AI赋能资产配置（二）AI重塑ESG投资范式

核心观点 策略研究·策略专题 AI技术显著提升了ESG数据收集与评分的效率及精准度。人工智能（AI）技术的快速发展，正通过数据整合、策略优化和治理透明化等，重构ESG投资范式，为可持续金融注入新动能。传统ESG数据存在来源分散、非结构化、更新滞后等痛点，而AI通过自然语言处理（NLP）、计算机视觉（CV）和智能文档处理（IDP）等技术，实现了从年报、新闻、社交媒体等多源数据中自动化提取结构化信息。例如，Altilia智能自动化（AIA）平台利用混合AI范式，结合深度学习与持续学习，将非结构化文本转化为可分析的ESG指标。同时通过物联网（IoT）、区块链等技术，可以增强数据的实时性与可信度，为动态化、跨区域的ESG评分提供了技术基础。 证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001 基础数据 中小板/月涨跌幅(%)6599.38/4.87创业板/月涨跌幅(%)2170.39/5.16AH股价差指数133.62A股总/流通市值(万亿元)113.58/102.17 AI通过情感分析、负向筛选和动态组合管理，优化了ESG投资策略。基于FinBERT等金融领域专用模型，AI可分析消费者情感与市场动态，预测企业ESG表现，准确率高达91.76%。同时，NLP技术快速识别ESG争议企业，结合行业特性提升筛选效率。在投资组合管理中，AI通过实时数据分析、多目标优化和情景模拟，动态调整资产配置，平衡财务回报与ESG目标。 资料来源：Wind、国信证券经济研究所整理 AI技术通过自动化报告与利益相关者互动，强化了ESG治理的透明度与问责。借助NLP和自动化工具，AI从海量非结构化数据中提取关键ESG指标，生成实时报告并监测公众情绪。聊天机器人与可解释AI技术不仅简化了信息披露流程，还增强了模型决策的可追溯性。此外，AI风险评估工具可识别合规异常与潜在ESG风险，推动企业采取更负责任的行为，为投资者提供可信的决策支持。 相关研究报告 《价格全方位多维跟踪体系（2025年第二期）-上游价格回暖，科技浪潮驱动镍锡需求》——2025-02-25《资金跟踪与市场结构周观察(第五十四期)-个股层面赚钱效应继续分化》——2025-02-25《策略周思考-科技成长“关键三问”》——2025-02-24《估值周观察(2月第3期)-科技成长乘势而上》——2025-02-22《全球ESG资金追踪表（2025年第二期）-国内ESG股基大幅增配科技》——2025-02-21 AI与ESG的深度融合，正在重塑可持续投资的评估框架与执行路径。尽管存在数据偏见、算法透明度等挑战，AI技术通过高效数据处理、策略创新和治理赋能，为投资者提供了兼顾财务回报与社会价值的解决方案。未来，随着技术迭代与跨领域协作的深化，AI将加速推动ESG投资从理论到实践的规模化落地，助力全球可持续金融目标的实现。 风险提示：历史复盘对未来指引有限，资本市场政策出现调整，技术算法存在模型偏差，文中个股仅作数据梳理，不构成投资推荐意见。 内容目录 1.1数据整理的自动化与标准化..........................................................41.2ESG评分的精准性与动态化..........................................................5 2.1基于情感分析模型的ESG评分预测....................................................82.2负向筛选效率的提升...............................................................102.3投资组合管理优化与绩效提升.......................................................11 3.治理透明度的增强与问责机制................................................14 3.1提升ESG报告透明度...............................................................143.2促进利益相关者参与...............................................................143.3强化ESG合规与问责...............................................................14 参考文献.....................................................................15 风险提示.....................................................................16 图表目录 