ESG投资策略

Table of Content

ESG投资策略¶

1.前言¶

前情提要

在上一篇文章中我们下载了akshare中所有有关ESG的数据，结果各个平台上都只提供截面数据，比较遗憾。但是作者还是在别的平台上下载到了ESG评分的时间序列数据，包括华政和wind评级。

该文中会对各个机构评出的ESG指标进行分层收益分析，因为下载的ESG均是以季度为频率的，所以我们的调仓频率也是一季度一次。但我们的回测还是会按照日度来生成对应的相关指标，所以我们依然需要长期的日度数据。在进行任何的回测之前，如果可以先把数据下载到本地然后直接读取本地的数据相信会更快。以下是通过本平台可以提供的数据进行一个数据的预下载处理： ```python import pandas as pd import os start = datetime.date(2009, 1, 1) end = datetime.date(2023, 12, 29) universe = -1

获取所有股票¶

df = load_bars(start, end,-1) df.to_parquet('daily_data.parquet') ```

数据获取到之后，我们的分析接下来，让我们来对ESG进行分层收益结果：

2.分析步骤¶

2.1数据清理¶

读取华政和 Wind 的 ESG 数据以及全市场日线数据。剔除 ST 股票、异常日期和空值，保留必要字段（股票代码、日期、评分），按日期和股票排序。

2.2评分分层¶

对每个披露日的 ESG 得分进行横截面排序并分层。层数可调（默认 10 层），第 1 层为最低评分的 10%，第 10 层为最高评分的 10%。该过程会分别对华政综合得分、E/S/G 子项得分以及 Wind ESG 评级独立执行。

2.3日度收益率计算¶

从全市场日线行情中计算每只股票的日收益率，剔除异常值与极端涨跌（默认截尾 0.5% 分位）。确保样本干净，避免极端波动干扰层内均值。

2.4将评级扩展到日线¶

将季度或不定期披露的 ESG 评级扩展到日度频率，并采用 T+1 生效机制（即评级在披露后一交易日才生效），保证信号和收益的时间顺序不被污染。

2.5分层回测¶

对每个交易日、每一层计算等权平均收益，过滤掉成分过少的层（默认 ≥10 支股票）。利用 QuantStats 库快速计算各层与多空组合的主要绩效指标：年化收益、波动率、夏普比率、最大回撤、Calmar 比率、Sortino 比率、胜率等。

2.6 可视化与报告输出¶

生成四类图表： * 各层累计收益曲线 * 多空策略收益与回撤 * 核心绩效指标对比 * 指标汇总表格

此外，还为每个策略自动输出 QuantStats HTML 报告。

3.wind结果分析¶

上图右上角为第十层和第一层多空交易的结果，可以看到从2019到2021年进行ESG投资是有盈利希望的，然而回顾大部分投资期限，也只有这3年的投资是可以呈现正收益的，其余情况表现并不好，那么从年化收益来看呢，ESG最高的第十组年化收益也并不出众。那ESG高的企业是一点都没用了吗？答案是否定的，我们可以发现，尽管第十层ESG高组别的股票年化收益最低，但其最大回撤也处于一个相对低值。分析ESG评分由低到高，最大回撤像一个二次函数先变高再变低。这个情况说明了ESG低和高的企业的股票的波动都相对较小