潘佳祥 董傲坤 鲍一丹

摘 要：随着绿色可持续发展概念的推广与绿色金融产业的发展，ESG投资作为绿色金融体系中的重要组成部分，近年来广受关注。本文综合利用Eviews、SPSS、Python，选取汤森路透数据库中ESG相关指数与标的市场指数数据，以发达地区为例，建立AR模型、TGARCH模型、VAR模型，并进行模型估计与检验，得到ESG投资市场在历史价格对未来价格的影响方面，以及对利好利空消息的非对称性反应方面与传统投资市场相似的结论，并得到ESG投资市场与传统市场的具体关联性表达式，能够为ESG市场投资者提供一定帮助。

关键词：ESG投资 ; AR模型 ;VAR模型 ;TGARCH模型;Eviews

1.研究背景

随着全球气候变化的影响逐渐显现，世界各国逐渐达成共同应对气候变化的共识，并且我国也在十四五规划中提出绿色低碳发展战略，推动经济社会发展全面绿色转型。面对绿色发展的趋势，绿色金融的概念因时而生。在绿色金融体系中，ESG总指数反映企业可持续发展的情况，能够作为社会责任投资的参考指标。相比于传统评价体系，ESG指数能够从对环境、社会责任与公司治理三方面来评价企业的情况，为投资者提供参考。由于我国金融市场为正处于转型经济的新兴市场，在ESG投资市场研究起步较晚，相关理论发展还未完善，所以本文针对责任投资ESG市场与传统市场的关联性问题进行探究，为ESG投资领域理论研究贡献力量。

2.ESG概念简介

ESG是Environment、Social Responsibility和Corporate Governance的缩写，分别代表环境、社会责任和公司治理。环境方面主要分析企业生产经营中环境管理、环境信息披露。社会方面主要考察企业在员工管理方面的合规性，员工薪酬与福利，产品是否符合相关标准与政策，是否对公益事业有贡献等。公司治理方面主要关注公司的组织结构、股权结构、商业道德以及是否及时对公司重大事项进行信息披露等。

ESG体系主要由ESG信息披露原则及指引、ESG企业绩效评级和ESG投资指引三部分组成。各国交易所对企业ESG相关情况进行披露，由第三方国际组织制定报告并对企业进行评级，投资者可以参考第三方评级机构所发布的评级结果对企业的可持续发展情况进行了解，并作为投资参考。

与传统信用评级侧重定量和定性分析企业财务与经营不同，ESG评价侧重企业的非财务状况，从环境绩效、社会责任与公司治理三个方面综合考量企业长期价值投资潜力，并且兼顾经济发展与社会的可持续效应，更加符合绿色发展可持续发展的理念。

3.数据来源与数据处理

3.1数据来源

本文收集汤森路透数据库2008年3月10日到2020年7月7日发达市场ESG相关数据，主要包括发达市场的环境指数TRENVDX、社会责任指数TRSCDX、公司治理指数TRCGVDX以及标的指数SND1000。

3.2数据处理

利用SPSS对四个指数进行描述性统计，得到样本数、样本最小值、最大值、均值、标准差如下表所示：

为了将数据间距缩小，同时便于消除时间序列中存在的异方差，对数据做对数处理，得到LNSND1000、LNTRCGVDX、LNTRENVDX、LNTRSCDX进行建模与分析。

4.ARMA模型

4.1平稳性检验

为避免伪回归现象的出现，需要对四个指数分别作单位根检验。以序列传统投资市场指数LNSND1000的ADF检验为例：首先进行水平条件下含截距项和趋势项的检验，得到ADF检验p值小于0.05，所以可以在显著性5%的水平下拒绝原假设，说明序列平稳。然后继续进行只包含截距项、不包含截距项与趋势项的ADF检验，比较AIC、SC与HG信息准则统计量的大小，确定序列为含有截距项与趋势项的平稳时间序列。

同理进行ESG投资市场三个序列的ADF检验，通过ADF检验结果可知四个时间序列均为含有截距项与趋势项的平稳时间序列。

4.2ARMA模型的建立

由于四个变量都为平稳时间序列，所以考虑分别对四个变量建立ARMA模型进行分析。通过自相关检验发现四个变量均为ACF拖尾，PACF截尾，所以四个变量均采用AR模型。以下以标的市场的LNSND1000与ESG投资市场的LNTRENVDX为例建立AR模型。

4.2.1自相关检验

利用Eviews绘制序列相关图，得出两个时间序列均为ADF为拖尾，偏自相关PACF为截尾。所以选取AR（p）模型进行建模。

4.2.2阶数的确定

根據AIC、SC、HQ信息准则，发现AR（4）对应的信息准则最小值最多，所以选取模型滞后阶数均为4阶。

4.2.3参数估计

利用Eviews进行参数估计，根据参数估计结果以两个序列建立AR（4）模型如下：

对比传统投资市场与ESG投资市场的AR（p）模型，发现二者有相同的滞后阶数，并且每一滞后阶数所对应的系数也相近，可以推断ESG投资市场前期指数对于现在以及未来的指数的影响与传统投资市场相似。

4.2.4残差自相关检验

根据AIC、SC与HQ信息准则，选取残差滞后1阶进行序列自相关检验。LM检验结果显示p值大于0.05，不能在5%的显著性水平下拒绝原假设，说明残差序列不存在自相关。同理对其余时间序列所建立的AR（4）模型进行残差自相关检验得到类似的检验结果，说明模型建立合理。

