《Frontiers in Environmental Science》：ESG uncertainty and volatility dynamics in the most polluted sectors: a GARCH-MIDAS approach
编辑推荐：
环境、社会与治理（Environmental, Social, and Governance, ESG）不确定性已成为金融风险的重要来源，尤其对高度暴露于可持续相关政策与监管变化的污染密集型行业而言。然而，关于ESG不确定性如何与行业波动率相关联的经验证据仍较
环境、社会与治理（Environmental, Social, and Governance, ESG）不确定性已成为金融风险的重要来源，尤其对高度暴露于可持续相关政策与监管变化的污染密集型行业而言。然而，关于ESG不确定性如何与行业波动率相关联的经验证据仍较为有限。本研究考察了美国ESG不确定性指数（U.S. ESGUI）与六个具有历史最高基于TRI污染排名的标普500行业（能源、公用事业、非必需消费品、必需消费品、材料与工业）波动率动态之间的关系。研究方法采用GARCH–MIDAS框架，该框架将高频日度股票收益与低频美国ESGUI相结合，以捕捉短期波动率动态和长期ESG相关效应。预测绩效与GARCH(1,1)、EGARCH(1,1)及RV-GARCH–MIDAS基准模型进行比较。Diebold–Mariano（DM）检验用于比较预测绩效，额外的危机期样本外分析考察了COVID-19大流行和俄罗斯–乌克兰冲突期间的预测表现。结果表明，美国ESG不确定性与全部六个行业的长期波动率显著相关，而短期波动率保持高度持续性。行业异质性明显：能源、公用事业、非必需消费品和材料行业与美国ESG不确定性呈负向长期关联，而必需消费品和工业行业呈正向长期关联。ESGUI-GARCH–MIDAS模型在六个行业中总体上较GARCH(1,1)、EGARCH(1,1)和RV-GARCH–MIDAS基准模型获得更低的预测损失。DM检验进一步表明，在TSR和TSQ准则下，ESGUI-GARCH–MIDAS模型在全部六个行业中均显著优于RV-GARCH–MIDAS基准（p < 0.001），表明预测增益并非仅归因于混频框架。与GARCH(1,1)和EGARCH(1,1)相比，DM结果在TSR准则下提供了更强且更一致的证据，尽管相对预测绩效随损失函数和行业而异。额外的危机期样本外分析进一步提供了该模型在市场不确定性加剧时期的预测绩效证据。讨论部分指出，美国ESGUI包含用于理解和预测行业波动率的有用信息，而其与长期波动率的关联在不同高污染行业间存在差异。该研究通过强调可持续相关不确定性在行业层面波动率建模与预测中的相关性，为日益增长的ESG–金融文献做出了贡献。
# ESG不确定性下高污染行业波动率动态的GARCH-MIDAS研究解读
## 一、研究背景与问题
随着碳排放问题日益受到关注，环境、社会与治理（Environmental, Social, and Governance, ESG）因素已成为推动伦理与可持续增长的关键。监管框架要求企业披露ESG数据，金融市场亦逐渐将ESG考量视为风险与价值创造的重要来源。然而，企业ESG参与程度在不同市场与政策背景下存在显著差异。近年来，波动性、不确定性、复杂性与模糊性（VUCA）环境加剧，导致投资与政策决策面临更多困惑。已有研究表明，不确定性会影响企业投资与股票市场动态，可持续相关不确定性指标对金融波动率具有较强的预测能力。例如，Ghani等（2024）发现ESG数据在预测美国股市波动率方面优于气候政策不确定性；Raza等（2024）发现气候政策不确定性增加了绿色与可持续金融市场的波动率，且GARCH-MIDAS模型具有更高的预测精度。
