关于ESG驱动的最优投资组合选择模型研究：针对分离的环境、社会与治理偏好的学术报告
一、 研究作者、机构、发表信息
本研究的唯一作者为Tomer Shushi，其所属机构为以色列本·古里安大学内盖夫校区吉尔福德·格拉泽商业与管理学院商业管理系。该研究以题为“ESG-driven optimal portfolio selection for separated environmental, social, and governance preferences”的原创论文形式，发表于期刊“Operational Research”，并于2025年3月13日在线发表（出版年份为2025年，卷期号为25:30）。该论文已于2024年6月29日收稿，历经2024年12月4日修订，最终于2025年2月6日被接受。
二、 学术背景与研究目标
本研究隶属于金融工程与可持续金融交叉领域，具体聚焦于投资组合优化理论。随着可持续投资理念的普及，投资者日益关注企业的环境、社会和治理表现。传统的ESG整合方法通常将E、S、G三个维度的评分综合为一个单一的ESG总分，并以此作为投资组合构建的一个约束或目标。然而，现实中投资者的价值观和关注点存在差异，例如，有的投资者可能极度重视环境表现（E），而对治理（G）或社会（S）因素要求相对较低；反之亦然。现有模型未能充分捕捉这种对E、S、G因素的分离且差异化的偏好。
在此背景下，作者Tomer Shushi旨在提出并研究一种新的最优投资组合选择模型。该模型的核心创新在于，允许投资者对投资组合的平均环境得分、平均社会得分和平均治理得分分别设定独立的目标或约束，而不是仅对综合ESG得分设定一个整体目标。研究的主要目标包括：1) 在经典的均值-方差模型框架下，推导出在分离的E、S、G约束下最优投资组合权重的显式解析公式；2) 证明该公式可推广至更广泛的、以最小化风险测度为目标的模型，特别是尾部在险价值（Tail-Value-at-Risk, TVaR）模型，并揭示此时风险厌恶参数将转化为一个依赖于投资者E、S、G偏好的“有效风险厌恶参数”；3) 通过基于纳斯达克十只股票的实际数据进行数值模拟，直观展示模型的应用，并分析各股票权重如何随E、S、G约束的变化而敏感变动，为实践提供清晰指引。
三、 研究流程与方法详述
本研究主要包含理论模型构建、公式推导、推广证明和数值模拟四个核心流程，不涉及传统意义上的实验对象、样本处理或物理实验，其“研究流程”主要体现在严密的数学推导和计算分析上。
流程一：模型构建与问题形式化 研究首先明确了基本假设和研究对象。假设投资组合包含n个相互依赖且服从多元正态分布的资产收益率（风险）X = (X1, X2, …, Xn)^T。投资组合收益率为Rp = w1X1 + w2X2 + … + wnXn，其中权重向量w满足总和为1的约束。关键创新在于引入了分离的E、S、G评分向量：e = (e1, e2, …, en)^T, s = (s1, s2, …, sn)^T, g = (g1, g2, …, gn)^T。投资组合的平均E、S、G得分则定义为权重与对应评分向量的点积，即E_port = w^T e, S_port = w^T s, G_port = w^T g。 基于此，作者构建了核心优化问题：在均值-方差模型下，最小化目标函数MV(Rp) = E(-Rp) + λ Var(Rp)（其中λ>0为风险厌恶参数），并同时满足四个等式约束：权重和为1，以及投资组合平均E、S、G得分分别达到投资者设定的目标值ε, σ, γ。这构成了一个带线性等式约束的二次规划问题。
