《研究在国际商业与金融》（Research in International Business and Finance）2023年第66卷关于亚太股市ESG整合智能贝塔策略表现的学术研究报告
一、 研究团队与发表信息 本研究由马来西亚厦门大学的 Yeng-May Tan（陈盈盈，通讯作者）与 Yew-Hei Sii，以及摩洛哥阿卡韦恩大学的 Kenneth Szulczyk 共同完成。论文于2023年5月30日在线发表在国际学术期刊《研究在国际商业与金融》（Research in International Business and Finance）上，文章编号为102008，并采用知识共享许可（CC BY 4.0）开放获取。
二、 学术背景与研究目标 本研究隶属于金融学，特别是可持续投资（Sustainable Investing）和因子投资（Factor Investing）交叉领域。核心探讨的问题是：投资者在践行“行善”（doing good）——即进行环境、社会和治理（Environmental, Social, and Governance, ESG）投资时，能否同时“获利”（doing well），获取优于或至少不逊于传统投资的财务回报？尽管全球ESG投资规模增长迅速，但学术界对此问题尚未形成定论。
研究的动机主要体现在四个方面：第一，亚太地区是全球经济增长的引擎，但其ESG投资实践落后于北美和欧洲，该区域为投资者提供了不同的风险回报特征，且ESG投资可能激励亚太公司进行改革。第二，亚太地区对全球气候变化影响巨大，碳排放和能源消耗占比较高，环境挑战严峻。第三，该区域在应对气候风险的同时也蕴藏着巨大的可持续发展投资机会。第四，有研究表明ESG投资在非美国市场可能更具盈利潜力，但亚太投资者因信息与知识不足，在决策中可能较少考虑ESG因素。
因此，本研究的具体目标在于：利用公司层面的月度ESG数据，结合正向筛选和智能贝塔（Smart Beta）投资方法，系统评估澳大利亚、中国大陆、中国香港、马来西亚和新加坡五个亚太股票市场中，基于ESG的股票投资组合与传统（非ESG）智能贝塔投资组合的业绩表现，旨在为“ESG投资是否能带来超额回报”这一持续争论提供来自亚太市场的新证据。
三、 详细研究流程与数据处理 本研究的工作流程严谨，主要包括数据收集、投资组合构建、业绩衡量和稳健性检验四个主要环节。
环节一：数据来源与处理 1. 研究对象与样本期：研究涵盖了五个亚太股票市场——澳大利亚、中国大陆、中国香港、马来西亚和新加坡。主要研究期间为2017年1月至2021年2月（马来西亚为2017年3月至2020年12月），数据频率为月度。 2. 核心数据：所有数据均来自彭博（Bloomberg）数据库。 * ESG数据：核心ESG评分数据来源于彭博集成的第三方专有数据库Arabesque S-Ray。该数据库的独特性在于其每月更新的频率，弥补了发展中国家市场高频ESG数据的不足。S-Ray评分综合了基于报告的数据、基于新闻的争议事件和基于非政府组织（NGO）的活动数据，通过自然语言处理（NLP）等技术，最终生成涵盖环境（E）、社会（S）、治理（G）三大支柱及其下22个具体议题的综合评分，分值范围为0-100。 * 财务与市场数据：包括个股月收益率、市场指数收益率、风险无风险利率、市值、财务比率（如销售价格比、盈利价格比、现金流价格比）、资产收益率（Return on Asset, ROA）以及股票的历史波动率等。 3. 数据处理：使用Python将每家公司每月的ESG数据与对应的财务数据进行合并。季度数据（如ROA）通过在同一季度内重复月度数值转化为月度数据。缺失数据使用最近可用月度数据进行插值处理。根据各市场样本量大小，澳大利亚、中国大陆和马来西亚的股票按因子排序分为五等分（Quintiles），中国香港和新加坡则分为四等分（Quartiles）。最终，每个等分组每月平均包含的公司数量从16家（新加坡）到63家（澳大利亚）不等。
