决策依赖收益不确定性下ESG感知投资组合优化的可调鲁棒方法

《Mathematics》：An Adjustable Robust Approach for ESG-Aware Portfolio Optimization Under Decision-Dependent Return Uncertainty

　　

投资组合优化是金融决策中的基础问题，关注预期收益与投资风险的平衡。随着可持续投资日益受到重视，环境、社会与治理（ESG）准则已被纳入投资组合优化。在实践中，ESG感知投资组合优化面临市场波动、ESG披露滞后与评级分歧带来的参数模糊性，且收益不确定性的暴露可能依赖于投资组合决策而非完全外生。然而，现有研究通常将不确定性集设定为与投资组合决策无关。为弥补这一局限，研究人员提出一种面向决策依赖收益不确定性下ESG感知投资组合优化的可调鲁棒方法。研究构建联合多面体不确定性集以刻画资产收益与ESG评分的模糊性，其中收益边界通过ESG相关持仓依赖于第一阶段组合权重，而ESG评分不确定性保持决策独立。研究建立带追索再平衡与比例交易成本的两阶段鲁棒框架，目标中平衡财务损失与ESG表现，并通过嵌入列与约束生成（CCG）方案的CVaR约束控制尾部风险。所得极小极大问题由列与约束生成算法求解，其中CVaR经Rockafellar–Uryasev线性化作用于迭代生成的情景。基于真实股票数据的数值实验评估了相对于确定性与经典鲁棒基准的下行风险控制和组合ESG表现。

研究背景与问题提出

投资组合优化是现代金融基石，传统以Markowitz均值方差理论权衡风险与收益，后续以条件风险价值（CVaR）等一致性尾部风险测度替代方差。鲁棒优化通过不确定性集处理参数模糊性，但既有文献多将不确定性集视为外生、独立于组合决策。并行地，ESG准则融入投资产生财务与非财务目标权衡，但ESG评分存在低频披露与跨机构分歧（“聚合混淆”），既有ESG组合模型常采用确定性点估计，忽视评分模糊性与时序滞后。可调鲁棒优化（ARO）将决策分为“即时”第一阶段与“观望”追索第二阶段，但决策依赖不确定性集尚未进入ESG集成组合模型。该研究即在上述缺口下，提出决策依赖收益不确定性下的ESG感知ARO框架，论文发表于《Mathematics》。

主要关键技术方法

研究人员采用两阶段ARO建模，构造联合多面体不确定性集使资产收益边界通过ESG相关持仓线性依赖于第一阶段权重、ESG评分不确定性保持决策独立；以CVaR（α=0.95）为尾部风险约束并经Rockafellar–Uryasev线性化嵌入CCG迭代；内层最坏情景经强对偶转为线性规划，外层主问题（MP）与子问题（SP）交替加割直至相对间隙收敛或达200次迭代上限。实证基于Wind终端2019–2023年50只与100只A股日频价格及ESG评分，训练窗2019–2020年，滚动窗252交易日重估名义参数，样本外测试2021–2023年共152个周度调仓期，对比等权（EW）、确定性、无追索、静态鲁棒（RO）四基准，辅以消融与敏感性分析。

研究结果

1. 2.
   问题建模
   2.1 问题描述：明确单期决策中第一阶段定权、第二阶段依实现情景追索再平衡并扣比例交易成本，收益不确定性集仅由训练窗历史构建，ESG评分模糊性以名义值周围区间与预算不确定集表示。
   2.2 内生不确定性集：给出联合多面体集U，收益半宽Δ_i(w)=max{σ_i^floor, σ_i?κ∑_jw_jE_j}，即高ESG持仓缩小该股收益波动盒，ESG评分不确定界与决策无关。
   2.3 两阶段鲁棒与对偶重构：第一阶段极小化最坏加权损失含战略ESG对齐项λ_E∑w_iE_i^nom；第二阶段追索问题含买卖量、流守恒与交易成本；内层经强对偶并入外层转单级LP；CVaR以CCG已生成最坏情景集上Rockafellar–Uryasev辅助变量ζ与超额变量y_k内近似约束。
2. 3.
   基于CCG的求解算法
   3.1 迭代流程：初始化LB=?∞、UB=+∞，解MP得w，固定w解对偶SP得最坏情景加至情景集，更新UB与LB，至间隙<10^?3或200代止。
   3.2 主问题：MP含第一阶段权、各情景追索权与买卖量、CVaR辅助变量及情景损失割。
   3.3 子问题与对偶重构：SP对固定w求U上最坏( r~, e~ )，内层追索最小经强对偶消变量，绝对值线性化后成单级LP，输出情景回灌MP。
   3.4 收敛与讨论：U独立于w时标准CCG有限步收敛；U依赖w时最坏情景随w移而动，无有限步精确保证，终间隙>阈值时解作可行内近似而非全局最优。
3. 4.
   数值实验
   4.1 实验设计：Wind的50/N=100只A股2019–2023日数据，训练2019–2020校准σ_i、μ_i、E_i^nom、Γ_r=0.3、Γ_e=0.2、κ=0.05、成本0.1%、α=0.95、CCG容差10^?3；滚动周度重估。
   4.2 实验结果：N=50规模ARO+CCG累计财富较EW高约7个百分点，MDD与CVaR低于EW，Sharpe占优；N=100规模ARO适度优于EW，RO与无追索跑输EW；CCG在N=50均值222秒/次、末间隙中位数0.042、75.9%周次200代未达容差，作内近似。
   4.3 消融（N=50）：去CVaR（no-CVaR）年化回撤至?1.8%、CVaR升至9.4%；去ESG（noESG）财务改善但组合ESG降至6.14；静态不确定集（staticU, κ=0）近似RO，证内生收益模糊有贡献。
   4.4 敏感性：λ_E增则ESG单调升、财务降；Γ_r增则收益模糊拓宽、样本外回报降；CVaR阈η收紧降尾险但损回报，基线η在18%周次活跃。
   4.5 配置与ESG：聚类ANOVA F=102.08(p<10^?3)，低ESG簇均权0.87%、高ESG簇2.40%、中ESG簇2.47%，证模型非单调追ESG而是兼顾风险收益。
4. 5.
   结论
   研究人员在《Mathematics》指出，所提ARO框架以线性聚合收益与ESG、CVaR控尾险、两阶段追索、联合多面体集（收益界决策依赖、ESG界独立）经CCG求解，在2021–2023 A股滚动周测中ARO+CCG较EW获适度更高样本外财富与更优尾险，经典鲁棒牺牲回报换回撤；λ_E、Γ_r、η可调节财务–ESG权衡。局限含ESG–波动线性式未跨库验证、单Wind源未覆盖多机构分歧、仅A股2021–2023、未建持仓反馈ESG动态。意义为机构ESG授权与下行约束下提供可计算决策支持，首将决策依赖收益不确定集引入ESG感知组合。