本文属于类型a，即一篇原创研究论文。以下是根据该研究生成的中文学术报告。

这篇论文的作者是Jan De Spiegeleer（任职于Riskconcile，位于比利时鲁汶）、Stephan Höchtb（任职于Bassenagon GmbH，位于德国慕尼黑）、Daniel Jakubowskic（任职于Assenagon Asset Management S.A.，位于德国慕尼黑）以及Sofie Reyners和Wim Schoutens（任职于比利时鲁汶大学数学系）。该研究发表于《Journal of Sustainable Finance & Investment》，在线发表日期为2021年，具体接收日期为2021年4月26日。

本研究的学术背景属于可持续金融与投资组合管理领域。近年来，可持续投资、社会责任投资、影响力投资及环境、社会和治理（ESG）投资等理念在金融市场中获得了广泛关注，但将这些非财务因素纳入投资组合配置后，对组合的风险与收益特征究竟产生何种影响，仍是一个备受争议的问题。已有大量文献探讨了企业ESG表现与财务绩效之间的关系，多数研究发现二者呈正相关，但较少研究从投资组合配置的角度出发，系统考察在均值-方差框架中加入ESG约束后有效前沿的移动方向和幅度。本研究的目标正是填补这一空白。具体而言，作者选取了两类可持续性度量指标：一是ESG评级，作为对公司整体ESG表现的综合测度；二是温室气体排放强度（GHG intensity），作为与气候变化直接相关的环境指标。作者分别在欧洲市场（STOXX Europe 600指数成分股）和美国市场（Russell 1000指数成分股）中，实证分析在投资组合配置中加入这些指标约束后，组合的风险、收益和集中度等特征如何变化。

研究的整体工作流程可分为三个主要部分。第一部分是建立统一的资产配置框架，以标准的Markowitz均值-方差模型为基础，不允许卖空。作者在该基础框架上引入ESG约束，提出了三种纳入可持续性指标的方法。第一种是约束型均值-方差组合（constrained mean-variance portfolios），即在传统二次规划中加入组合整体的ESG或GHG强度约束，求解不同目标收益下的有限制有效前沿。第二种是绿色-方差组合（green-variance portfolios），该方法抛弃目标收益约束，转而将可持续性目标作为约束条件，在给定ESG或GHG强度目标下最小化组合波动率，也可额外加入最低收益下限。第三种是最相似约束组合（most similar constrained portfolios），该方法通过最小化与基准组合（如最小方差组合）权重的欧氏距离，寻找满足可持续性约束且对原组合扰动最小的配置方案。此外，由于均值-方差模型对收益均值和协方差矩阵的估计误差高度敏感，作者采用了Michaud重抽样方法（Michaud optimization）来处理参数不确定性问题。该方法通过在历史收益数据基础上多次抽样产生人工收益序列，对每一组参数估计分别求解优化问题，最终对所有得到的权重取平均，从而得到更稳健的配置结果。

第二部分是围绕ESG评级数据展开的实证分析。作者使用的ESG评分由MSCI ESG Research提供，该评分基于37个ESG关键议题的原始得分与行业权重加权平均计算得出，分值范围在0到10之间。数据报告日期为每年3月、6月、9月和12月。在欧洲市场研究中，投资范围限定为同时具备历史收益数据和ESG评分数据的552只STOXX Europe 600成分股，预期收益与协方差矩阵基于2017年9月10日至2019年9月10日的日度收益数据估计。作者构造了无约束有效前沿，并分别在组合ESG评分下限为6至8（绿色约束）和上限为2.75至5（棕色约束）的条件下，计算出受约束的有效前沿。结果显示，温和的ESG约束对有效前沿影响不大，只有当要求的ESG评分超过7时，前沿才会显著下移。此外，绿色最小方差组合的预期收益在温和约束下略有上升，而棕色最小方差组合的预期收益在约束较强时先下降后上升。组合集中度用有效成分数（effective number of constituents, ENC）衡量，结果发现，更强的ESG约束通常导致更集中的组合。绿色前沿的分析显示，将最小方差组合的ESG评分从5.54提升至6仅需要增加9个基点的波动率，但当目标评分超过7时，组合波动率明显上升且预期收益下降。最相似组合方法得到的前沿不如约束型前沿平滑，且其波动率通常更高，但集中度更低。