尽管ESG相关风险的研究日益增多，但专门探讨ESG不确定性如何影响污染最严重行业股票市场表现的研究仍较为有限。污染密集型行业对政策变化尤为敏感，面临更高的监管审查、不断演变的环境政策以及投资者撤资压力，其投资决策与资源配置更为复杂。Ongan等（2025）提出了可持续不确定性指数（ESGUI），通过文本挖掘国家层面报告构建，为评估可持续相关不确定性对经济金融动态的影响提供了定量框架。然而，ESG不确定性对行业层面波动率的影响，尤其是运用混频计量框架进行建模与预测的研究仍存在明显空白。基于此，本研究聚焦于六个历史上TRI污染排名最高的美国行业，考察ESG不确定性与其波动率动态之间的关系。
## 二、研究内容与结论
研究人员利用2002年11月至2025年6月期间六个标普500行业交易所交易基金（ETF）的日度收盘价数据，以及同期美国特定ESGUI月度数据，构建了ESGUI-GARCH-MIDAS模型。研究样本涵盖能源（XLE）、工业（XLI）、材料（XLB）、公用事业（XLU）、必需消费品（XLP）和非必需消费品（XLY）六个行业。行业选择基于美国环境保护署（EPA）有毒物质释放清单（TRI）数据，通过将设施级主要NAICS行业分类映射至GICS行业分类，计算2002–2023年各年度11个GICS行业的TRI报告有毒化学物质释放总量并排序，取22年历史平均排名最高的六个行业。该映射程序每年覆盖约95%的TRI记录。结果表明，美国ESG不确定性在全部六个行业中与长期波动率显著相关，但关联方向呈现明显的行业异质性：能源、公用事业、非必需消费品和材料行业呈负向长期关联，而必需消费品和工业行业呈正向长期关联。短期波动率在六个行业中均表现出高度持续性。预测分析显示，ESGUI-GARCH-MIDAS模型在多数损失函数下优于GARCH(1,1)、EGARCH(1,1)和RV-GARCH–MIDAS基准模型。Diebold–Mariano（DM）检验进一步表明，在TSR和TSQ准则下，该模型在全部六个行业中均显著优于RV-GARCH–MIDAS基准（p < 0.001），说明预测增益并非单纯来自混频结构，ESG不确定性含有增量预测信息。危机期样本外分析显示，COVID-19大流行与俄罗斯–乌克兰冲突期间，预测绩效存在行业与危机时期的差异，市场高度紧张时期预测难度普遍加大。
## 三、主要技术方法
本研究采用的主要技术方法包括：第一，基于TRI数据与NAICS-to-GICS映射的行业选择程序，通过2002–2023年年度TRI释放量排序确定六个高污染行业；第二，GARCH-MIDAS混频模型，将日度股票收益与月度ESGUI相结合，将条件方差分解为短期日度分量与长期月度分量，采用标准化Beta多项式MIDAS权重，并通过最大化对数似然选择每个行业的最优滞后阶数（范围为6至36个月）；第三，准极大似然估计（QMLE）进行参数估计；第四，固定估计窗口的样本外预测方法，将最后800个交易日（2022年4月11日至2025年6月30日）作为样本外区间，生成一步向前波动率预测；第五，采用五种损失函数（MAE、MAD、MSD、QLIKE、R2LOG）评估预测精度；第六，Diebold–Mariano（DM）检验用于两两比较模型预测绩效的统计显著性。此外，还进行了COVID-19与俄罗斯–乌克兰冲突两个危机时段的额外样本外分析。
## 四、研究结果
### 4.1 描述性分析
描述性统计显示，非必需消费品行业回报均值最高，能源与材料行业标准差最大（分别为1.792%和1.473%），表明其风险水平较高。所有变量的Jarque–Bera检验均拒绝正态分布假设，ARCH检验显著存在条件异方差。转换后的ESGUI增长率序列ADF统计量为?4.349，在1%水平显著，说明该序列平稳。美国ESGUI在样本期内呈现多次明显上升，分别对应安然丑闻与萨班斯–奥克斯利法案（2002–2003）、全球金融危机（2007–2009）、BP石油泄漏与福岛事件及阿拉伯之春（2010–2011）、巴黎协定与大众排放丑闻（2015–2017）、COVID-19疫情（2020–2021）以及2025年3月美国气候与DEI相关立法重大变化等事件。
