AI赋能资产配置（九）：DeepSeek打造ESG有效前沿

核心观点

ESG投资理念逐渐被主流投资机构认可，将ESG维度加入传统马科维茨投资组合理论，问题由波动率、收益率二维曲线转换成三维曲面问题。本文采用两种降维方式：一是在投资组合中加入ESG约束，二是将波动率、收益率合成夏普率，与ESG构成二维曲线问题。

关键数据和研究结论

1. ESG约束影响有效前沿：加入ESG约束会改变投资组合的有效前沿，牺牲投资夏普率换取ESG表现的提升。
2. 夏普率与ESG负相关：研究发现夏普率与ESG得分负相关，优化目标为给定夏普率条件下，ESG得分最大化。因此需要将ESG指标进行负向化处理。
3. 基础ESG策略：每月第一天按照当月有效前沿曲线最“陡峭”的点构造投资组合，持有至月末，发现收益好于传统的上证50指数和50等权指数。ESG策略（年化收益率为6.7%，夏普率为0.32）>50等权>上证50指数。
4. DeepSeek进阶ESG策略：重构ESG得分，按照ESG得分分配投资组合的权重，年化收益率从6.7%提升至22.4%，夏普率从5.33提升至8.13。
5. DeepSeek漂绿ESG策略：联网检索新闻网站进行舆情监督，识别漂绿嫌疑标的，构建上市公司负面清单，改进后组合年化收益率从6.7%提升至38.7%，夏普率从5.33提升至13.47。

DeepSeek赋能ESG投资范式

1. 重构ESG指标：利用DeepSeek对环境、社会、公司治理三维度及行业指标进行K-means聚类和主成分分析，重构ESG得分，发现各行业ESG得分提升明显，行业间差距收窄。
2. 漂绿识别：参考相关文献，结合新闻网站检索，通过DeepSeek智能定义和识别漂绿行为，构建负面清单，调整投资组合权重，提升策略表现。

总结与展望

传统ESG策略相比等权策略收益和夏普略有提升。利用DeepSeek重构ESG得分和识别漂绿行为，可显著提升策略表现。未来可对企业的漂绿行为嫌疑进行事前识别（如企业透明度高、代理成本低、低污染、高管薪酬低、内部监督完善的企业）和事后防范（积极介入公司管理，建议管理层和股东修正漂绿行为）。

风险提示

1. 模型过拟合风险。
2. 数据口径调整风险。
3. AI推理的不稳健性。