流程二：理论推导——均值-方差框架下的显式解 这是本研究理论贡献的核心部分。作者通过严格的数学推导，解决了上述优化问题。推导过程采用了处理多线性等式约束的标准拉格朗日乘子法及矩阵分块技术。作者参考了Landsman等人（2020）的方法，对权重向量、均值向量、协方差矩阵和约束矩阵进行巧妙的分块处理，将原n维约束优化问题转化为一个低维无约束优化问题求解。 经过详尽的代数运算，作者在定理1中给出了最优权重向量w*的显式封闭解公式： w* = A_σ,ω_i * [ (ε, σ, γ, 1)^T + (1/(2λ)) ω_i^T Σ^{-1} μ ] - (1/(2λ)) Σ^{-1} μ。 其中，A_σ,ω_i = Σ^{-1} ω_i (ω_i^T Σ^{-1} ω_i)^{-1}， 而 ω_i 是由E、S、G评分向量和全1向量并排构成的矩阵 ω_i = (e, s, g, 1)。μ为资产期望收益率向量，Σ为收益率协方差矩阵。 该公式的优美之处在于，它将最优权重明确地分解为两部分：第一部分A_σ,ω_i * (ε, σ, γ, 1)^T 完全由E、S、G约束和资产评分、协方差结构决定，代表了为满足特定可持续性目标而进行的配置；第二部分 -(1/(2λ)) Σ^{-1} μ 则是经典的均值-方差有效前沿调整项，由风险厌恶程度和资产风险收益特征（μ, Σ）决定。当风险厌恶参数λ极大时，第二部分趋近于零，最优配置退化为在给定E、S、G约束下纯粹的最小方差组合。
流程三：理论推广——至一般风险测度模型 为了证明所提模型框架的普适性，作者在流程二的基础上进行了重要拓展。他考虑了一个更一般的优化问题：最小化某个关于投资组合收益率Rp的风险测度ρ(Rp)，并同样服从分离的E、S、G约束。这里要求风险测度ρ是二阶可微且关于权重w是凸函数。 在定理2中，作者证明了一个关键结论：对于这样一类更一般的模型，其最优权重仍然保持与定理1中完全相同的数学形式。然而，有一个根本性的变化：公式中的常数风险厌恶参数λ被一个“有效风险厌恶参数”λ_eff所替代。这个λ_eff不再是投资者预先设定的外生参数，而是内生地依赖于投资者设定的E、S、G约束目标值(ε, σ, γ)。具体而言，λeff是通过求解一个单变量优化问题 min{λeff ∈ ℝ} ρ( R{w0 - (1/(2λ_eff)) w1} ) 而得到，其中w0和w1是仅依赖于约束和协方差结构的固定向量（见原文式18,19）。这意味着，当投资者改变其对E、S、G的偏好时，不仅直接影响配置的第一部分，还会通过改变λ_eff来间接影响整个风险-收益权衡的强度。 作为特例，作者重点分析了尾部在险价值（TVaR）这一重要风险测度。对于TVaR最小化问题，作者引用了现有文献结果，明确指出其有效风险厌恶参数λ_eff具有特定的表达式：λeff(ε,σ,γ) = √(α{1-q} - a0) / f0(ε,σ,γ)，其中α_{1-q}是与TVaR置信水平q相关的常数，a0是与资产收益率特征相关的常数，而f0(ε,σ,γ)正是约束目标值的二次型函数（见原文式32）。这清晰地展示了λ_eff对E、S、G约束的依赖关系。
流程四：数值模拟与实证分析 为了直观展示模型的应用和效果，作者进行了数值模拟。研究选取了纳斯达克市场的十只知名科技股（微软、苹果、甲骨文、Adobe、Salesforce、IBM、Intuit、Palo Alto Networks、特斯拉、Netflix）作为“研究样本”。数据包括这些股票在2023年6月至2024年6月期间的周度收盘价收益率，以及由标普全球提供的E、S、G评分（范围0-1）。 作者首先计算并列表展示了这十只股票的期望收益率、收益率协方差矩阵以及各自的E、S、G评分，为后续优化提供了完整的输入数据。 然后，作者进行了多组模拟分析： 1. 敏感性分析（图1-3）：在固定其他两个ESG维度目标值的情况下，系统性地改变其中一个维度（如环境得分E_port）的约束值，观察并绘制十只股票最优权重的变化曲线。例如，图1展示了当社会得分S_port和治理得分G_port固定时，环境得分目标从0.5变化到0.9时各股权重的演变。结果显示，不同股票对同一ESG约束变化的敏感性差异巨大：Intuit公司的权重变化最为剧烈，甚至从多头头寸（正权重）变为空头头寸（负权重），而Netflix的权重则几乎保持不变。 2. 模型对比分析（图4）：在设定同一组E、S、G约束值下，对比了均值-方差模型（λ=1.5）、TVaR模型（q=0.7）和纯方差最小化模型所得出的最优投资组合权重。结果显示，三种模型得出的权重分配结构高度相似。这从实证上验证了定理2的结论：不同风险测度下的最优配置具有相同形式，差异主要体现在有效风险厌恶参数的大小上。文中指出，在TVaR模型中，更高的置信水平q（更关注极端损失）会产生类似于更高风险厌恶参数λ的效果。
