来源：量化先行者
摘要
文献来源：Alessandrini F, Jondeau E. ESG Investing: From Sin Stocks to Smart Beta[J]. The Journal of Portfolio Management, 2020, 46(3): 75-94.
推荐原因：股票市场社会责任投资的研究最初集中于罪恶股。从那时起，数据的可用性得到了极大的扩展，现经涵盖了环境、社会和治理(ESG)标准。根据MSCI World universe中所覆盖的公司ESG得分，测量基于得分的排除法在被动投资和Smart Beta策略中的影响。我们发现排除法提高了投资组合的得分，且并未降低其经风险调整后的业绩表现。Smart Beta策略表现出相似的模式，并且通常会以更明显的方式表现出来。此外，我们的结果表明，排除法也在投资组合中也表现出了在区域和行业上的倾斜，以及其(可能不受欢迎的)风险暴露。
1. 背景简介
社会责任投资(SRI)，通常被定义为一种结合环境、社会和治理(ESG)因素的投资方法，在资产管理行业正变得越来越重要。监测这一行业发展的非营利组织报告了令人印象深刻的资金流入。来自监管机构的压力也越来越大。这一趋势是在投资方式发生重大结构性变化的时候伴随被动投资和Smart Beta方式发生的。投资于ETF的资产大幅增加，可以清楚地观察到这种被动投资的趋势。尽管Smart beta方式的规模仍小于被动型投资，但它正受到越来越多的青睐，因为投资者可以让自己的投资组合接受不同的投资风格，并避免市值加权指数的过度暴露。由此产生的一个重要的问题，即ESG整合如何影响被动组合和Smart beta组合的性质。一个根本的担忧是，提高投资组合的分数可能导致其业绩的恶化。对于被动投资者来说，将偏离市场资本的权重进行整合可能会增加相对于基准的跟踪误差。对于Smart beta, ESG的整合可能会降低策略目标的因子效率。
2. 数据及初步分析
MSCI ESG数据库涵盖的一大批公司的ESG评分，我们使用了2007年1月至2017年12月期间的数据进行研究。根据各公司在以下三个互补领域的暴露或外部性进行评估：
(1)环境，包括气候变化、自然资源、污染和浪费以及环境发展;
(2)社会，包括人力资本、产品责任、利益相关者的反对和社会发展;
(3)治理，包括公司治理和公司行为。
对于上述三个关键问题的评估都会得到一个分数(0 - 10,10代表最佳)。这些分数可能受到行业偏差的影响。例如，根据环境标准，能源部门的平均得分特别低。行业调整平均ESG分数减轻了这些偏差，它结合了E、S和G三个分数计算了该公司相对于业内同行的地位。
该数据库涵盖了世界各地的大部分公司，公司数量从2007年1月的1700家增加到2017年12月的7000多家。为了将这些策略的表现与一个全球基准投资组合进行比较，我们将公司池缩小为属于MSCI All Countries World Index(ACWI)的公司，该指数涵盖了23个发达国家和24个新兴市场的大盘股和中盘股。除了全球市场之外，我们还考虑了美国、欧洲、太平洋和新兴国家这四个地区，并使用相应的MSCI指数作为其基准组合。
如图1所示，MSCI ESG评分在美国地区指数和欧洲地区指数中的覆盖度较为相似（从2017年的80%到2017年的99%）。在样本截止日，太平洋地区和新兴市场的覆盖度也已达到90%以上。自2013年以来，MSCI ACWI指数中有95%或以上的公司具有ESG评分。2017年，MSCI ESG 评分在欧美地区的市值覆盖度达95%以上，在新兴市场也已达90%以上。
图3中显示，在全球范围内，行业调整后的平均ESG分数在过去10年中相对稳定，平均分数为5.6分，但是不同地区之间的差距较大，欧洲地区均分最高为6.8分，太平洋地区为5.8分，美国和新兴市场得分低于平均。在其它条件都相同的情况下，投资者更倾向于配置得分高的欧洲地区公司和太平洋地区公司在投资组合中。
从环境、社会和治理三个方面来看，环境分数的演变趋势较为积极，世界指数得分从5.5上升到6，社会得分从5.6下降到4.5，治理得分在样本期内降至了4.5到5.0的的分区间中。
图3展示了在给定的行业中，行业调整后的平均ESG得分。尽管进行了行业调整，但是信息技术和通信行业的得分依然高于平均，能源和金融行业低于均分。
