本研究的标题为《ESG非线性对投资组合的增强收益效应：基于资产定价树模型的视角》，由来自上海电力大学经济与管理学院的杜普亮、上海财经大学金融学院的顾润声、罗灵、谢菲、张宸阳，以及国网上海市电力公司电力科学研究院的罗灵共同完成。该研究发表于《国际金融分析评论》（International Review of Financial Analysis）期刊，于2025年1月30日在线发表。

该研究的学术背景聚焦于金融学领域，具体涉及资产定价、投资组合管理与环境、社会和治理（ESG）投资。随着可持续投资理念的兴起，ESG因素在投资决策中的重要性日益凸显。以往大量研究证实，纳入ESG因素的投资组合往往能在长期获得更稳定的回报，并在危机时期表现出更强的韧性。然而，现有研究多从线性视角探讨ESG与传统财务指标（如市值、账面市值比）的叠加效应，假设这些因素与资产回报之间存在线性可加关系。但越来越多的证据表明，ESG与企业绩效、投资回报之间的关系可能是复杂的非线性的（例如，呈U型或倒U型关系），且ESG的效应可能受到行业、市值等其他因素的调节。传统的线性模型（如Fama-French三因子模型及其扩展）难以充分捕捉这种非线性的相互作用。因此，本研究旨在填补这一空白，不仅验证ESG因素能否为传统因子模型提供增量信息（“价值”问题），更重要的是，探索如何通过非线性模型更有效地整合ESG与传统因子，以增强投资组合的表现（“使用”问题）。

研究的详细工作流程可分为三个主要部分：数据准备与因子构建、线性模型下的ESG增量信息检验，以及基于资产定价树模型的非线性整合与效果验证。

首先，在研究数据与变量方面，研究选取了2015年1月1日至2022年12月31日期间的中国A股市场数据，以中证500指数成分股作为股票池。ESG评级数据来自商道融绿（Sino-Securities Index Information Service Co. Ltd., SNSI）的季度评级，价格和基本面数据来自Wind数据库。研究构建了核心变量：1） Fama三因子：参考Fama-French（1992）方法，基于中证500成分股构建了市场超额收益（Rm-Rf）、市值因子（SMB）和账面市值比因子（HML）。2） ESG因子：模仿SMB和HML的构建思路，在控制市值影响后，构建了综合ESG因子（HESGMLESG），即高ESG分数组与低ESG分数组的平均回报之差。同时，还分别构建了环境（ENV）、社会（SOC）和治理（GOV）三个子维度的因子。描述性统计分析显示，ESG因子（HESGMLESG）的均值和中位数为负，表明高ESG评分股票并未线性地产生显著更高的未来回报，提示ESG与回报间可能存在非线性关系。

其次，线性视角下的ESG增量信息检验 包含两个步骤。第一步是冗余因子检验：将市场因子、SMB因子、HML因子和HESGMLESG因子相互回归。结果显示，所有因子（包括ESG因子）的回归截距项在5%的显著性水平上均不为零，表明ESG因子不能被传统的三因子所解释，具有独立的信息含量。第二步是分组回归分析：在每个季初，根据ESG评分将股票池等分为5组（从ESG_Low到ESG_High）。分别对每组股票使用Fama-French三因子模型（FF3）和三因子加入ESG因子模型（FF3+ESG）进行时间序列回归。结果发现，在加入ESG因子后，所有分组的回归截距项的绝对值普遍下降，同时模型拟合优度（R²）均有所提升。这从线性角度证实，ESG因子能够解释三因子模型无法捕捉的那部分收益，为传统因子模型提供了增量信息，增强了模型对收益的解释能力。

