本文为类型a：单一原创研究学术报告。

作者为Giuseppe Caristi、David Barilla（意大利墨西拿大学经济系）、Michael Morabito（墨西拿大学政治与法律科学系）与Massimiliano Ferrara（意大利雷焦卡拉布里亚大学法律、经济与人文科学系）。论文发表于期刊 *Decisions in Economics and Finance*，在线发表日期为2026年，论文数字对象唯一标识符（DOI）为10.1007/s10203-026-00577-6。研究使用了2017–2022年Russell 3000指数成分股数据，提出了一个将机器学习与ESG约束整合进投资组合优化的综合框架。

研究的学术背景在于可持续金融与量化资产管理的交叉领域。随着欧盟分类法（EU Taxonomy）和可持续金融披露条例（SFDR）等监管压力增加，机构投资者越来越需要在投资组合中纳入环境、社会和治理（ESG）标准。然而，将ESG因素纳入数量化投资模型面临四个主要障碍：ESG数据多维且缺乏统一标准；ESG变量与传统金融因子之间存在严重多重共线性；带约束的组合优化在引入非负权重后不再具有闭式解；静态前沿分析难以刻画市场均衡与ESG溢价的动态形成。Azzone等人在2026年的研究中提出了基于追踪误差波动率（TEV）最小化并施加ESG约束的框架，证明了在特定条件下ESG约束可以改善均值-方差效率，但其模型将预期收益视为外生变量或仅使用简单线性估计，也未系统处理多重共线性与市场不确定性下的稳健优化问题。本研究旨在通过三个主题模块扩展这一框架：机器学习收益预测、带均衡分析的组合优化、以及基于多准则决策的组合选择。

研究工作流程包括三个核心模块。第一模块为机器学习收益预测。研究采用Gram-Schmidt正交化方法将ESG综合得分相对于Fama-French因子（市场、规模、价值、盈利、投资）进行正交分解，构造标准正交基{q₁,…,q_k}，进而提取ESG变量的正交分量ξ⊥，该分量表示与传统因子空间正交的“纯ESG”效应。在2017–2022年样本中，原始ESG得分与价值因子（HML）相关性约为0.35，与盈利因子（RMW）相关性约为0.40；正交化后相关系数均降至约0.20，决定系数r²<0.05，同时正交化ESG指标仍保留约0.28的横截面标准差。随后，研究使用XGBoost梯度提升模型预测个股超额收益。模型以池化面板方式训练，训练集为2017–2020年，样本外测试集为2021–2022年。特征集包括滞后1–12个月收益、基本面比率（市盈率、市净率、股息率）、正交化ESG得分、Fama-French因子暴露及月度宏观指标。XGBoost模型通过顺序组合多个弱学习器（决策树）来修正前一集成模型的残差，并利用L1与L2正则化防止过拟合。模型损失函数采用平方误差或Huber损失。第二模块为带ESG约束的组合优化与市场均衡分析。优化问题以最小化追踪误差波动率(x−x₀)ᵀΣ(x−x₀)为目标，约束包括全额投资xᵀ1=1、非负权重x≥0、收益目标(x−x₀)ᵀμ=g以及ESG约束(x−x₀)ᵀξ≥0。其中x为组合权重，x₀为Russell 3000市值加权基准，Σ为收益协方差矩阵，μ为XGBoost预测的期望收益向量，ξ为原始（非正交化）ESG得分向量，g为相对基准的收益超调目标。由于非负约束的存在，该问题不存在闭式解，须通过凸二次规划数值求解。研究进一步构建了异质投资者市场均衡的蒙特卡洛模拟。设定比例为α的投资者面临ESG约束型委托（问题7），比例为(1−α)的传统投资者求解相同的TEV最小化问题但无ESG下限（问题8）。总需求为d_i=αx_i^(esg)+(1−α)x_i^(trad)。市场出清条件为αx^(esg)(p)+(1−α)x^(trad)(p)=s，其中s为归一化供给向量。价格与预期收益通过μi=(E[v{i,t+1}]−p_i)/p_i联系。均衡价格通过试探法（tâtonnement）迭代求解，每次迭代根据超额需求z=d−s更新价格p_i^(τ+1)=p_i^(τ)(1+ηz_i^(τ))，当‖z‖∞<10⁻⁵时收敛。基准情景设定α=0.30，进行10000次蒙特卡洛情景模拟，每次情景中随机抽取收益向量r~(s)~N(μ,Σ)，更新期望收益并重新求解组合优化。第三模块为基于TOPSIS的多准则组合选择。每个候选组合的性能向量c_j=(r_j,σ_j^(TEV),esg_j^(active),ρ_j)，分别表示期望追踪误差收益（最大化）、追踪误差波动率（最小化）、主动ESG得分（最大化）与稳健性度量（例如蒙特卡洛情景收益标准差，最小化）。TOPSIS流程包括向量归一化、权重赋值、确定正理想解与负理想解、计算欧氏距离以及计算偏好系数CC_j=d_j⁻/(d_j⁺+d_j⁻)，选择CC值最大的组合作为最优组合。