综合初步分析的结果来看，地区和行业在ESG评分上存在一定的差异。这一发现表明了以下两点：
（1）构建相对于MSCI标准基准ESG分数更高的投资组合还有一定的空间；
（2）ESG分数评分结果有一定的地区性和行业性偏差。
3. 实证结果
早期关于ESG的研究侧重于排除某些类别的股票，但是罪恶股会产生超额表现，因此为了避免过滤掉某一特定行业中的所有公司，负面筛选会考虑单个股票的ESG得分。MSCI ESG Universal Index就遵循着相似的逻辑，通过排除那些被发现违反国际准则和涉及有争议的武器的公司。公司权重倾向于基于ESG指标的市值加权。为了降低由于处在“罪恶”行业中而被排除在组合之外的公司对投资组合绩效的影响，另一种方法是通过调整各行业的分数来控制行业影响。在“同类最优”方法中，投资者选择每个行业中表现最好得公司。基于“同类最优”方法生成了的风险调整后业绩高于负面筛选方法。MSCI ESG Leader Indexes 是基于相似的原理。
负面筛选和“同类最优”这两种方法都在我们的考虑范围。我们构建基于E、S和G标准（排除法）和基于行业调整后的平均ESG分数（“同类最优”法）来构建投资组合。通过构建一系列的投资组合来精确地评估排除法的影响，这些组合排除了得分最低的前1%的公司，得分最低前2%的公司，…,得分最低的前50%的公司。投资组合们基于保留下来的公司的市值进行加权。
我们的目标是试图使基于ESG标准构建的被动投资组合业绩在地区、行业、ESG标准和风险因子暴露上保持一致。为了便于比较，我们分析了在2007年到2017年间所有以美元计价的组合。
3.1 跨地区稳定性
ESG筛选的应用存在一个很重要的问题，即最终的投资组合是否会影响跨市场的一致性。在图9中，我们报告了在不同地区的一些组合的业绩统计结果。随着越来越多的公司被过滤出去，各个地区和世界指数的行业调整后平均ESG得分均有所改善，对于起步较晚的地区（如新兴市场），成绩提高了近40%，虽然起步较早的地区（如欧洲）本身的初始分数较高，但依然有20%的提升。
该分析的关键贡献是同时考虑了投资组合的业绩表现。ESG分数的改善并没有使得风险调整后的业绩变差。对于世界投资组合来说，当该组合中排除的公司越来越多时，年化收益率依然保持在略低于7%的水平，年化标准差趋于降低，年化夏普比基本未受影响。
从图10中可以很直观的观察到两种截然不同的趋势。一方面，随着时间的推移，美国和新兴市场在ESG投资组合中的权重占比越来越高，分别为10%和6%。对于美国来说，这种演化反映了美国公司具有相对更高的市值。新兴市场的权重增加主要是由于其ESG分数相对于其它地区有较大改善。另一方面，随着世界投资组合中排除的公司越来越多，组合中包含的欧洲公司越来越多，而美国和新兴市场的公司权重下降。这种演变反映出美国和新兴市场中的公司得分低于欧洲和太平洋地区的公司。因此，在这段时间里，ESG筛选采取更激进的做法意味着欧洲和太平洋地区的公司权重被高估，而美国和新兴市场中的公司被低估。虽然欧洲市场的回报率远低于美国，但是这种趋势并不会影响ESG投资组合的整体表现。
对于机构投资者而言，相对于基准的跟踪误差也是一个重要的风险维度。美国、欧洲和太平洋地区的跟踪误差较低，而新兴国家的跟踪误差较高。这一证据表明，排除更多新兴国家的公司可能产生相对于投资组合更高的跟踪误差。
总体来看，初步证据表明，ESG筛选能够在不降低收益率的情况下大幅改善ESG得分。此外，由于跟踪误差水平处于较低水平，因此，对于组合ESG得分的改进并没有承担过多的风险。
3.2 跨行业稳定性
通过ESG筛选建立的投资组合在行业方面存在潜在的权重偏差，例如能源行业的分数低于ESG评分的均分，尤其是环境标准方面，使用行业调整后的平均ESG分数在一定程度上修正了这种行业偏差。但是，最终投资组合相较于基准组合有可能会在一些行业中更多或更少的暴露，并且转而影响风险和收益特征。为了讨论这个问题，接下来，在样本内的每个月，组合的行业暴露基于排除一定比例的低分公司，并与MSCI基准组合进行行业暴露比较。
当ESG得分低的公司被剔除出组合的比例越来越高时，金融和能源行业的权重在组合中相对较低，金融行业相较于基准权重被削减3%。能源行业被削减2%。相比之下，信息技术和工业行业被超配。
