论文摘要
文献来源：Je?re?miAssael,LaurentCarlier,andDamienChallet."ESGfeaturesexplainonebitofidiosyncraticpricereturns."
?????本文系统性地研究了股价表现和ESG特征之间的联系。我们提出了公司层面的随机交叉验证机制，该机制能够弥补原始ESG数据数量和质量上的不足，同时保证我们可以使用最新最好的数据去训练和验证模型。提升树(BoostedTrees)模型成功地解释了股票收益中的一小部分传统市场因子未能解释的收益。我们通过基准特征检查，确认ESG特征的确包含了市场基础特征以外的信息。与股价相关性最高的ESG特征为争议事项特征。最后我们发现，ESG得分对小市值和大市值公司的股价表现有相反的影响：大市值公司股价与ESG得分正相关，小市值公司股价则与ESG得分负相关。
模型及结果
ESG投资ESG投资是根据公司在环境、社会和治理方面的表现进行投资。这项投资目前吸引了越来越多的投资者，投资可能会进一步增加ESG得分高的公司的价值，甚至会吸引不具备ESG意识的投资者，从而为投资者和ESG高得分的受益者开启一个良性循环。这也将成为一个有影响力的成功投资，投资者在获得特定回报水平的同时对环境或社会也产生了积极的影响。之前研究中发现的问题从定量的角度分析，Friedeetal.()汇总了超过多项的研究结果：其中90%的研究表明ESG与企业财务绩效指标之间存在着非负关系，大部分表现出积极的结果。但是在最近的研究中，CornellandDamodaran();Breedtetal.();DeFrancoetal.()得出了不太明确的结论。
ESG数据面对的主要问题?数据在年前相当稀少
?数据通常每年更新一次
?数据的计算方式经常随着时间发生变化，并且可能取决于公司披露数据的方式
?人的主观性可能在很大程度上影响分数的计算
数据说明?股票范围：Refinitiv中欧洲或依赖欧洲领土的上市公司
?数据成分：每日收盘价（根据股息和外汇汇率进行调整），市值，Fama-French市场，规模和价值因素，无风险利率，RefinitivESG数据
?数据来源：法国巴黎银行内部数据源，在线法语数据库(FamaandFrench，)
ESG得分是使用Refinitiv()中解释的有据可查的方法构建的。每个ESG分数都介于0和1之间，1为最好。欧洲ESG数据包含ISIN唯一标识的家公司的个样本。
模型定义?
多因子模型：ri,t为资产i的回报率，rf,t是无风险利率，Fk,t是因子k在时间t的值，wi,k是因子载荷。在此研究中，我们使用CAPM模型及其拓展，即Fama-French三因子模型，包括市场（rm）、规模（SMB）和价值（HML）因子。
?
机器学习模型：Yi,t定义了两个类，可以采用两个值。因此，对于每一对可能的(i,t)组，其中存在一个具有D个潜在解释因素的向量，在下文中我们称为特征。通过索引m∈{1,…,n}重新标记所有的(i,t)组。分类问题的关键在于用具有D个部分的Xm向量来解释Ym。Y称为目标，X称为特征矩阵。
?
Log-loss模型：Log-loss模型经过训练以最小化交叉熵（成本函数）,其中pi是样本i属于类别1的模型概率，yi是真实类别。这种类型的损失隐含地假设两个真实类在训练集中出现的频率大致相同，即51.7%的样本属于1类，48.3%的样本属于0类。
训练特征RefinitivESG数据集包含多个粒度级别。我们选择使用附录A中描述的10个支柱分数（资源使用、排放、创新、劳动力、人权、社区、产品责任、管理、股东、企业社会责任战略）和总的争议分数来训练我们的模型。我们在第1、2和3级添加了五个非ESG特征（市值、注册国家和TRBC部门）。
目标计算将单个数据拆分为连续的训练、验证和测试数据集的常规策略可能并不完全适合当前ESG数据特征。于是尝试了K-fold
联系电话：