彭博定量研究报告
从ESG数据中寻找交易信号
近年来，环境、社会和治理(ESG)问题，与企业发布的旨在衡量ESG影响的数据引起外界越来越多的关注。关于ESG数据是否有利于投资者评估企业状况的讨论也随之兴起。一些学术证据表明，ESG因素可以成为投资的正向指标，研究显示，可持续性评估高的公司比可持续性低的公司拥有更大的投资回报。
然而，将ESG数据转化为可操作的投资信号通常非常困难。由于缺乏强制或标准的报告框架，这类数据分散且具有潜在偏差。因此，彭博研究团队致力于将机器学习技术应用于彭博庞大的ESG数据集，以克服以上障碍。
图片上传中......
彭博ESG数据
彭博提供全球约13,000家企业、时间最早追溯至2006年的ESG年度数据，此外还能提供近4,500家公司的单日治理数据（时间最早追溯至2013年）。本项研究主要聚焦于可查到单日数据的美国上市公司，当时该研究中包括3,000多只可置入假设的ESG投资组合中的股票。
机器学习策略
关注ESG的投资通常被视作关注企业的长期业绩表现，因此本研究的方法是通过构建一个机器学习模型，将ESG指标与长期回报直接联系起来，该模型使用彭博的ESG数据且对数据集中每只股票的年度超额回报进行分类。其中的年度超额回报是指相对于罗素 3000 指数的超额回报率，其分为三个等级：分别是大于15%、小于-25%，和介于两者之间。
基于与企业ESG方法有关的数据，彭博研究团队利用梯度提升树(GBT)模型来预测单个企业的超额回报所属等级。GBT的一个重大优点是其自身具有处理缺失值的能力，无需特殊处理。
可解释性测试
在机器学习方法产生积极结果后（夏普比率为1.25，基准为0.73，阿尔法为8.7%），研究人员还检验了经过训练后的模型，看它是否经得起可解释性测试。驱动模型性能的关键数据特征得到了博弈论中一种称为Shapley Additive Explanations的技术确认。结论认为这是一个基于此类重要特征的简单且完全可解释的回归模型，该模型可被用于做对比，也能重新训练一个单纯基于上述特征的机器学习模型。
非共同因子
研究期间构建的所有投资组合都针对法玛-弗伦奇五因子模型归因(a Fama/French five-factor attribution)进行了测试。相对于因子模型，最大和最稳健的阿尔法来自对可解释性测试中顶级特征训练过的机器学习模型。此外，这五个因子中只有两个具有统计学意义，而且幅度很小。这表明ESG数据有可能成为与常用因子无关的独特的投资洞察力来源。
扫码下载彭博定量研究《从ESG数据中寻找交易信号》白皮书（英文）了解有关该研究的更多信息，从技术角度理解彭博如何将机器学习策略应用于ESG数据。
图片上传中......
率先获取专业洞察，将信息转化为行动
彭博Bloomberg享有对本文的独家版权，未经许可，请勿直接转载或用于其他商业用途，否则将追究法律责任。