当投资组合仅根据环境标准进行筛选时，金融行业会超配而能源行业会被低配，且权重相较于行业调整后的平均ESG得分组合更低。
在样本期内，科技行业相对于其它行业较为有利，而对于金融和能源行业来说却不太有利，行业偏好就像地域偏好一样，在经过ESG筛选后的投资组合中扮演着关乎风险和收益的重要角色。
3.3“同类最优”法 VS 排除法
现在不对行业进行调整，只剔除在E、S和G的标准下得分低的公司。
在环境标准下，几乎所有地区在剔除评分低的公司后，平均收益增加并且波动率下降，所有地区的夏普比都有所提升。例如美国，当剔除环境得分最低的前50%公司后，年化收益率从9%提高到9.6%，标准差从14.7%下降到14.4%，夏普比率从0.57上升到0.62，与此同时，环境方面的得分从5.7上升到6.9。类似于美国，其它地区也都有相似改善，并且跟踪误差也都相对较低，并不会过度偏离基准。我们注意到，行业偏差相较于行业调整后的均分组合通常更显著。在剔除50%的公司后，相较于世界基准组合，能源被低配3%，信息技术行业高配4.6%。
在社会标准下，剔除更多的公司可以让投资者提升投资组合的分数，并且不会降低投资组合的业绩。相对于剔除0%的投资组合，剔除50%的投资组合对太平洋地区和新兴市场的收益相当可观。行业敞口方面，在美国信息技术行业被再次高估，能源行业也被高估了2%。
在治理标准下的结果则不太有利。在世界、太平洋和新兴市场地区，投资组合剔除治理分数低的公司后降低了平均收益并且增加了波动率，同时夏普比率也有所下降。在欧洲，投资组合剔除分数低的公司后波动率有所下降，收益率有所提高。产生上述结果的原因可能是由于欧洲的金融行业在样本期内的业绩低于其它行业，而在治理组合中金融行业被严重低配。
我们注意到E,S和G标准有时在行业暴露方面有一定的矛盾。以能源为例，当剔除50%的最低环境得分后，相较于基准，能源行业在美国被低配了4.6%，在欧洲地区被低配了2.2%；同样的，筛选治理分数低得到的结果是在美国被低配3.5%，在欧洲被低配3.6%。但是，剔除社会评分结果，能源行业在美国被高配2%，在欧洲被高配0.6%。因此，相较于行业调整后的ESG评分，E,S和G标准在筛选中会产生更显著的行业偏差。这个结果是我们所期望的，因为行业调整后的得分被设计用于降低行业得分的差距。
上述结果均表明，基于标准筛选出的ESG组合有不同的业绩表现，原因可能是由于风险因子的暴露不同。
3.4因子暴露
基于ESG筛选得到的投资组合是否会产生一些风险暴露。投资组合基于ESG筛选有可能会与传统因子相关的原因，例如，罪恶股在交易相对活跃的市场中估值较低，导致这些公司的潜在价值受到影响；有较高员工满意度的公司通常有高收益，这也许和盈利因子、质量因子有关。规模影响也在预料之中，大型的且由来已久的公司一般会花费一定的资源在报告ESG相关问题上，而规模较小的公司往往不愿意。投资组合也有可能与动量因素有关。鉴于SRI的重要性日益增加，大量的资金流动会对一些公司的ESG分数产生暂时的改善或恶化。
我们接下来要探讨ESG筛选在标准风险因子暴露中的影响。我们将考虑两组因子，即四因子模型（Fama-French的三个因子加上动量因子）和Famaand French五因子模型。
首先分析了世界投资组合的四因子模型，并考虑了各种风险因子暴露情况。几乎世界上所有的组合在SMB因子上都有显著的负向暴露。大多数影响可以归因于排除法组合（包括不排除的情况）是等权的。在未排除的情况下，SMB因子是显著的。然而随着更多的排除，大公司得分更高得到了解释。没有排除，我们观察到了对于价值因子的显著正向暴露，原因通常也与等权有关。但是，与规模因子不同，在更严格的排除情况下，HML的暴露降低，因此在排除过程中会导致更贵的股票被增配。相对于规模和价值而言，我们不会观察到任何显著的动量因子载荷。当我们考虑单个区域或者独立的E,S,G三个维度时，上述所有结果都是广泛可用的。
在五因子模型中，关于SMB因子的观察依然在很大程度上有效。相比之下，在HML因子上的载荷几乎没有意义，因此该因子常会被RMW因子所替换。以美国为例，基于行业调整后均分，HML载荷接近于0，RMW载荷从无排除时的0.03增加到50%排除时的0.11。因此，排除ESG得分低的股票确实会导致购买更昂贵的股票。这一效应也表明ESG筛选和质量因子之间可能会有一些重叠。就E,S和G各自的独立标准而言，质量偏差对于治理的评分影响最为显著，在所有区域中的暴露都有所增加。