环节二：投资组合构建策略（整合正向筛选与智能贝塔） 本研究采用一个三步法来构建和评估投资组合：股票筛选、组合加权和回溯测试。 1. 筛选因子（Descriptors）：研究测试了多种筛选因子，分为ESG主题因子和传统智能贝塔因子两类。 * ESG因子：包括总ESG评分（ESG）、环境评分（Env）、社会评分（Soc）、治理评分（Gov），以及一个复合因子——ESG价值（ESG Value）。ESG价值是ESG评分与价值因子的标准化平均值。 * 传统智能贝塔因子： * 价值（Value）：由销售价格比、盈利价格比和现金流价格比三个指标的标准化分数（Z-Score）平均而成，并剔除了行业偏差。 * 质量（Quality）：以资产收益率（ROA）代表，同样进行行业标准化处理。 * 低波动（Low Volatility）：以股票过去六个月的收益波动率（波动性）衡量，旨在选择波动率最低的股票。 * 规模（Market Cap）：作为对照因子，按市值大小筛选。 2. 组合构建与再平衡：在每个月底，根据选定的因子对所有股票进行排序。对于除低波动外的所有因子，选择排名最高的前20%（五等分）或25%（四等分）的股票构成“高评分组合”（High-portfolio），排名最低的构成“低评分组合”（Low-portfolio）。对于低波动因子，则是选择波动率最低的股票构成组合。构建的组合采用两种加权方式：等权重（Equal Weight） 和因子权重（Factor Weight）。因子权重根据每只股票在目标因子上的具体评分来确定权重，评分越高权重越大（低波动策略相反）。所有组合均按月进行再平衡。
环节三：业绩衡量与对比基准 组合业绩主要通过两种方式衡量：超额收益（Excess Return） 和风险调整后收益（CAPM Return）。 1. 收益计算：个股超额收益为原始收益减去该国当月的无风险利率。投资组合收益为组合内个股收益的加权平均。 2. 风险调整：采用资本资产定价模型（Capital Asset Pricing Model, CAPM）来计算经市场风险调整后的收益，其α（alpha）值反映了超越市场基准的超额收益。 3. 对比分析：研究进行了三个层面的对比： * 高评分组合 vs. 低评分组合：检验高ESG评分组合是否显著优于低评分组合。 * 高评分组合 vs. 市场指数：检验高ESG评分组合是否能跑赢市场大盘。 * ESG策略 vs. 传统智能贝塔策略：比较ESG策略与传统价值、质量、低波动等策略的业绩差异。
环节四：稳健性检验 为确保研究结果的可靠性，作者进行了两项重要的稳健性检验： 1. 双重排序（Double Sorting）：在按ESG评分排序前，先按公司市值大小将股票分为大盘股和小盘股两组，再在各组内构建高ESG评分组合，以控制公司规模对回报的潜在影响。 2. 替代ESG数据源：除了核心使用的Arabesque S-Ray数据，研究还使用了Refinitiv和Bloomberg自身提供的ESG评分数据库，重复了整个分析流程，以验证结论是否因数据源差异而改变。
四、 主要研究结果及其逻辑关系 结果一：高ESG评分组合并未持续优于低ESG评分组合，甚至表现更差。 在对高评分与低评分组合的直接比较中（表5，Panel A），发现： * 超额收益：在澳大利亚、香港、马来西亚和新加坡，基于总ESG评分的高评分组合的超额收益均低于低评分组合，其中新加坡的负超额收益显著为负（-35.59%，t=-3.16）。中国大陆是唯一的例外，高ESG组合获得了显著为正的超额收益（12.30%，t=1.46）。 * 风险调整后收益（CAPM α）：当考虑市场风险后，形势发生逆转。除了香港有微弱的正差异外，所有市场的高ESG组合的风险调整后收益均低于低ESG组合，尽管统计上不显著。 这意味着，即使高ESG组合的超额收益看似不错（如中国大陆），这部分收益也大多可被市场系统性风险所解释，并未产生显著的异常回报（Alpha）。这个结果直接挑战了“高ESG带来更高风险调整回报”的流行观点。 * ESG各支柱分析：将ESG拆解后发现，环境（Env）评分是拖累高ESG组合表现的主要因素。在多数市场，高环境评分组合的超额收益和风险调整收益均为负值，且在某些情况下显著（如新加坡）。社会（Soc）和治理（Gov）评分组合的表现略好，但仍无系统性优势。ESG价值（ESG Value）复合因子的表现与总ESG评分类似。
结果二：高ESG评分组合普遍跑赢市场指数，但与传统智能贝塔策略相比并无优势。 在将高评分组合与市场基准比较时（表6），发现： * 风险调整后表现：所有五个市场的各类高ESG评分组合（ESG, Env, Soc, Gov, ESG Value）风险调整后收益（CAPM α）均为正数，其中马来西亚的组合α值最高（例如治理组合年化α达6.77%，t=2.42），且多个结果在统计上显著。这表明，投资高ESG股票可以为投资者提供超越市场基准的回报。 * 与传统策略对比：然而，当将ESG策略的业绩与传统智能贝塔策略（表6，Panel B）并列比较时，关键发现显现：高ESG组合的优异表现并非独有。 传统的低波动（Low Volatility）策略和规模（小市值）策略同样产生了显著为正且经济意义可观的风险调整后α。例如，澳大利亚和马来西亚的小市值策略α显著为正；香港的低波动策略α显著为正。对比之下，ESG策略的α值与这些传统因子策略的α值差异不大。这说明，ESG投资虽然能战胜市场，但其“阿尔法”可能并非源于ESG特质本身，而是与其他已知的有效因子（如低波动、小规模）的表现相关联或重叠。