四、 主要研究结果及其逻辑关联
本研究取得了一系列紧密关联的理论与实证结果： 1. 显式最优解公式的获得：这是最核心的理论结果。定理1成功推导出了在分离E、S、G约束下均值-方差模型的最优权重封闭解。该公式清晰地将可持续性偏好（E、S、G目标）与传统的风险收益优化（μ, Σ, λ）分离开来，又通过矩阵A_σ,ω_i将它们有机结合。这为精确、高效地计算符合特定多维可持续性要求的投资组合提供了直接工具。 2. 模型普适性的证明：定理2将上述结果从均值-方差框架推广到了一类更广泛的凸风险测度模型，并揭示了“有效风险厌恶参数”这一关键概念。这一结果具有重要的理论意义，它表明本文提出的分离ESG约束框架具有很好的鲁棒性，其最优配置的数学结构不依赖于特定的风险度量方式（方差、TVaR等）。这建立了分离ESG偏好优化问题的一个通用分析框架。 3. 有效风险厌恶参数的内生性：作为定理2的推论，研究明确指出在一般风险测度模型下，风险厌恶程度不再是外生给定的，而是由投资者的E、S、G偏好内生决定。例如，在TVaR模型中，λ_eff是(ε,σ,γ)的函数。这意味着投资者在表达可持续性偏好的同时，实际上也隐含地设定了其风险承受能力的“影子价格”。这一发现深化了对ESG整合与风险权衡之间关系的理解。 4. 数值模拟的实践洞察：实证部分的结果生动地展示了模型的应用价值。敏感性分析图（图1-3）直观揭示了不同股票对E、S、G约束变化的差异化反应，这为投资者和资产管理人提供了宝贵的参考。例如，若某投资者希望大幅提升投资组合的环境得分，模型可以精确计算出哪些股票需要增持、哪些需要减持甚至做空。模型对比图（图4）则从视觉上证实了理论推导的正确性，即不同风险目标下的最优配置结构相似，增强了模型结论的可信度。 这些结果层层递进：首先在经典框架下获得基础解，然后证明该解结构具有超越经典框架的普遍性，最后通过实际数据验证模型的可行性与实用性。理论结果指导了数值模拟的设计，而数值结果又反过来印证和支持了理论结论。
五、 研究结论与价值
本研究的核心结论是：提出并成功解决了一个考虑投资者对环境、社会、治理因素具有分离偏好的最优投资组合选择模型。该模型不仅为均值-方差投资者提供了显式的最优配置公式，其数学形式还能推广至以最小化TVaR等风险测度为目标的更一般情形，只是在后者中风险厌恶参数会内生于投资者的ESG偏好。
研究的科学价值在于：1) 理论创新：首次在投资组合优化中系统性地处理了E、S、G作为独立约束的问题，扩展了ESG整合投资的理论边界。2) 方法贡献：提供了该问题的显式解析解和通用分析框架，避免了复杂的数值优化，提升了计算效率和理论透明度。3) 概念深化：引入了“有效风险厌恶参数”的概念，揭示了在非均值-方差框架下，可持续性偏好与风险态度之间深刻的内生联系。
研究的应用价值显著：为资产管理行业提供了强大的新工具。使得投资经理能够根据客户个性化的、可能不平衡的ESG价值观（例如“重环境、轻治理”），量身定制投资组合，并在给定的可持续性目标下实现最优的风险收益权衡或风险控制。数值示例部分更是提供了可直接参考的操作指南。
六、 研究亮点
七、 其他有价值的内容
作者在结论部分对未来的研究方向提出了建议，包括：探索同时纳入多个ESG约束（如行业特定的ESG目标或排除性条款）的影响；将模型扩展至多期投资情境；研究ESG约束在不同资产类别中的应用。此外，作者也简要提及了在禁止卖空的实践约束下，模型将增加权重非负的约束，从而无法获得显式解，需要借助数值算法求解，并指出这是未来值得研究的方向。这些思考为后续研究提供了清晰的路线图。