在不同标准下独立讨论alpha是有价值的。在世界层面上，基于行业调整后的平均得分，环境标准和社会标准，四因子模型的年化Alpha为正且具有显著的统计意义。这一结果也许是由于ESG筛选于正向溢价超越常用因子。但是，一旦标准改变，alpha就会降低。我们观察到了两个不同的特征。第一个，一旦我们改成单一区域，地域分配则不再重要，但是alpha会有一定下滑。这个结果印证了地域为世界层面的组合带来了很大一部分alpha。第二个特征是，当四因子模型转为五因子模型后，alpha下降。考虑公司的盈利能力主要是通过RMW因子，很大程度上解释了该ESG得分的公司有明显的增值。一般来说，ESG评分越激进，就会在组合中加入越多大型、盈利且保守的公司。当我们把这些因素计算在内，与四因子模型相比alpha会下降，并且对发展中国家和美国来说甚至是负的。这一结果表明，当因子回归中引入RMW和CMA因子后，alpha为负。也就是说，ESG筛选不会破话任何价值。最后，在ESG各自的独立标准中也有一些区别，当alpha在环境标准中为正且增加时，在治理标准中则有可能为负。这一结果表明环境风险没有给予正向溢价，而治理风险确实带来了回报，可能是由于剔除最差的公司导致了较低的alpha。
因子分析强调了ESG筛选可能导致实质性的风格偏差，特别是对大型且盈利公司的暴露。没有正向溢价的证据与ESG整体相关，当组合的ESG文件具有一定的改善时，筛选步骤并不能导致alpha为负。
4. Smart Beta方法
Smart Beta投资基于以下逻辑：投资者构建一个被动跟踪指数的投资组合，指数的权重独立于市场资本，但反映了某些系统性因子的暴露程度。一个知名基本面指数例子，其中的权重源于一些代表公司基本价值的变量。一个相似的论点也出现在价值Smart Beta策略中，即偏重于市净率较低的公司，低配市净率较高的公司。Smart Beta的现有加权方式主要关注已被充分记录在案的传统因子，例如规模，价值，质量，动量或低风险。我们先前的分析表明了在典型的smart beta方法中，ESG与传统因子之间存在显著的关系。最显著的就是规模因子。就评分低的小公司而言，在规模因子上应用ESG筛选会导致较低的因子暴露，因此对基于规模因子的smart beta方法的业绩有显著的影响。相比之下，对于ESG得分低，盈利性低且波动率高的公司，基于质量因子和低风险因子的smart beta投资组合受到的影响更小。
在smart beta投资组合的构建中应用ESG筛选是否会影响策略表现。为了解决这个问题，我们进行和之前一样的分析，即逐步排除得分最低的公司，并衡量初步筛查对给定smart beta策略的影响。我们考虑一些在smart beta领域最受欢迎的因子，即基于规模、低beta值、高股息、价值、质量和动量的投资组合。由于我们的目标不是构建分别的smart beta策略的最佳版本，而是评估ESG筛选的广泛影响，我们考虑不包含任何改进的smart beta投资组合版本。在每种情况中，我们应用ESG筛选（基于行业调整的平均ESG得分），然后构建一个由达到最佳标准的100家公司所组成的等权重投资组合。
和之前讨论的被动情况一样，我们报告相同地区的四种投资组合的表现。第一个投资组合是基于所有公司、没有任何排除的等权重smart beta投资组合。其他三个投资组合分别是基于排除10%、25%和50%最低得分的公司的smart beta投资组合。跟踪误差的计算基于各地区MSCI标准指数。对于规模和动量两种smart beta策略，我们在图17和图18中分别阐明了对于美国和欧洲，当越来越多的低ESG评级公司被排除时，这些投资组合的特性会受到怎样的影响。
对被动策略的观察通常是成立的，有时甚至是对smart beta策略的强调。从得分开始，比被动情况有更大的提高。不过根据smart beta的策略类型，提高的量级也会有所不同。我们从规模策略开始。由于小公司通常得分较低，没有排除的smart beta策略平均得分很低，远低于相应的基准指数。在世界层面上，策略平均得分等于3.18，然而基准投资组合得分等于5.56。当50%的公司被排除时，该组合的得分达到了6.59。这个结果适用于所有地区。
