《Financial Innovation》:Applying explainable AI to analyze size-sorted ESG portfolios
编辑推荐:
本研究运用可解释人工智能(explainable artificial intelligence,XAI)技术,探究美国股票市场中按规模分层的环境、社会与治理(environmental, social, and governance,ESG)投资组合指数(大
本研究运用可解释人工智能(explainable artificial intelligence,XAI)技术,探究美国股票市场中按规模分层的环境、社会与治理(environmental, social, and governance,ESG)投资组合指数(大盘、中盘和小盘ESG投资组合)与其对应基础指数(大盘、中盘和小盘投资组合)之间的关系。此外,研究还纳入了关键市场因素、风险与不确定性。研究发现如下重要洞见:第一,规模分层的ESG投资组合与包含相似规模公司的投资组合关联最为显著;第二,对于大盘和中盘ESG投资组合,在考虑交互效应后,其基础指数(大盘和中盘投资组合)主要与其他基础指数发生交互,这一观察表明大盘和中盘ESG投资组合的表现与整体股票市场的总体表现联系更为紧密;第三,对于小盘ESG投资组合,对应的小盘指数(小盘投资组合)频繁与债券市场和违约利差(default spread)发生交互。这些交互并非表明相同的“违约风险特征”,而是反映了小盘ESG投资组合对信贷市场状况和违约相关动态的更强敏感性,这与关于小公司违约风险敞口的理论论证相一致。
论文解读:基于可解释人工智能的规模分层ESG投资组合分析
一、研究背景与问题提出
近年来,全球投资者对气候变化和全球变暖问题的关注日益加深,可持续投资需求显著增长,ESG相关资产吸引了市场参与者的广泛关注。全球可持续投资联盟(GSIA)2022年的报告显示,流向可持续ESG投资的金融资源显著增加。在此背景下,ESG金融工具的风险特征成为全球投资者和投机者关注的焦点,被视为一种替代性对冲策略。
现有文献对ESG标准与各类资产类别(尤其是股票)投资潜力之间的关系进行了广泛分析,但研究结论存在明显矛盾。部分研究发现ESG评分与股票表现呈正相关,ESG相关股票在金融危机和COVID-19危机期间表现出较低波动性和较高收益;另一部分研究则发现基于SRI和ESG标准构建的投资组合并未产生显著的超额收益,高ESG评级基金的业绩优势缺乏一致性证据。
更重要的是,现有研究存在两个关键空白:其一,尚未有研究考察规模相关的ESG投资组合指数与其对应基准指数在同一股票市场内的主要关联,以评估其分散化潜力和风险特征;其二,已有研究未阐明ESG特征是否实质性改变了小盘投资组合对违约风险相关条件的敏感性。鉴于违约风险在解释规模效应中的理论重要性,考察小盘ESG股票是否保留这种敏感性,对于理解可持续投资的真实风险特征至关重要。
二、研究内容与核心发现
本研究聚焦美国股票市场,利用2021年1月11日至2024年11月22日的日度数据,以标普规模相关ESG指数系列(S&P 500 ESG、S&P MidCap 400 ESG、S&P SmallCap 600 ESG)分别代表大盘、中盘和小盘ESG投资组合,以对应的S&P 500、S&P MidCap 400、S&P SmallCap 600指数代表基础基准指数。研究同时纳入债券市场指数(S&P 500 Bond Index)、商品市场指数(S&P GSCI)、期限利差(TERM)、违约利差(DEF)、联邦基金利率(FFR)、贸易加权美元指数(USD)以及黄金(GVZ)、利率(MOVE)、石油(OVX)、货币(EVZ)和股票(VIX)市场的隐含波动率,并纳入美国经济政策不确定性(EPU)指数。
研究基于Barberis和Shleifer(2003)提出的“类别观点”理论构建第一个假设:由大盘、中盘或小盘ESG公司组成的投资组合与其各自的基础指数(由类似分类公司组成的投资组合)存在强关联。基于小公司违约风险敞口的理论,提出第二个假设:对于小盘ESG投资组合,其基础指数(小盘投资组合)频繁与违约风险相关变量发生交互。