主要结果分为四个层次。第一，机器学习预测性能方面，XGBoost（正交ESG）模型样本外R²约为0.08，显著优于线性因子模型的0.03，相对均方根误差（RMSE）降低约17.5%；使用原始ESG得分的XGBoost样本外R²为0.06，表明正交化处理具有增量价值。样本内R²为0.14，样本外0.08，表明存在中等程度过拟合，但符合XGBoost正则化特性。稳健性检验使用2017–2019年训练、2020–2022年测试的替代窗口，得到样本外R²为0.071，结果定性一致。SHAP分析表明，正交化ESG得分对预测能力的贡献约为8%–12%，且贡献呈非线性模式：在ESG分布尾部资产的边际贡献最大。第二，组合优化前沿方面，ESG约束在收益目标g∈(0%,4.56%)区间内改善均值-方差效率，方差降低最高达最小方差组合方差的1%；当g>4.56%时，ESG约束增加组合方差。二者的交叉点g=4.56%源于两种相反力量的抵消：ESG下限诱导组合向防御性板块（公用事业、必需消费品）倾斜，在负ESG溢价条件下这些板块同时具有高ESG与低绝对方差特征，从而降低总方差xᵀΣx；但当收益目标过高时，收益约束迫使组合加载于高预期收益但低ESG的资产，ESG下限与收益目标冲突，总方差上升。第三，市场均衡分析方面，在α=0.30的基准情景下，ESG溢价约为每年−45个基点（95%置信区间为[−56,−34]，p<0.01）。敏感性分析表明，溢价随α近似线性变化：α=0.10时为−15个基点，α=0.20时为−31个基点，α=0.40时为−58个基点，α=0.50时为−69个基点。这表明ESG溢价主要由机构ESG委托产生的需求压力驱动，而非ESG特定风险补偿。第四，样本外回测方面，2021–2022年期间，基于XGBoost的ESG组合年化收益率为9.2%，年化波动率为12.8%，Sharpe比率为0.72，最大回撤为−14.3%，平均月度换手率为8.7%，主动ESG得分为0.18；历史基准组合（使用36个月滚动历史收益均值替代XGBoost预测、其余约束相同）的对应指标为年化收益率7.1%、年化波动率12.3%、Sharpe比率0.58、最大回撤−16.8%、换手率6.2%、主动ESG得分0.15。这表明机器学习预测模块带来的风险调整收益改善具有经济意义，且未因过度再平衡而侵蚀收益。TOPSIS选择结果方面，等权重方案下最优组合的期望收益为8.5%，TEV为4.2%，主动ESG得分为0.18，稳健性为1.8%，偏好系数CC=0.68。在六种替代权重方案（收益导向、风险导向、ESG导向、稳健性导向、收益-风险双导向、ESG-稳健双导向）下，CC值范围为0.55–0.75，最优组合始终处于同一聚类中。

结论指出，当ESG变量经过适当正交化处理且收益通过机器学习预测时，ESG委托不仅能与中等收益目标下的受托责任兼容，还能提供改善的风险调整后绩效；负ESG溢价是一个需求驱动的均衡现象；TOPSIS为多目标权衡提供了原则化选择机制。研究具有双重价值：在科学层面，它将机器学习预测、正交化处理、约束优化、均衡分析与多准则决策整合为统一框架，解决了ESG组合管理中的多重共线性、非线性收益预测与数值优化兼容性问题；在应用层面，该方法操作上可实现，依赖开源工具（Python、scikit-learn、XGBoost、CVXPY）和标准优化求解器，可用于机构投资者的ESG委托资产配置。

研究亮点包括：第一，通过Gram-Schmidt正交化将ESG与传统因子的相关性降至r²<0.05，有效隔离了纯ESG信号，提升了统计稳定性与模型可解释性；第二，XGBoost模型样本外R²较线性基准高出5个百分点，RMSE降低17.5%，SHAP分析揭示了ESG效应的非线性与尾部异质性；第三，在统一的基准相对TEV框架下，精确刻画了ESG约束改善均值-方差效率的收益目标阈值g*=4.56%，并详细解释了总方差降低的机制（防御性板块倾斜效应）；第四，通过异质投资者均衡模型与试探法价格调整，量化了ESG溢价的α敏感性，证实其需求驱动属性；第五，TOPSIS多准则选择在多种权重方案下保持稳健性，CC值区间为0.55–0.75。

研究也存在若干局限。样本仅使用LSEG（原Refinitiv）ESG评分，不同评级机构间存在分歧；收益分布假设为正态分布，未考虑尾部风险与不对称性；未显式建模市场状态转换；未纳入交易成本；样本外窗口仅两年且包含疫后复苏期。未来研究应使用Copula模型或Student-t分布处理非正态性，采用隐Markov模型刻画状态转换，并将XGBoost与循环神经网络或Transformer等深度学习架构进行基准比较，以及将框架扩展到多期、多资产类别情景中。