对于其他的smart beta策略，分数上的提高不那么惊人，但仍然非常明显。例如，在世界层面，没有排除的smart beta质量策略（基于公司ROE）有相对较高的得分（5.03），但当50%的公司被排除时，得分依然增至7.10。较高的初始得分并不令人惊讶，因为高质量的公司有着更高的平均ESG得分。低beta和高股息率策略和质量策略属于同一类别，它们的得分都有显著的提高。动量策略的得分也平均提高了50%以上。
在smart beta策略中应用ESG筛选最有趣的特点是平均得分的大幅提高不会降低经风险调整后的表现。相反，ESG筛选提高了大部分地区大多数smart beta策略的夏普比率。这些提高通常是由于策略的波动率降低。我们还观察到了收益的增加。欧洲地区的规模策略显示，年化收益率率从0%排除时的3.65%上升到了有50%排除时的6%，与此同时，投资组合波动率从24.8%下降到23.2%，夏普比率从0.12增加为0.23。
另一个不那么极端但也很有趣的情况是动量策略。与规模和质量不同，动量因子在时间序列和截面序列中都有着不太稳定的基本特征。结果显示，没有明显直观的理由让动量在结构上以某种方式与ESG投资组合相关。然而在这种情况中，由于更高的收益率和更低的波动率，使得夏普比率提高了。各地区动量方面的提高都非常稳健，在所有地区夏普比率都提高了（从20%到40%）。这样的大幅提高并不能存在于所有因子中，但在绝大多数策略和地区中夏普比率都保持不变或者变高了。
夏普比率没有系统性提高的唯一地区是新兴国家。在这种情况下，只有低beta和质量策略从排除低分公司中获益，当更多低分的公司被排除时展现出了更高的夏普比率。
为了进一步研究smart beta策略的特性，特别是为了识别风险调整后的回报率被提高的原因，我们进行了类似于被动投资的因子分析。在四因子和五因子模型的结果中，首先观察到的是因子暴露通过加载相关因素来确认策略概况。然而，排除过程往往使得与某特定smart beta策略相关的因子载荷减少。例如，对基于规模的smart beta策略，在世界投资组合中，在四因子模型中SMA因子的因子载荷从1.37（排除0%）减少为1.14（排除50%），尽管它依然高度显著。相似地，动量策略中，动量因子的因子载荷保持为正，但从0.81减少为0.58。美国和欧洲的投资组合中也出现了减少。在美国地区的价值策略中，HML因子的因子载荷从0.72减少为0.37。尽管它们并不普遍，这些结果表明ESG筛选有时会导致目标因子的使用不那么密集。因此，ESG筛选并没有逆转smart beta策略的概况，而是让它变得不那么有效。
5. 结论
使用最近11年的数据，我们对SRI股票的分析从最初对“罪恶”行业的排除拓展到对被动投资和主动smart beta策略进行了更广泛而系统的ESG筛选。我们的结果表明被动投资组合和smart beta投资组合都能在不减少风险调整收益率的条件下改善ESG方案。
在研究期间，对其他被动投资组合应用ESG筛选会提高这个投资组合的ESG得分，而使得夏普比率不变或提高。然而，ESG筛选也会导致在多国家投资组合中的大量区域性投资支持欧洲，反对美国和新兴国家。这种方法还意味着投资者将进行大量行业投资，押注于信息科技股而非金融股和能源股。最后，ESG筛选会放大与MSCI标准的基准投资组合有关的风险暴露。特别地，SMA因子暴露会更加负面，因为大公司通常会从更高的ESG得分中获益。
我们的结果还表明受欢迎的smartbeta方法也会从一段时期的ESG筛选中获益。即使在积极排除的情况下，目标因子依然存在。我们观察到一些目标因子暴露的减少，但它似乎被投资组合中增加的ESG方案补偿了。
我们的主要结果是被动投资和smart beta策略的ESG方案能在不降低风险收益业绩的情况下得到改善，这个结论适用于大多数地区和大多数ESG标准。在样本期内，有大规模的资金流向ESG投资，这一过程可能提高了ESG得分高的公司的价值，从而提高了基于ESG筛选构建的投资组合表现。在多种风险因素暴露可控的条件下，通过构建算法来优化ESG方案也许可以减轻ESG投资组合在某些地区和行业的倾斜或对某些风险因子（可能不希望看到）的暴露。
海外文献推荐：因子选股类
