增加低风险投资组合中的 ESG 敞口

在过去十年中，企业的环境、社会和治理 (ESG) 特征已经成为许多投资专业人士考虑的重要因素。随着这一趋势的出现和发展，投资者开始寻求各种途径来优化其投资组合中的 ESG 资产。 


为实现这一目标，最早和最常见的策略是将得分低于特定 ESG 阈值的公司排除在外。这种策略虽然简单，但当同时追求其他投资目标时，可能会存在局限性。因此，投资者采取了更加灵活的加权策略。 


最低波动策略 
在 2007 至 2008 年开始的全球金融危机后积聚势头、并在近期市场波动中再次发挥作用的另一重要投资策略，就是低风险策略。最著名的策略是基于最小化投资组合差异，通常被称为最低波动。 


这个框架很容易实现，而且几十年来一直以不同的形式被广泛应用。然而，最低波动策略很难解释资产回报的几个公认属性，如肥尾和不对称分布，以及极端负面事件同时发生的可能性。 


最小化尾部风险方法 
为了解决这些缺点，最小化尾部风险 (MTR) 方法应运而生，可以通过使用基于模拟的风险模型对这些特性进行充分建模，获取收益分布的偏度和峰度，以及尾部相关性。该策略的另一个关键方面是预期尾部损失 (ETL)，也被称为条件风险值，这是一种用于优化的风险度量指标。与最低波动率相比，最小化 ETL（一种下行风险度量指标）不会直接影响投资组合的上行潜力。 


本文展示了一种将 ESG 目标无缝引入 MTR 投资组合构建过程的方法，从而实现低风险战略和增加 ESG 敞口的综合效益。文中还分析了额外的 ESG 目标如何影响投资组合特征。 


利用 ESG 洞察得分 
本分析采用 FactSet Truvalue (TVL) 调整后洞察得分作为 ESG 度量指标。TVL 提供的指标涵盖了逾 18.7 万家上市公司和私营公司的积极 ESG 行为以及争议。TVL 的调整后洞察得分用于衡量一家公司的长期 ESG 业绩记录。对于数据量较低和没有数据量的公司，调整后洞察得分采用了公司洞察得分和行业中位数洞察得分的混合。对于中等数据量或高数据量公司，调整后洞察得分等同于洞察得分。 


为了证明 TVL 数据的独特性，并确保增加 ESG 敞口不会使投资组合向某一特定因子倾斜，本分析着眼于调整后洞察得分如何与 10 个知名股权因子相关联。图 1 显示了 2007 年 11 月至 2022 年 5 月之间得分与这些因子的回报之间的相关系数。 




TVL 调整后洞察得分与其余因子得分的相关系数在 -0.088-0.087 之间，而其他因子之间的相关系数更为显著，在 -0.527-0.695 之间。在基于回归的收益之间的相关性中，可以看到一个类似的趋势：与许多其他因素之间的相关性相比，TVL 调整后洞察得分对其他因子的相关性要弱得多。基于这些结果，我们可以得出结论，通过瞄准更高的 ESG 敞口，不会在不知不觉中对特定的股权因子施加压力。 


MTR 投资组合回溯测试 
该分析的下一步是对 2007 年 11 月至 2022 年 5 月期间的 MTR 投资组合和具有 ESG 目标的 MTR 投资组合进行回溯测试。二者都是遵循 MTR 策略构建的，每半年对美国大盘股进行一次再平衡。 


通过在投资组合优化设置中引入额外的约束，将最优投资组合限制为高于目标水平的加权平均 ESG 得分，以确保满足后一个投资组合的 ESG 得分目标。在每个再平衡日，这个目标水平被设定为等于以 ESG 得分计算的全球前一半资产的市值加权平均 ESG 得分。这样就可以确保 ESG 得分明显高于市值组合的 ESG 得分，而不受有关投资 ESG 特性低于平均水平的公司的硬性限制。然而，对这些公司的投资必须通过在得分较高的股票中增加权重来抵消。 


在图 2 中可以清楚地看到 ESG 目标随时间变化而产生的影响。市值投资组合 (FDS US) 和 MTR 投资组合 (FDS US MTR) 的加权 TVL 调整后洞察得分在每个日期的得分分布的中位数附近变化，而设有 ESG 目标的 MTR 投资组合 (FDS US MTR ESG targeted) 的加权平均得分始终接近分布的前四分位数。 




表（图 3）中展示的回溯测试汇总统计数据评估了 ESG 分数的增加对投资组合的风险回报情况的影响。投资组合的风险回报概况。由于优化两个投资组合的目标都是 ETL，应该首先检查其前后对比情况——已实现的 99% 尾损（实际上是在回溯测试中得分最低的 1% 天数内的平均投资组合损失）。 




正如预期的那样，MTR 投资组合较市值投资组合有显著改善——从 5.55% 下降至 4.60%。随着 ESG 得分约束的引入，优化工具将投资组合风险最小化的能力受到限制，但这只导致实现尾损增加了 0.24% 至 4.84%，这一数字仍然大大低于初始市值整体的 5.55%。可以对年化波动率和最大回撤率进行类似的观察——当添加 ESG 得分目标时，MTR 投资组合与市值投资组合相比有较强的改善，市值投资组合略有上升。 


就年化回报率而言，这两个优化后的投资组合比市值整体高出约 40 个基点，以 ESG 为目标的投资组合比普通 MTR 投资组合高出 3 个基点。这种略优表现并不能完全弥补更高的风险，导致 ESG 目标组合的夏普比率为 0.73，而 MTR 组合的夏普比率为 0.78，两者都显著高于市值组合的夏普比率 0.58。




为了更详细地研究风险调整后表现，图 5 展示了两个图，显示了在 2007 年 11 月至 2022 年 5 月期间所有可能的回溯测试中，两个 MTR 组合对市值的相对风险调整后表现。图中绿色的点表示优化投资组合相对于回溯测试的夏普比率更高，开始和结束日期由图中的轴表示，而红色的点表示低于市值整体的夏普比率。 




有和没有 ESG 目标的 MTR 投资组合在大多数时期的表现相似。此外，在大约 90% 的可能子回溯测试中，两个优化的投资组合实现了比市值整体更好的风险调整回报。 


结论 
基于本文所作的观察，可以得出这样的结论：引入 ESG 目标，将 MTR 投资组合的加权平均 ESG 分数提高到前四分之一水平，会导致投资组合风险小幅但显著地增加，并保持大致相似的回报。上文所述的将 ESG 偏好纳入投资组合优化过程的方法，使投资者能够根据其特定的投资需求获得更高的 ESG 分数或降低风险。 


这篇文章最初发表在 Risk.net 网站。 
免责声明：本博文仅供参考。本博文包含的信息并非法律、税务或投资建议。FactSet 不为任何投资背书，亦不推荐任何投资；对于根据本文所含信息采取行动或不采取行动而直接或间接导致的任何后果，FactSet 不承担任何责任。


作者简介

NIKOLAY RADEV 
阿尔法分析和优化高级定量研究员 

Nikolay Radev 先生是 FactSet 的阿尔法分析和优化高级定量研究员。在该职位上，他致力于系统性股票 smart-beta 投资产品的研究和开发。在加入 FactSet 之前，他是纽约市公共养老基金的风险分析师，参与了一系列与投资组合风险管理、资产配置和业绩归因分析有关的项目。他持有美国史蒂文斯理工学院金融工程硕士学位。