图1：Altilia智能自动化（AIA）平台的ESG数据收集方法......................................5图2：AIA抓取实验的数据点量...............................................................5图3：AIA抓取实验结果.....................................................................5图4：ArchanaSaxena等的ESG研究框架......................................................6图5：ESG的物联网框架.....................................................................6图6：ESG的AI应用流程....................................................................7图7：金融情绪分析研究论文的比较分析......................................................9图8：环保和非环保产品的情绪分类流程和ESG影响...........................................10图9：负面情感：ESG和环境得分............................................................10图10：正面情感：ESG和环境得分...........................................................10图11：上市公司基线模型回归结果..........................................................11图12：上市公司行业模型回归结果..........................................................11图13：非上市公司基线模型回归结果........................................................11图14：非上市公司行业模型回归结果........................................................11图15：受三领域影响的各行业市场变化百分比................................................12图16：网络理论与动态资产定价中E、S和G的相互连接性.....................................13图17：网络理论与动态资产定价中E、S和G的方向性影响.....................................13图18：核心证券的市场特征和因子弹性估计..................................................13 环境、社会和治理（ESG）指标是衡量可持续、负责任投资的关键领域。随着技术的进步，土壤、水污染、气候变化、空气污染、生物多样性丧失和自然资源过度使用等若干相互关联的环境问题已经恶化。近年来，全球对于环境、社会和治理（ESG）相关风险的认识不断增强，非财务因素在投资决策中的重要性日益凸显。随着技术的进步，对环境的关注成为焦点，生物技术和健康产业的投资变得更加热门，同时，新的投资决策也在逐步淘汰或撤资那些不符合可持续发展要求的企业。而人工智能（AI）技术的快速发展，正通过数据整合、策略优化和治理透明化等手段，重构ESG投资范式，为可持续金融注入新动能。 1.AI赋能ESG评分评级体系 当前ESG数据的质量和一致性面临显著挑战。尽管标准化数据至关重要，但现有的信息却分散在多个来源中。数据来源主要分为两类：主要数据源和次要数据源。主要数据源包括公司自行报告的ESG数据（如公司网站、年度报告和可持续性报告等）、第三方ESG数据（例如非政府组织或政府网站及报告），以及实时ESG信号（如新闻、社交媒体和公司评论等）。次要数据源则是ESG数据供应商，他们负责从主要数据源手动收集、整理和分析ESG属性。主要数据源通常将ESG数据锁定在高度非结构化的文本和文档中，而次要数据源则存在速度慢、不及时，且只为部分企业提供有限的手动构建的ESG数据子集的问题。 此外，缺乏统一的分类标准也是一个问题。随着投资者在不同行业间转移，ESG因素不断演变，其定义也随之变化。ESG因素在不同地区和时间上的再现性较差，部分原因是地区间数据的差异以及数据记录方式的演变。同时，某些因素的实际效果可能与预期存在差异。 1.1数据整理的自动化与标准化 传统工作方式中，数据分析师完成数据收集工作，同时肩负数据的预处理和分析。这一过程不仅耗费大量人力资本，而且非常耗时，在执行任务时出错的可能性也较高。人工智能（AI）的进步使得自动化处理复杂任务变得前所未有地快速和高效，从而彻底改变了公司处理数据的方式。人工智能（AI）和智能文档处理（IDP）技术能够大规模地提取、过滤和结构化关键数据，这些数据被评级机构、业务分析师、投资者等广泛使用。IDP利用基于深度学习的计算机视觉和语言模型等AI技术，对从各种文档格式中提取的相关信息进行分类、提取和验证。 FrancescoVisalli等1提出了一种基于Altilia智能自动化（AIA）平台的ESG数据收集方法。该方法能够从包括年度报告、可持续性报告、财务报表附注、新闻、非政府组织报告以及通过网页抓取技术获得的公司网站等多种文档和内容中收集数据。AIA平台基于混合和自适应AI范式，利用深度学习算法进行计算机视觉（CV）和自然语言处理（NLP）。特别是结合了大型语言模型、Human-In-The-Loop、持续学习、知识表示方法来实现机器阅读理解技术，将非结构化文档转化为结构化数据，并提供许多不同的ESG相关问题的答案。具体来看，AIA平台通过数据收集、摄取、识别与提取、验证和使用等步骤，构建了一个端到端的ESG数据收集工作流程。 此外，AIA平台通过利用人工智能技术，特别是深度学习算法，自动化理解和处理复杂及非结构化数据源的业务流程。它提供了一个低代码的云界面，使业务专家能够通过训练AI模型并将这些模型整合到工作流程中，来自动化提取相关的ESG数据。平台能够处理包括PDF、图像文档、纯文本、表格结构和网页等在内的多种格式和布局的文档，并从这些文档中提取和分析数据点，如公司描述、行业代码、绿色产品信息、非可再生能源使用情况、效率倡议和环境认证等。 1.2ESG