结果三：在所有测试因子中，低波动（最小方差）策略表现最佳。 这是本研究一个非常明确且稳健的发现（表5，Panel B）。基于过去六个月低波动率构建的组合，在多个市场都产生了显著的正向超额收益（如中国大陆）和风险调整后收益（如香港），且其表现优于大多数ESG单因子策略。这印证了资产定价理论中低风险异象（Low-Volatility Anomaly）在亚太市场的存在。
结果四：稳健性检验支持核心结论。 1. 双重排序结果表明，在控制规模后，小盘股中的高ESG组合风险调整后收益普遍更高，这符合小市值效应的普遍规律，并未改变ESG因子本身的相对表现结论。 2. 使用Refinitiv和Bloomberg ESG数据重复分析，得到了与使用Arabesque S-Ray数据基本一致的结论：即高ESG评分组合并未持续优于低评分组合。这增强了研究结论的可靠性，表明核心发现不太可能是由某个特定ESG数据库的评分偏差所导致。
五、 研究结论与价值 本研究的主要结论是：在2017年至2021年初的研究期内，对于澳大利亚、中国大陆、中国香港、马来西亚和新加坡这五个亚太市场而言，没有明确证据表明投资于高ESG评级的公司能够获得比投资于低ESG评级公司更优越的风险调整后回报。 尽管高ESG投资组合总体上能够跑赢市场指数，但其表现与基于传统因子（如低波动、小市值）构建的智能贝塔投资组合表现相当，并未显示出独特的超额收益能力。
科学价值与应用意义： 1. 对学术争论的贡献：本研究为“ESG是否溢价”的全球性辩论提供了来自关键亚太市场的、基于高频公司层级数据的最新证据。结果表明，在该区域，ESG信息的财务价值可能已被市场充分认知并定价，因此难以获得超额收益，这支持了市场有效性的观点，并与部分认为ESG投资无额外财务优势的研究结论一致。 2. 对投资者的实践指导：研究提醒亚太地区的ESG投资者，不应想当然地期望高ESG投资必然带来更高的财务回报。如果投资者的主要目标是“行善”，那么可以投资高ESG组合，且长期来看其风险调整后回报至少不逊于市场。但如果投资者的核心目标是“获利”并寻求超额回报，那么可能需要将ESG因子与其他已被验证有效的因子（如低波动）结合，或更关注传统的智能贝塔策略。研究明确指出了低波动策略在该地区的优异表现，具有直接的投资策略参考价值。 3. 方法论贡献：研究创新性地将月度频率的专有ESG数据（Arabesque S-Ray）与智能贝塔投资框架相结合，进行了多因子、多市场、多权重的系统化回测，并进行了严格的数据源稳健性检验，为后续相关研究提供了可复现的方法论范例。
六、 研究亮点 1. 重要的反直觉发现：研究没有简单支持“ESG带来更好回报”的乐观叙事，而是基于数据给出了审慎甚至略显负面的结论，揭示了在亚太市场，ESG的“财务溢价”可能尚未显现或已被定价，这对追捧ESG投资的业界和学术界具有重要的警示和启发意义。 2. 研究对象的特殊性与全面性：聚焦于在全球ESG投资版图中地位日益重要但研究相对不足的亚太市场，覆盖了发达市场（澳大利亚、新加坡、香港）和新兴市场（中国大陆、马来西亚），提供了更全面的国际证据。 3. 数据与方法的创新性：率先在学术研究中大规模应用高频（月度）、人工智能驱动的Arabesque S-Ray ESG数据库进行公司层级分析，并结合了因子投资的先进方法（智能贝塔），增强了研究的时效性和精细度。 4. 严谨的交叉验证：不仅使用主流ESG数据库进行了稳健性检验，还深入分析了ESG各子支柱（E、S、G）的独立表现，并进行了规模控制的双重排序，使结论更加坚实可靠。 5. 明确的策略比较：研究没有孤立地看待ESG策略，而是将其置于与传统有效因子的直接对比中，从而更清晰地揭示了ESG策略的相对业绩定位，结论更具实践洞察力。
七、 其他有价值的补充 论文在讨论部分引用了Pástor等人（2021）和Pedersen等人（2021）的理论来解释其发现：当越来越多的投资者偏好ESG资产并推高其价格后，预期回报便会下降至均衡水平。本研究结果暗示，在除中国大陆外的其他四个亚太市场，ESG信息可能已被市场较多吸收，因此高ESG股票的额外回报有限。同时，研究也承认了其局限性，即样本期相对较短（约4-5年），且各市场ESG数据覆盖的公司数量有限，这为未来研究留下了扩展空间。