在策略回测部分，作者定义了两种ESG投资策略：最小方差策略和最高相似度策略，并加入全球行业分类标准（GICS）中十一个行业的权重约束，使各策略的行业配置与无约束最小方差组合一致。回测期间为2009年12月至2019年12月，季度调仓，采用两年历史窗口估计参数。ESG约束相对于当日最小方差组合的ESG评分和当日全市场ESG评分区间动态设定。结果显示，在欧洲市场，绿色策略与基准最小方差策略的累计收益非常接近，而棕色策略收益更高。棕色最小方差策略的最大回撤是所有策略中最小的，其Sortino比率也最高。分年度来看，棕色策略的超额收益主要来自第二、第三和第六年；若从2015年12月重新开始回测，绿色策略的风险调整收益在2019年4月之后反而超过棕色策略。在美国市场，回测范围包含914只Russell 1000成分股，平均ESG评分低于欧洲市场。绿色约束越强，最小方差组合的预期收益反而单调上升，这与欧洲市场的结果不同。策略回测显示，绿色最小方差策略表现低于基准，但最相似绿色策略收益更高；棕色策略仍然整体优于基准。此外，作者还讨论了评级机构分歧问题，使用Sustainalytics的ESG评分（基于163个指标，分值0到100）对Euro STOXX 50成分股进行对比分析，结果发现使用不同评级机构的数据会显著影响策略的风险与收益表现，说明ESG评级数据的选择对投资结果具有实质性影响。

第三部分是围绕温室气体排放强度展开的实证分析。GHG强度定义为范围1和范围2的二氧化碳当量排放量（吨）除以公司销售额（百万欧元）。数据同样由MSCI ESG Research提供，但排放数据每年更新一次，因此组合每年调仓一次，回测期间为2009年6月至2019年12月。作者参照欧盟技术专家组关于气候基准的报告，设定了三档排放约束：气候转型基准（CTB）要求组合GHG强度不超过参考组合的70%，巴黎对齐基准（PAB）要求不超过50%，棕色组合要求不低于150%。同时，作者加入了GICS行业权重约束和NACE高气候影响行业暴露约束，以防止组合通过低排放行业“漂绿”。每种策略又分为最小方差、最相似于最小方差和最相似于等权重三种构建方法。结果发现，在欧洲市场，以最小方差组合为参考时，绿色和棕色约束对组合累计收益影响很小，但绿色约束下的最大回撤略有改善，而棕色约束下回撤更严重。以等权重组合为参考时，绿色和深绿色约束显著降低了波动率并提高了收益，棕色约束则相反。在美国市场，以最小方差组合为参考时，所有GHG约束策略的累计收益均高于基准，其中棕色约束策略收益最高；但绿色和深绿色约束带来的额外收益幅度因策略类型而异。六个月的滚动波动率分析显示，GHG约束对波动率的影响通常有限，周期性的波动率超额主要出现在回测初期。

本研究的核心结论是：无论使用ESG评级还是GHG强度作为可持续性度量指标，在均值-方差框架中加入组合层面的可持续性约束，并不会必然导致收益下降或风险上升。ESG评级数据的分析结果并不支持高ESG评分组合具有明显更高收益的结论，但绿色组合也没有出现系统性的业绩恶化。GHG强度的分析进一步表明，减少排放的组合并不一定承担更高风险或蒙受更低收益，在某些参考组合和市场中，减排目标甚至有助于改善风险调整收益。此外，研究还揭示：ESG评级机构的选择对结果有不可忽视的影响；排放约束的效果与参考组合的排放水平密切相关；行业暴露约束对于防止组合通过低排放行业漂绿至关重要。

本研究的主要贡献与亮点在于：第一，从组合配置层面而非个股层面系统评估了ESG约束对有效前沿和实际策略表现的影响；第二，同时考虑了ESG综合评级和GHG排放强度这两类不同性质的可持续性指标，并对比了欧洲与美国两个市场的差异；第三，引入了最相似组合构建方法和Michaud重抽样方法，提高了研究结论的稳健性和实用性；第四，明确展示了ESG评级机构分歧对投资结果的实质性影响，为后续研究和实务操作提供了重要警示；第五，为欧盟气候基准（CTB和PAB）的实施提供了基于历史数据的量化证据，对政策制定者和机构投资者具有借鉴价值。