第三部分，也是本研究的核心，即基于资产定价树模型的非线性整合与实证分析。该部分旨在验证非线性整合方法（资产定价树模型）优于传统的线性排序方法（双重排序、三重排序），并能更有效地利用ESG信息的非线性特征。具体流程如下： 1. 模型构建与股票分组：研究采用了由Bryzgalova等人（2020）提出的资产定价树模型。该模型以决策树思想为基础，替代传统的双重或三重排序。研究者选定一组特征（如市值、账面市值比、ESG评分等）及其顺序，通过决策树算法将大量个股划分为不同的投资组合（“树节点组合”），使得同一组合内的股票具有相似的特征“风格”。通过调整树的深度和特征顺序，可以生成大量不同维度的投资组合，然后通过计算每个组合与Fama三因子的风险敞口（因子暴露）来识别其风格，并基于风格相似性对冗余组合进行“剪枝”，最终得到一组具有多样化风格、非线性的基础资产组合。作为对比，研究也使用了传统的线性双重排序和三重排序方法生成投资组合。 2. 收益解释能力分析：为了比较不同排序方法（双重排序、三重排序、资产定价树模型生成10组和20组组合）下，不同因子模型（FF3, FF3+ESG, FF5, FF5+ESG）的解释力，研究进行了两项检验：Fama-MacBeth回归检验和定价误差检验。Fama-MacBeth回归的第二阶段截距项越接近于零，表明因子模型对组合收益的解释力越强。定价误差检验则计算了时间序列回归的平均绝对截距a|αi|、GRS检验的p值以及横截面R²（xs-R²）。结果表明：a) 在多数情况下，使用资产定价树模型（AP-Trees 10/20）时，因子模型的Fama-MacBeth截距绝对值更小，且更不显著，说明解释力更强。b) 资产定价树模型下的平均定价误差a|αi|通常低于或等于对应的线性排序模型。c) 最重要的是，资产定价树模型下的横截面R²（xs-R²） consistently（一致地）高于线性排序模型。例如，在AP-Trees 20下，FF3+ESG模型的xs-R²高达97.12%，显著高于三重排序模型下的结果。这些结果共同证明，资产定价树模型能够更有效地揭示因子间（尤其是ESG因子与传统因子之间）的非线性关系，从而构建出能被因子模型更好解释的投资组合基础资产池。 3. 投资组合回测分析：为了检验非线性整合的实际投资价值，研究进行了样本外回测。构建了三个投资组合策略：a) AP-Trees策略：基于资产定价树模型，选择“ESG-市值-ESG”和“ESG-账面市值比-ESG”两个分支中夏普比率最高的组合，计算其成分股权重的平均值作为最终投资组合。b) 基准策略1（个股均值-方差模型）：以个股为底层资产的传统均值-方差模型组合。c) 基准策略2（三重排序策略）：基于ESG-市值和ESG-账面市值比进行三重排序，选择各排序方式下夏普比率最高的组合，平均其权重。回测期（2015-2020）用于模型训练/组合选择，2021-2022年为样本外观测期。结果显示，AP-Trees策略的年化回报率（27.17%）、夏普比率（1.244）和卡尔玛比率（1.196）均显著高于两个基准策略。T检验也表明，AP-Trees策略相对于两个基准策略产生了显著为正的超额日收益。这从实践层面证明，通过资产定价树模型非线性地整合ESG信息，能够构建出风险调整后收益更优的投资组合。 4. 行业异质性检验：为了进一步探究ESG效应的复杂性，研究根据中国生态环境部发布的目录，将股票池分为重污染行业和轻污染行业两组，并重复了上述定价误差检验。研究发现：a) 对于轻污染行业，ESG因子的加入普遍提升了因子模型的解释力（xs-R²上升）。b) 对于重污染行业，在双重排序等线性模型下，加入ESG因子有时反而降低了模型的xs-R²，这可能是因为重污染企业的环保成本压力导致其ESG绩效与财务表现呈复杂的非线性关系（如成本约束下的倒U型关系），线性模型难以捕捉。c) 然而，在资产定价树模型下，即使对于重污染行业，加入ESG因子后，模型的xs-R²也得到了提升（例如AP-Trees 10下从30.57%升至65.15%）。这强有力地证明了资产定价树模型通过其非线性结构，能够有效剥离行业干扰，深入挖掘ESG因子在不同情境下的非线性特征，这是线性排序模型无法做到的。

本研究的主要结论有两点：第一，ESG信息不能被传统财务因子所解释，其为投资组合和因子模型提供了独立的增量信息，能够增强模型对收益的解释和预测能力。第二，更重要的是，利用资产定价树模型对ESG因子与传统因子进行非线性整合，在收益解释能力和实际投资组合表现上，均优于传统的线性整合方法（如双重、三重排序）。行业异质性检验进一步强化了该结论，并揭示了ESG机制因行业污染程度不同而存在差异。

该研究的科学与应用价值显著。在科学价值方面，它创新性地将机器学习中的决策树思想（以资产定价树模型的形式）引入资产定价和ESG研究领域，为理解ESG因素的非线性特性及其与传统因子的复杂交互作用提供了一个强有力的分析框架，丰富了非线性资产定价和另类数据应用的文献。在应用价值方面，研究证实了ESG数据的独立价值，并为投资者和资产管理人提供了一种新颖、有效的工具（资产定价树模型），以更精细、更稳健的方式将ESG因素整合进投资决策和组合构建流程中，从而有望提升投资组合的风险调整后收益。

本研究的亮点在于：第一，方法论的创新性：率先将资产定价树模型应用于ESG研究，系统性地从非线性视角探索ESG的“增强收益效应”，突破了主流线性研究的范式。第二，严谨的验证链条：研究设计环环相扣，从线性增量信息验证，到非线性模型解释力比较（Fama-MacBeth检验、定价误差检验），再到样本外投资组合回测和行业异质性分析，构成了一个完整、坚实的证据体系。第三，对复杂性的深入洞察：研究不仅停留在“ESG是否有用”，更深入到“如何更好地使用ESG”，并揭示了ESG效应在不同行业背景下的非线性与异质性，对投资实践具有重要的启发意义。研究的局限性在于提到的模型风险，即模型假设与现实世界的偏差。未来研究可以进一步探索将其他另类数据与更复杂的机器学习模型（如神经网络、深度学习、强化学习）相结合，从更多维度研究另类数据的非线性特征。