动态可持续性风险：解释前瞻性行业贝塔系数的人工智能框架

《Sustainability》：Dynamic Sustainability Risk: An Artificial Intelligence Framework for Explaining Forward-Looking Industry Betas

　　

系统风险在company valuation、enterprise risk management和sustainable investment中扮演核心角色。然而，传统方法主要依赖历史beta估计，对与系统风险未来变化相关的因素提供有限洞察。研究人员开发了一个AI支持框架，通过结合宏观经济变量与源自全球新闻分析的风险指标，识别美国经济一年后行业beta系数的决定因素。Damodaran发布的年度行业beta被转换为月度观测，以与滞后解释变量对齐。该分析将宏观经济指标与从GDELT数据库提取的22个AI支持风险类别相结合，共同代表Dynamic Sustainability Risk（DSR）。实证结果表明，仅凭历史beta持续性并不能完全解释未来行业beta系数。可持续性相关因素——包括ESG、供应链、技术、战略和劳动力市场风险——在各行业中始终作为重要决定因素出现，补充了传统宏观经济变量。此外，前瞻性系统风险与宏观经济条件和动态可持续性相关风险之间的相互作用相关，而非仅与历史财务信息相关。提出的框架并非开发预测模型，而是提供一种可解释的方法，用于识别与未来行业beta系数相关的宏观经济和可持续性决定因素，从而支持company valuation、enterprise risk management和sustainable financial decision-making。

**研究背景与问题**
向可持续和韧性经济转型深刻改变了金融市场评估企业风险和长期价值创造的方式。可持续金融日益认识到环境、社会和治理（ESG）因素不仅是伦理或监管考量，而是经济上重要的企业绩效、投资风险和资本配置的决定因素。然而，传统系统风险度量（如资本资产定价模型（CAPM）中的beta系数）主要依赖历史数据，对未来的洞察有限。现有研究多关注历史beta动态或利用金融和宏观经济变量建模，但缺乏前瞻性。行业beta系数因统计稳定性而常用，但Damodaran发布的年度行业beta本质上是历史性的，假设未来风险与过去相似。人工智能（AI）的进展提供了从全球新闻数据中提取新兴风险指标的机会。因此，本研究旨在填补这一空白，开发一个结合宏观经济指标和AI支持的风险指标（来自GDELT数据库）的框架，以识别美国经济一年后行业beta系数的决定因素。该论文发表在《Sustainability》。

**研究内容与结论**
研究人员将Damodaran年度行业beta转换为月度时间序列，与滞后12个月的宏观经济变量和22个AI支持的风险类别（代表动态可持续性风险（DSR））结合。使用普通最小二乘法（OLS）回归，对每个行业分别估计模型，采用迭代变量选择过程基于统计显著性和解释力稳定性。通过标准化系数、变量出现频率、联合包含概率（JIP）和Shapley分解分析变量重要性。结论：历史beta持续性不足以解释未来行业beta；宏观经济变量仍然重要，但可持续性相关风险（如ESG、供应链、技术、战略、劳动力市场风险）始终是重要决定因素，且与宏观经济变量互补。该框架提供了可解释的分析方法，支持公司估值、企业风险管理和可持续金融决策。

**关键技术方法**
主要关键技术包括：利用Damodaran年度行业beta作为因变量，转换为月度数据；采用宏观经济变量（转换为移动年度平均值）和22个AI支持的风险指标（来自GDELT全球新闻数据库，通过预定义风险分类和关键词提取构建风险频率指标（RFI））；使用OLS回归和迭代变量选择保留统计显著变量；使用标准化回归系数、变量出现频率、联合包含概率（JIP）和Shapley分解评估变量贡献。样本来源于美国经济多个行业，时间跨度为多年。

**研究结果**
**模型拟合结果**：大多数行业模型达到稳定的判定系数（R²和调整R²），证实滞后beta、宏观经济指标和风险指标的组合包含解释一年后行业beta的有用信息。
**变量出现频率分析**：仅有限变量出现在较多行业模型中，显示核心因素集。可持续性相关风险（如ESG社会、供应链、人力资源、战略风险、治理与法律风险、自然环境、基础设施与公用事业、技术、网络与AI）在各行业频繁出现，但具体行业差异显著。
**十大最有影响变量**：结合变量出现频率和标准化效应大小，识别出十大最有影响变量，包括宏观经济指标（如工业产值、通货膨胀）和可持续性风险指标（如ESG社会、供应链风险）。
**联合包含概率分析**：高JIP值表明宏观经济指标与风险指标之间存在互补关系，而非替代关系，变量常共同出现以增强解释力。
**信息贡献分析**：所有96个模型通过检验，显示加入风险指标后，模型解释力显著提升，且风险指标组贡献独立于宏观经济变量。

**讨论与结论**
讨论部分强调，前瞻性行业beta不仅由传统宏观经济变量决定，还受广泛的非财务可持续性风险影响。这些风险（如环境、供应链、技术、治理）形成动态可持续性风险（DSR），与宏观经济因素相互作用共同塑造未来系统风险。研究结论部分翻译如下：
本研究开发并实证验证了一个框架，通过结合传统宏观经济指标与源自全球新闻数据的AI支持风险指标，识别美国经济一年后行业beta系数的决定因素。与大多数以往研究不同，本研究旨在识别与未来系统风险相关的宏观经济和可持续性因素，而非改进预测性能。实证结果表明，历史beta持续性不足以单独解释未来行业beta系数；宏观经济变量仍是重要决定因素，但大量解释力来自非金融风险因素。特别是环境、社会、治理、供应链、技术、战略、劳动力市场和宏观金融风险在各行业中始终是重要决定因素，尽管其相对重要性因行业而异。这些结果意味着系统风险不应仅基于金融市场历史行为评估，未来系统风险与宏观经济和更广泛可持续性因素之间不断变化的相互作用相关。联合包含检验显示可持续性相关风险补充而非替代传统宏观经济风险，两者共同解释未来行业beta值。为全面解释这些结果，本文提出动态可持续性风险（DSR）概念，指不断变化的外部环境（包括环境、社会、治理、技术、地缘政治、运营和宏观经济风险），共同影响未来系统风险。该框架为文献贡献如下：将AI支持风险指标与常规宏观经济变量整合于单一解释框架；证明持续演变的可持续性相关风险包含解释未来行业beta的经济上有意义信息；提出DSR作为连接AI、可持续金融和系统风险评估的概念框架；提供可解释方法，识别各行业宏观经济和可持续性决定因素的相对重要性和交互作用。实际意义包括：公司估值中可更好估算权益成本和折现率；企业风险管理中系统识别未被现有财务指标捕捉的可持续性风险；投资者可理解宏观经济与可持续性因素如何相互作用影响行业系统风险；监管者可见AI风险监测如何补充传统金融风险评估。局限性包括：年度行业beta在日历年内视为常数以匹配月度变量；分析限于美国经济；研究目的为决定因素识别而非预测模型评估，未进行样本外预测验证。未来研究可扩展至不同经济体、资产类别（如股票组合、固定收益、房地产），考察不同时间跨度，并比较不同市场体制下决定因素的稳定性。总体而言，AI通过将持续变化的全球信息转化为可解释信号定义DSR，有望显著改善可持续金融，补充传统财务分析，提供关于未来系统风险宏观层面决定因素的额外洞察。