ESG与常规ETF在欧洲和美国的投资组合多样化、对冲及避险属性比较研究

《Business Strategy and the Environment》：Does ESG Investing Pay off? Comparing the Performance of ESG and Traditional ETFs Across European and US Markets

本文通过ARMA-GJR-GARCH/EGARCH模型和vine copula方法，系统比较了欧洲和美国市场ESG与常规ETF的多样化、对冲及避险属性。研究发现，ESG ETF在欧洲市场表现出更强的风险分散和对冲潜力，尤其在欧洲危机期间；而在美国市场，其表现则较为复杂。文章强调了ESG投资在投资组合风险管理中的重要作用，为投资者在可持续金融领域提供了重要的策略参考。

　　

4 方法论

4.1 ETF多样化、对冲和避险属性分析

研究采用ARMA(p,q)模型来刻画ETF收益的动态特征，该模型能够捕捉收益的厚尾、不对称性和杠杆效应等内在特性。ARMA(p,q)模型的具体形式包含常数项、自回归系数和移动平均系数，其中误差项采用偏斜学生t分布进行建模，条件方差则使用GJR-GARCH或EGARCH规格来捕捉波动率的不对称性。

模型选择基于Akaike信息准则(AIC)，候选模型需通过一系列诊断检验以确保统计充分性。GJR-GARCH模型能够捕捉波动率对正负冲击的非对称响应，而EGARCH模型采用对数形式保证条件方差恒为正，避免了参数的非负约束。

研究还采用了vine copula方法来分析高维概率建模问题。vine copula通过将联合分布分解为条件概率，进而分解为二元copula，克服了传统多元copula（如高斯copula或t-copula）的局限性，能够灵活捕捉非线性、非对称的依赖结构。研究特别关注R-vine copula，包括C-vine（规范vine）和D-vine（动态vine）结构，选择基于AIC准则。

4.2 投资组合分析

研究设计了两种投资组合：包含ESG和常规ETF的投资组合，以及仅包含常规ETF的投资组合。通过比较这两种组合的风险暴露，评估ESG投资的风险相关价值。分析过程包括模拟标准化残差的1000条路径，转换为收益序列，进而构建投资组合。

投资组合构建采用两种约束条件：权重之和为1且不允许卖空。具体包括最小标准差投资组合（最小化风险）和最大二次效用投资组合（在惩罚风险的同时最大化预期收益）。风险厌恶值设为1，代表投资者对风险施加二次惩罚但仍愿意承担一定风险以追求更高收益。

投资组合分析采用滚动窗口方法，估计窗口长度为26周（约6个月）。分析时段划分为危机前子时期（2014年7月11日至2019年12月27日）、COVID-19过渡阶段（2020年1月3日至2020年6月26日）和危机时期（2020年7月3日至2024年11月29日）。这种划分使得能够更准确评估市场在不同动荡阶段的不同反应。

5 结果与讨论

5.1 边际模型估计

边际分布模型的参数估计采用极大似然法，探索不同的p、q、r、m组合（滞后值从0到4）。有效模型必须通过一系列检验：Ljung-Box检验（残差和平方残差的自相关）、ARCH LM检验（自回归条件异方差）、Nyblom稳定性检验（联合和个体）、符号偏差检验（评估非对称GARCH模型的适当性）和调整后的Pearson拟合优度检验。

估计结果显示，大多数序列的均值模型具有显著的自回归和移动平均成分，强调了历史收益和残差在解释当前收益中的作用。大多数情况下，均值和方差模型中的常数项显著，突出了它们在捕捉潜在趋势方面的重要性。不同指数和子时期存在差异，例如IHYG.L需要更复杂的ARMA(4,3)规格，反映了更复杂的收益生成过程。

关于方差模型，ARCH、GARCH和杠杆项通常显著，强调了波动率持续性和对冲击的非对称响应在解释条件方差中的重要性。EGARCH模型被广泛选择，可能反映了其捕捉各种非对称响应的灵活性。然而，对于IRCP.L和DSI等指数，GJR-GARCH模型在某些时期更合适，可能反映了这些序列中更明显或结构不同的杠杆效应。

偏度和形状参数的显著性进一步证实了收益分布中存在不对称性和厚尾。这些发现表明：联合分布中存在潜在的尾部依赖性；与正态分布相比，标准化t分布更适合对创新项建模，能更好地捕捉极端事件和尾部风险。

子时期分析揭示了最佳拟合模型结构和参数的变化，指出了收益和波动率动态的演变。例如，SPY始终最适合EGARCH模型，但具体的ARMA和波动率项在不同子时期有所不同。类似地，IRCP.L和DSI在某些时期从GJR-GARCH转变为EGARCH，反映了波动率不对称性性质的变化。

5.2 Vine Copulas

5.2.1 欧洲ETF分析

欧洲ETF的vine copula分析显示，在第一个层次上存在较高的平均依赖性，随后层次逐渐降低甚至变为零或负值。在大多数情况下，优选无尾部依赖的copula。ESG ETF IUSK.AS 与 VGK 表现出强烈的正依赖（Kendall's Tau = 0.75），通过Student-t copula建模，起到分散剂的作用，但非安全的避风港资产。IUSK.AS 与 IHYG.L 表现出中等依赖（Tau = 0.40），通过Gumbel copula建模，具有分散性和熊市中的安全避风港特性。

另一方面，ESG ETF IRCP.L 与 IHYG.L 起到分散剂的作用（Tau = 0.67，Student-t copula），并且更重要的是，相对于VGK，具有对冲和牛市熊市安全避风港特性（Tau = 0.03，生存Gumbel copula）。两个ESG ETF，IUSK.AS和IRCP.L之间具有可忽略的依赖性（Tau = 0.05，Joe copula），表明它们可以相互对冲，缺乏下尾依赖性支持它们在熊市期间作为安全避风港资产的作用。

