AI赋能资产配置(九)：DEEPSEEK打造ESG有效前沿

　　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。