5.TGARCH模型

5.1TGARCH模型的建立

当模型的滞后阶数q较大时，使用GARCH模型可以降低ARCH模型参数估计的难度，同时提高拟合精度，更好的处理高阶自回归问题。同时考虑ESG投资市场与标的市场等金融市场中可能存在非对称效应，即利好消息与利空消息对价格、收益率的冲击影响不同，本文选取非对称冲击TGARCH模型进行建模分析。

5.2ARCH效应检验

TGARCH模型的建立以ARCH效应存在为基础，在建立TGARCH在滞后阶数为4阶情况下，对上述所建立的AR（4）模型进行ARCH效应检验，从ARCH效应检验结果可以得出p值小于0.05，即残差序列存在ARCH效应，可以建立GARCH模型。

参数估计：

在比较不同阶数的GARCH模型的AIC、SC、HQ信息准则数值之后，可以得知TGARCH（1，1）模型为最优模型。并且由于金融数据存在尖峰厚尾特征，误差不服从正态分布，所以以误差服从广义误差分布进行建模。

对建立的模型再次进行ARCH检验，发现p值大于0.05不能在5%的显著性水平下拒绝原假设，即所建立的模型消除了原有的ARCH效应，说明模型建立具有意义。

6. 向量自回归模型

6.1向量自回归模型的建立

由于ESG相关理念发展时间较短且经济理论支撑较弱，而向量自回归模型能够不以严格的经济理论为依据，并且在计量经济学中分析两种现象的关联性一般采用向量自回归模型、格兰杰因果关系检验，所以本文使用向量自回归模型对ESG市场与传统市场的关联性进行分析。

6.2滞后阶数确定

在初步估计模型滞后阶数为0-12阶的情况下，利用信息准则方法选择最优阶数，结合五项关键指标数值兼顾各信息准则要求，确定最优滞后阶数为2阶，建立VAR（2）模型，并对VAR（2）模型进行参数估计，根据参数估计所得结果，可以得到四个变量之间的表达式为：

6.3模型检验

6.3.1各阶系数联合显著性检验

对所建立VAR（2）模型进行Wald检验，得出模型大部分各阶系数具有较高显著性，说明模型具有一定经济意义。

6.3.2模型稳定性检验

做出单位根检验图，发现单位根全部落在单位圆内，并且查单位根的模发现单位根的模都小于1，说明模型具有平稳性。

6.4格兰杰因果关系检验

对四个变量作格兰杰因果关系检验，滞后长度为最优滞后阶数2，从输出结果得出对于LNSND1000与LNTRCGVDX、LNTRSCDX与LNSND1000的p值大于0.05，所以不能在5%的显著性水平下拒绝原假设，说明传统投资市场指数的变动不是公司治理指数变动的格兰杰原因，说明社会指数的变动不是传统投资市场指数变动的格兰杰原因。对于其他变量之间的关系p值小于0.05，所以可以在5%的显著性水平下拒绝原假设，即其他变量之间存在格兰杰原因。

6.5脉冲响应分析

通过观察四个变量之间的脉冲相应图可得，ESG投资市场三个指数与传统市场指数之间均存在冲击并且具有明显正向效应，并且ESG投资市场与传统市场之间的脉冲影响具有较长的持续效应。

6.6方差分解

观察四个指数的方差分解图，得出传统市场指数对ESG市场指数贡献率较高，说明传统市场投资对ESG市场波动具有较大影响。同时社会指数对ESG投资市场具有较大贡献率，说明公司承担的社会责任是ESG投资中较为重要的参考因素。

7.结论

通过对传统投资市场价格指数与ESG投资市场环境指数建立AR模型，发现二者有相同的滞后阶数，并且每一滞后阶数所对应的系数也相近，可以推断ESG投资市场前期指数对于现在以及未来指数的影响与传统投资市场相似。

在对LNTRENVDX所建立的AR（4）模型的基礎上，建立TGARCH模型，发现ESG投资市场与传统市场类似，同样具有对利好、利空消息的非对称性反映。

通过建立向量自回归模型，具体研究ESG市场三个指数及其滞后项与传统投资市场及其滞后项之间的关系，得到具体的模型表达式。并且利用格兰杰因果关系检验说明ESG市场与传统投资市场存在一定关联性，通过脉冲响应分析说明ESG投资市场三个指数与传统市场指数之间均存在冲击并且具有明显正向效应，并且ESG投资市场对传统市场的影响具有较长的持续效应。利用方差分解得出传统市场对ESG市场波动的贡献度较高，并且社会责任的承担情况是ESG投资中较为重要的参考因素。

参考文献：

[1]刘璐，吁文涛.企业ESG评价和传统信用评级体系比较研究[J].新金融，2021（04）：59-64.

[2]王爱华.山东省潍坊市商品房价格的重要影响因素研究——基于时间序列模型的实证分析[J].中国集体经济，2021（24）：26-27.

[3]万媛媛.我国能源消耗与宏观经济的关联性分析——基于时间序列的ARMA模型以及协整检验[J].中国高新技术企业，2016（11）：1-2.

[4]张航，黄芮，郑继明.基于VaR-TGARCH模型的中证5G通信主题指数实证分析[J].科技和产业，2021，21（08）：96-101.

[5]叶际彬. 我国房地产市场与股票市场波动关联性研究[D].江西财经大学，2019.

[6]丁正良，纪成君.基于VAR模型的中国进口、出口、实际汇率与经济增长的实证研究[J].国际贸易问题，2014（12）：91-101.

[7]饶熠.物流需求和服务业发展——基于VAR模型的实证研究[J].中国经贸导刊（中），2021（11）：19-22.

作者简介：潘佳祥（2001-），男，汉族，河南省，本科，研究方向：金融工程，

3529501908267