在危机前子时期，IUSK.AS继续作为分散剂，与VGK具有中等正依赖（Tau = 0.63，生存BB8 copula）。其与IHYG.L的弱相关性（Tau = 0.28，BB8 copula）强化了其作为分散剂和安全避风港资产的作用。IRCP.L主要作为VGK的对冲和安全避风港资产（Tau = 0），并且与IHYG.L具有中等关联（Tau = 0.68，Frank copula），支持其作为分散剂的作用。两个ESG ETF之间的相关性非常低且略微为负（Tau = -0.05，Student-t copula），表明它们可以作为具有安全避风港特性的相互对冲。

在COVID-19过渡阶段和危机子时期，IUSK.AS继续作为分散剂和对VGK的安全避风港资产（Tau = 0.68，高斯copula），并且与IHYG.L的弱相关性（Tau = 0.12，Frank copula）强化了其作用。IRCP.L主要作为VGK的分散剂（Tau = 0.48，Student-t copula），并且与IHYG.L的中等相关（Tau = 0.5，BB8 copula）表明其提供分散益处和潜在的安全避风港品质。两个ESG ETF之间的轻微负相关（Tau = -0.09，高斯copula）表明它们继续作为相互对冲。

5.2.2 美国ETF分析

美国ETF的vine copula分析显示了与欧洲市场类似的模式，在第一个层次上具有较高的依赖性，随后层次上具有较低甚至负值。在大多数情况下，优选无尾部依赖的copula。

在整个时期，ESG ETF DSI 与 SPY 表现出强烈的正依赖（Tau = 0.79，Frank copula），表明分散益处，并且缺乏尾部依赖支持其作为安全避风港资产的作用。DSI 与 BND.O 的可忽略相关性（Tau = 0.04，生存Gumbel copula）强化了其作为具有安全避风港特性的对冲工具的作用。ESG ETF SJNK.L 也与 SPY 起到分散剂和安全避风港资产的作用（Tau = 0.41，Frank copula），但其与 BND.O 的弱相关性（Tau = 0.14，Student-t copula）表明它不完全表现出安全避风港特性。两个ESG ETF，DSI 和 SJNK.L 之间的可忽略相关性（Tau = 0.08，高斯copula）表明它们可以作为有效的分散剂相互对抗。

在危机前子时期，DSI 主要作为 SPY 的分散剂（Tau = 0.86，生存BB1 copula），但由于存在尾部依赖，不能完全作为安全避风港资产。其与 BND.O 的可忽略相关性（Tau = 0.09，Gumbel copula）表明它仍然是一个坚实的分散剂，并且缺乏下尾依赖暗示了某些安全避风港品质。SJNK.L 表现出更强的对冲功能，并且在牛市和熊市中作为 SPY 的安全避风港资产（Tau = 0.02，生存Clayton copula）。其与 BND.O 的可忽略相关性（Tau = 0.03，生存Joe copula）进一步强调了其作为具有安全避风港特性的对冲工具的作用。DSI 和 SJNK.L 之间的弱相关性（Tau = 0.36，Frank copula）突出了这两个ESG ETF作为相互分散剂和安全避风港的作用。

在COVID-19过渡和危机子时期，DSI 继续作为 SPY 的分散剂和安全避风港资产（Tau = 0.80，Frank copula），并且其与 BND.O 的可忽略相关性（Tau = 0.04，生存Clayton copula）强化了其作为具有安全避风港特性的对冲工具的作用。SJNK.L 表现出与 SPY 的可忽略相关性（Tau = 0.1，高斯copula），也起到分散剂的作用，具有安全避风港潜力。然而，其与 BND.O 的弱相关性（Tau = 0.3，Student-t copula）表明，尽管它提供分散益处，但由于存在尾部依赖，它可能不足以成为完全的安全避风港资产。DSI 和 SJNK.L 之间的中等相关性（Tau = 0.4，Frank copula）表明这两个ESG ETF是互补的分散剂，具有相互的安全避风港潜力。

5.3 风险管理与投资组合分析

投资组合分析结果显示，在欧洲市场，包含ESG ETF的投资组合在整个样本期间、危机前和COVID-19危机期间，通常表现出比不含ESG ETF的投资组合更低的风险（以标准差、半偏差、下行偏差衡量）和更优的风险调整后收益（以收益-风险比率、收益-下行偏差比率衡量）。例如，在整个样本期间，投资组合2（ESG）的收益-风险比率为0.265，显著高于不含ESG的投资组合（-0.253）。在COVID-19危机期间，投资组合2（ESG）的收益-风险比率也为正（0.105），而不含ESG的投资组合为负（-0.310）。

在美国市场，结果较为复杂。在整个样本期间，包含ESG ETF的投资组合（投资组合2）显示出比不含ESG的投资组合更高的平均收益和更高的风险调整后收益（收益-风险比率为3.870 vs 3.297）。然而，投资组合1（ESG）的表现则不如不含ESG的投资组合。在危机前子时期，投资组合2（ESG）继续表现出更高的平均收益和风险调整后收益（收益-风险比率为2.008 vs 1.555）。在COVID-19危机期间，投资组合2（ESG）的优势更加明显，其收益-风险比率（6.003）远高于不含ESG的投资组合（2.776）。

这些发现表明，将ESG ETF纳入投资组合，特别是在追求更高收益和风险调整后收益的策略中（如投资组合2），可以在美国市场带来收益，尽管效果因投资组合目标和市场条件而异。在欧洲市场，ESG ETF的纳入在降低风险和改善风险调整后绩效方面显示出更一致的好处。