本文探讨了ESG投资策略，旨在将ESG因素融入传统投资组合理论。研究通过两种降维方式处理ESG与投资收益的关系，并构建了基础ESG策略和进阶ESG策略。研究发现，结合DeepSeek模型，利用ESG得分和舆情监督可以显著提升投资组合的收益和夏普率。研究还强调了模型过拟合、数据口径调整和AI推理不稳健性等风险。

💡ESG投资策略的核心在于将ESG因素融入传统投资组合，将二维的收益率和波动率问题转化为三维问题，并采用降维方法简化问题。

📈研究采用了两种降维方式：一是加入ESG约束，牺牲夏普率以提升ESG表现；二是将夏普率与ESG得分结合，优化目标为给定夏普率条件下ESG得分最大化，并通过负向化处理ESG指标。

📊研究构建了基础ESG策略，按月度有效前沿曲线最“陡峭”的点构造投资组合，该策略收益优于传统指数。进阶ESG策略则利用DeepSeek重构ESG得分，并按照得分分配权重，显著提升了年化收益率和夏普率。

🔍利用DeepSeek构造漂绿ESG策略，通过舆情监督和负面清单调整投资组合权重，进一步提升了投资组合的收益和夏普率。

　　核心观点 　　 ESG投资理念逐渐被主流投资机构认可， 在传统马科维茨投资组合理论中加入ESG维度， 问题由波动率、收益率二维曲线问题转换成三维曲面问题， 问题变得复杂而棘手。 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。 　　第一种加入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。 在第二种方式中， 首先发现夏普率与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。 绘制不同公司负向ESG得分热力图， 可以发现利用不同公司间ESG相关性可以有效降低组合非“系统性ESG负向得分”， 这一部分是不被定价的， 需要我们通过多元化投资分散。 　　构造基础ESG策略： 在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。 　　利用DeepSeek构造进阶ESG策略， 重构ESG得分， 按照ESG得分分配投资组合的权重， 发现相比基础ESG策略， 年化收益率从6.7%提升至22.4%。 夏普率从5.33提升至8.13。 　　利用DeepSeek构造漂绿ESG策略， 联网检索新闻网站进行舆情监督， 结合文献识别漂绿嫌疑标的， 通过智能打分构建上市公司负面清单， 进而调整投资组合权重， 发现改进后组合相比基础ESG策略， 年化收益率从6.7%提升至38.7%， 夏普率从5.33提升至13.47。 　　风险提示： 模型过拟合风险； 数据口径调整风险； AI推理的不稳健性。