### 4.2 GARCH-MIDAS模型估计
六行业GARCH-MIDAS估计结果显示，短期GARCH参数α和β均统计显著，且α+β接近于1，表明短期波动率高度持续。长期分量斜率参数θ呈现明显行业异质性：能源（?0.031）、公用事业（?0.022）、非必需消费品（?0.007）和材料（?0.013）为显著负值，表明ESG不确定性上升与这些行业长期波动率下降相关；必需消费品（0.036）和工业（0.016）为显著正值，表明ESG不确定性上升伴随长期波动率上升。MIDAS权重参数ω在所有行业均显著为正，确认低频ESG不确定性对长期波动率分量具有显著贡献。对数似然值与BIC统计量支持各行业所选GARCH-MIDAS设定的充分性。
### 4.3 预测绩效与模型比较
样本外预测结果表明，ESGUI-GARCH–MIDAS模型在MAE、MAD、MSD和R2LOG准则下，对全部六个行业均一致地低于GARCH(1,1)、EGARCH(1,1)和RV-GARCH–MIDAS基准模型。在QLIKE准则下，该模型亦在所有行业中优于RV-GARCH–MIDAS，并且在大多数行业中优于传统GARCH与EGARCH，仅在公用事业和能源行业中传统模型记录略低的QLIKE值。RV-GARCH–MIDAS模型在所有五个评估准则下均产生大幅更高的损失值，初步表明ESG不确定性蕴含超出已实现方差的额外预测信息。DM检验结果显示，与GARCH(1,1)和EGARCH(1,1)相比，ESGUI-GARCH–MIDAS在TSR准则下对全部六个行业均显著更优（p < 0.001）；在TSQ准则下仅必需消费品与GARCH比较时显著（p = 0.0313），公用事业在10%水平边际显著。与RV-GARCH–MIDAS基准相比，该模型在TSR与TSQ准则下对全部六个行业均显著更优（p < 0.001）。
### 4.4 危机期样本外稳健性
COVID-19时期（2020年3月11日至2021年1月25日）与俄罗斯–乌克兰冲突时期（2022年2月24日至2022年12月30日）的样本外分析显示，预测绩效在危机期与行业间存在显著差异。COVID-19期间能源行业MAE、MAD、MSD值最高，预测难度最大；必需消费品在多数准则下损失值最低。俄罗斯–乌克兰冲突期间各行业损失值总体低于COVID-19时期，但行业差异依然存在。该分析作为稳健性证据，而非ESG不确定性对行业波动率的因果效应。
## 五、讨论与结论
讨论部分指出，ESG不确定性对不同行业长期波动率的影响方向不同，可能源于企业与投资者的预防性响应。从实物期权视角看，不确定性上升会增加等待的价值，促使企业推迟或减少不可逆投资，尤其对能源、材料等资本密集型行业更为显著。投资者可能减少对ESG特征不确定性较高企业的敞口，影响交易活动与波动率持续性。另一方面，必需消费品与工业行业的正向关联可能归因于ESG不确定性导致市场与经营预期的持续调整：必需消费品行业依赖消费者偏好与需求，ESG不确定性可能影响环保产品未来需求预期；工业行业则更多通过供应链调整、监管预期和经营决策发挥作用。研究强调，ESG不确定性并非在所有行业中自动成为更高金融风险的来源，其影响取决于行业特定特征以及市场参与者的反应方式。
研究结论明确指出，美国ESG不确定性与六个高污染标普500行业长期波动率之间存在显著的行业异质性关联：能源、公用事业、非必需消费品和材料行业呈负向关联，必需消费品和工业行业呈正向关联。ESGUI-GARCH–MIDAS模型在预测绩效上总体优于传统GARCH、EGARCH以及基于已实现方差的RV-GARCH–MIDAS基准，DM检验证实其对RV-GARCH–MIDAS的显著优势并非仅来自混频结构，ESG不确定性含有行业波动率预测的增量信息。研究不建议将结果解释为因果关系，亦不认为其普遍适用于其他ESG不确定性度量、市场或波动率设定。未来研究可考虑替代性ESG不确定性指标、非对称GARCH–MIDAS模型、其他已实现波动率测度以及滚动或递归预测程序。本研究为ESG–金融与波动率预测文献提供了行业层面的新证据，并对投资者、组合管理者及污染密集型行业企业具有风险管理参考意义。