研究发现:第一,规模分层的ESG投资组合与其对应基础指数关联最为显著,验证了第一个假设;第二,大盘和中盘ESG投资组合的基础指数主要与其他基础指数交互,表明其表现与整体股票市场表现紧密相关;第三,小盘ESG投资组合对应的小盘指数频繁与债券市场和违约利差交互,验证了第二个假设,表明小盘ESG投资组合对信贷市场条件和违约相关动态具有更强敏感性。
三、主要技术方法
研究采用四种基于决策树的机器学习算法——CatBoost、LightGBM、XGBoost和随机森林(random forest)——进行预测任务,通过交叉验证确定最优参数设置,并运用Diebold-Mariano(DM)检验评估模型间预测性能差异的统计显著性。研究选用Shapley Additive Explanations(SHAP)方法(具体采用TreeSHAP)对最优模型进行解释,量化各输入变量对规模分层ESG投资组合的贡献及其相对重要性,并通过SHAP偏依赖图分析输入变量间的交互效应。数据来源包括标普全球(S&P Global)和圣路易斯联邦储备银行(Federal Reserve Bank of St. Louis)等。
四、研究结果
机器学习模型性能评估: 研究以75%数据训练、25%数据测试,采用MSE、R2、RMSE、MAPE和MAE五项指标评估模型性能。结果表明,XGBoost对“LargeCapESG”和“MidCapESG”模型表现最优,CatBoost对“SmallCapESG”模型表现最优,均取得最低的MSE、MAE、MAPE、RMSE值和最高的R2值。DM检验为模型间预测性能差异提供了统计验证。
大盘ESG投资组合分析: SHAP分析显示,大盘ESG投资组合与相似规模公司组成的大盘投资组合呈现最强且最正向的关联。偏依赖图表明二者之间存在线性和正向关系,且大盘投资组合主要与中盘和小盘投资组合等基准指数发生交互。
中盘ESG投资组合分析: 中盘ESG投资组合与其基础指数(中盘投资组合)呈现最强且最正向的关联。偏依赖图显示中盘投资组合与中盘ESG投资组合之间存在正向线性关系,且中盘投资组合主要与小盘和大盘投资组合交互,其机制与大盘ESG投资组合类似。
小盘ESG投资组合分析: 小盘ESG投资组合与其基础指数(小盘投资组合)呈现最强且最正向的关联,偏依赖图显示二者之间存在线性正向关系。关键区别在于,小盘投资组合主要与债券市场和违约利差(DEF)发生交互,而非其他基准指数。
五、讨论与结论
研究明确指出,SHAP值和交互效应表征的是机器学习模型所学预测函数的结构,而非结构性或因果关系的直接估计。SHAP交互模式反映特征组合对模型预测的统计贡献,虽与既有理论机制一致,但不应被解释为经济敏感性的直接度量或因果效应。
研究结果的第一个经济机制可归因于Barberis和Shleifer(2003)的“类别观点”:投资者倾向于将资产分类为小盘、中盘和大盘等不同类别,其投资决策受类别相对表现影响,这导致类别内部产生强联动。值得注意的是,ESG筛选会剔除不合格公司、改变行业敞口并转移因子敏感性,ESG投资组合与基础规模组合存在实质性差异,但强关联仍然持续存在,这反映了ESG筛选资产仍主要通过规模风格分类进行定价和交易的显著经济现象。
第二个机制涉及大盘和中盘ESG投资组合:这些公司通常更为成熟,资本市场准入能力更强,收入来源多元化,对整体经济条件更为敏感,因此其表现与整体市场趋势紧密相关,受系统性市场动态的影响大于特质性或微观结构相关风险。
第三个机制聚焦小盘ESG投资组合:小盘公司即使具有较强ESG特征,仍面临更高的经营风险,对经济周期和信贷市场条件更为敏感。小盘投资组合与债券市场和违约利差的频繁交互,反映了小盘ESG公司对违约风险相关条件的更强敏感性,这与小公司违约风险敞口的理论论证一致。
研究结论表明:规模分层的ESG投资组合与其对应基础指数存在强关联;大盘和中盘ESG投资组合的表现更紧密地联系于整体股票市场的总体表现;小盘ESG投资组合对信贷市场条件和违约相关动态具有更强敏感性。这些发现对希望将ESG因素纳入风险管理策略的投资者以及制定明智政策的政策制定者具有重要启示意义。