一、ESG投资浪潮：从边缘到主流

大家好，我是老张。在量化金融这行摸爬滚打了十几年，我见过太多策略的起起落落。但说实话，ESG投资这波浪潮，是我见过最「有温度」的一次变革。

今天咱们聊聊ESG投资的历史、现状，以及——为什么我盯上了ESG动量因子。

1.1 ESG投资的历史沿革：从道德到收益

ESG投资不是新鲜事。早在上世纪六七十年代，就有「社会责任投资」的概念。那时候，投资者会主动避开烟草、军火这类「有原罪」的行业。

我刚开始做量化那会儿，ESG还被当成「道德标签」。大家觉得，做好事就别想赚钱。但后来，事情变了。

• 2006年：联合国发布PRI原则，ESG正式进入机构视野
• 2015年：巴黎协定签署，气候风险成为投资硬约束
• 2020年：疫情爆发，社会因素（S）被重新定义
• 2023年：全球ESG资产规模突破30万亿美元

你看，从「道德选择」到「风险因子」，再到「超额收益来源」，ESG用了不到二十年。

1.2 全球ESG市场规模与趋势

先看一组数据。我整理了一下，2023年全球ESG基金规模大概在3.2万亿美元左右。但注意，这只是公募基金口径。算上养老金、保险资金、主权基金，实际规模要大得多。

地区	2023年ESG资产规模	年增长率	主要驱动力
欧洲	18.2万亿美元	12%	监管强制披露
美国	8.4万亿美元	8%	机构投资者推动
亚太	3.5万亿美元	15%	政策引导+市场觉醒
其他	1.2万亿美元	10%	全球共识形成

嗯，这里有个有意思的点。欧洲的ESG规模最大，但增速其实不如亚太。为什么？因为欧洲已经进入「存量优化」阶段，而亚太还在「增量扩张」期。

我个人习惯看趋势时，会关注两个指标：

• 资金净流入：ESG基金连续5年保持净流入
• 产品创新：ESG期货、ESG期权、ESG指数衍生品层出不穷

说白了，钱在往这个方向走，而且速度越来越快。

1.3 为什么ESG动量因子值得研究？

好，重点来了。为什么我放着那么多传统因子不搞，非要研究ESG动量？

第一，传统因子在失效。

价值因子、动量因子、低波因子……这些经典策略，近几年表现一言难尽。我做过回测，传统动量因子在2018-2023年间，夏普比率从0.8降到了0.3。为什么？因为市场结构变了，信息传播太快，传统动量的「惯性」被打破了。

第二，ESG信息有「滞后性」。

你想想看，一家公司的ESG评级调整，往往滞后于实际变化。比如一家公司偷偷排污，可能要等半年后评级机构才下调分数。这种滞后，恰恰创造了动量机会。

第三，行为金融学解释。

投资者对ESG信息的反应是「渐进式」的。不是所有人都能第一时间理解ESG改善的意义。这种「认知偏差」，会导致价格缓慢调整——这就是动量因子的温床。

1.4 ESG动量因子的核心逻辑

为了让你更直观地理解，我画了一张图。这张图展示了ESG动量因子的完整逻辑链条。

这张图其实就讲了三件事：

1. 数据输入：ESG评级、价格、舆情，三者缺一不可
2. 因子构建：不是简单叠加，而是找到「变化」的动量
3. 回测验证：用数据说话，别拍脑袋

我刚开始做这个课题时，只用了ESG评级变化率。结果回测效果很差。后来加入价格动量和舆情动量，效果才起来。嗯，这里有个教训：单一数据源永远不够。

1.5 一个简单的Python示例

光说不练假把式。我写了一段简单的代码，展示ESG动量因子的核心计算逻辑。注意，这只是示意，真实策略要复杂得多。

import pandas as pd
import numpy as np

# 模拟ESG评级数据
dates = pd.date_range('2023-01-01', periods=252, freq='D')
stocks = ['AAPL', 'MSFT', 'GOOGL', 'AMZN', 'TSLA']

# 生成随机ESG评分（0-100）
np.random.seed(42)
esg_scores = pd.DataFrame(
    np.random.uniform(30, 90, (252, 5)),
    index=dates,
    columns=stocks
)

# 计算ESG动量：过去20个交易日的变化率
def esg_momentum(scores, window=20):
    """计算ESG动量因子"""
    # 变化率 = (当前值 - 过去值) / 过去值
    momentum = scores.pct_change(periods=window)
    return momentum

# 计算动量
esg_mom = esg_momentum(esg_scores, window=20)

# 构建多空组合
def build_long_short_portfolio(momentum, top_pct=0.2):
    """根据动量构建多空组合"""
    # 每天选择动量最高的20%做多，最低的20%做空
    long_mask = momentum.rank(axis=1, pct=True) > (1 - top_pct)
    short_mask = momentum.rank(axis=1, pct=True) < top_pct
    
    # 等权配置
    long_weights = long_mask.div(long_mask.sum(axis=1), axis=0)
    short_weights = short_mask.div(short_mask.sum(axis=1), axis=0)
    
    return long_weights, short_weights

# 计算组合收益
long_w, short_w = build_long_short_portfolio(esg_mom)

# 模拟收益率
returns = pd.DataFrame(
    np.random.randn(252, 5) * 0.02,
    index=dates,
    columns=stocks
)

# 多空组合收益
portfolio_returns = (long_w * returns).sum(axis=1) - (short_w * returns).sum(axis=1)

print(f"ESG动量因子策略年化收益率: {portfolio_returns.mean() * 252:.2%}")
print(f"夏普比率: {portfolio_returns.mean() / portfolio_returns.std() * np.sqrt(252):.2f}")

1.6 我的几点思考

最后，说几句掏心窝子的话。

ESG动量因子，目前还是个「蓝海」。传统因子已经被挖烂了，但ESG+动量的组合，研究的人还不多。我查过，国内做这个方向的量化团队，一只手数得过来。

但机会往往藏在「没人做」的地方。我个人习惯，看到新方向先问三个问题：

• 这个因子有经济学逻辑吗？——有，行为金融学解释得通
• 数据可得吗？——ESG数据越来越透明
• 能赚钱吗？——我自己的回测显示，年化超额收益在5-8%之间

嗯，答案都是肯定的。所以，我决定把这套东西系统化地整理出来。接下来的29章，咱们一步步把ESG动量因子从理论变成代码，从代码变成策略，从策略变成收益。

准备好了吗？

---