子在行业内比较。
行业中性
去偏
比较
12
市值中性化
用回归法剥离市值影响，得到纯净ESG因子。
市值
回归
纯净因子
13
Fama-MacBeth回归
两步法检验ESG因子是否显著定价。
Fama-MacBeth
定价检验
14
Barra模型视角
将ESG作为风格因子纳入风险模型。
Barra
风格因子
风险模型
15
机器学习入门
用随机森林预测ESG得分与未来收益的关系。
随机森林
预测
收益
16
XGBoost实战
特征重要性排序，看哪个ESG子维度最有效。
XGBoost
重要性
子维度
17
LSTM时间序列
用ESG时序数据预测股票波动率。
LSTM
波动率
时序
18
NLP与ESG
从年报中提取ESG相关文本，构建另类ESG因子。
NLP
年报
另类因子
19
舆情情感分析
用BERT模型分析新闻情感，作为动态ESG调整因子。
BERT
情感
动态调整
20
ESG动量策略
ESG得分改善（ESG Momentum）是否比绝对得分更赚钱？
动量
改善
绝对得分
21
ESG风险预警
用ESG因子构建尾部风险模型（CVaR）。
CVaR
尾部风险
预警
22
组合优化
在均值-方差框架下加入ESG约束，实现绿色投资组合。
均值-方差
ESG约束
绿色组合
23
ESG与Smart Beta
将ESG因子与价值、动量因子结合。
Smart Beta
价值
动量
24
回测过拟合问题
如何用组合交叉验证避免ESG策略的伪发现？
过拟合
交叉验证
伪发现
25
ESG数据缺失处理
KNN插值、MICE多重插补、行业均值填充对比。
KNN
MICE
均值填充
26
幸存者偏差
回测中必须包含退市股票，否则ESG策略会虚高。
幸存者偏差
退市
虚高
27
ESG评级分歧
不同机构评级不一致时，如何构建共识因子？
评级分歧
共识因子
28
监管与披露
A股ESG信息披露指引、强制披露与自愿披露的影响。
监管
强制披露
自愿披露
29
ESG策略实盘注意事项
交易成本、滑点、流动性筛选。
交易成本
滑点
流动性
30
课程总结与未来展望
ESG量化的发展方向、碳交易与ESG衍生品。
展望
碳交易
衍生品