登录新浪财经APP 搜索【信披】查看更多考评等级
AI技术显著提升了ESG数据收集与评分的效率及精准度。人工智能（AI）技术的快速发展，正通过数据整合、策略优化和治理透明化等，重构ESG投资范式，为可持续金融注入新动能。传统ESG数据存在来源分散、非结构化、更新滞后等痛点，而AI通过自然语言处理（NLP）、计算机视觉（CV）和智能文档处理（IDP）等技术，实现了从年报、新闻、社交媒体等多源数据中自动化提取结构化信息。例如，Altilia智能自动化（AIA）平台利用混合AI范式，结合深度学习与持续学习，将非结构化文本转化为可分析的ESG指标。同时通过物联网（IoT）、区块链等技术，可以增强数据的实时性与可信度，为动态化、跨区域的ESG评分提供了技术基础。
AI通过情感分析、负向筛选和动态组合管理，优化了ESG投资策略。基于FinBERT等金融领域专用模型，AI可分析消费者情感与市场动态，预测企业ESG表现，准确率高达91.76%。同时，NLP技术快速识别ESG争议企业，结合行业特性提升筛选效率。在投资组合管理中，AI通过实时数据分析、多目标优化和情景模拟，动态调整资产配置，平衡财务回报与ESG目标。
AI技术通过自动化报告与利益相关者互动，强化了ESG治理的透明度与问责。借助NLP和自动化工具，AI从海量非结构化数据中提取关键ESG指标，生成实时报告并监测公众情绪。聊天机器人与可解释AI技术不仅简化了信息披露流程，还增强了模型决策的可追溯性。此外，AI风险评估工具可识别合规异常与潜在ESG风险，推动企业采取更负责任的行为，为投资者提供可信的决策支持。
AI与ESG的深度融合，正在重塑可持续投资的评估框架与执行路径。尽管存在数据偏见、算法透明度等挑战，AI技术通过高效数据处理、策略创新和治理赋能，为投资者提供了兼顾财务回报与社会价值的解决方案。未来，随着技术迭代与跨领域协作的深化，AI将加速推动ESG投资从理论到实践的规模化落地，助力全球可持续金融目标的实现。
风险提示：历史复盘对未来指引有限，资本市场政策出现调整，技术算法存在模型偏差，文中个股仅作数据梳理，不构成投资推荐意见。
环境、社会和治理（ESG）指标是衡量可持续、负责任投资的关键领域。随着技术的进步，土壤、水污染、气候变化、空气污染、生物多样性丧失和自然资源过度使用等若干相互关联的环境问题已经恶化。近年来，全球对于环境、社会和治理（ESG）相关风险的认识不断增强，非财务因素在投资决策中的重要性日益凸显。随着技术的进步，对环境的关注成为焦点，生物技术和健康产业的投资变得更加热门，同时，新的投资决策也在逐步淘汰或撤资那些不符合可持续发展要求的企业。而人工智能（AI）技术的快速发展，正通过数据整合、策略优化和治理透明化等手段，重构ESG投资范式，为可持续金融注入新动能。
1. AI赋能ESG评分评级体系
当前ESG数据的质量和一致性面临显著挑战。尽管标准化数据至关重要，但现有的信息却分散在多个来源中。数据来源主要分为两类：主要数据源和次要数据源。主要数据源包括公司自行报告的ESG数据（如公司网站、年度报告和可持续性报告等）、第三方ESG数据（例如非政府组织或政府网站及报告），以及实时ESG信号（如新闻、社交媒体和公司评论等）。次要数据源则是ESG数据供应商，他们负责从主要数据源手动收集、整理和分析ESG属性。主要数据源通常将ESG数据锁定在高度非结构化的文本和文档中，而次要数据源则存在速度慢、不及时，且只为部分企业提供有限的手动构建的ESG数据子集的问题。
此外，缺乏统一的分类标准也是一个问题。随着投资者在不同行业间转移，ESG因素不断演变，其定义也随之变化。ESG因素在不同地区和时间上的再现性较差，部分原因是地区间数据的差异以及数据记录方式的演变。同时，某些因素的实际效果可能与预期存在差异。
1.1 数据整理的自动化与标准化
传统工作方式中，数据分析师完成数据收集工作，同时肩负数据的预处理和分析。这一过程不仅耗费大量人力资本，而且非常耗时，在执行任务时出错的可能性也较高。人工智能（AI）的进步使得自动化处理复杂任务变得前所未有地快速和高效，从而彻底改变了公司处理数据的方式。人工智能（AI）和智能文档处理（IDP）技术能够大规模地提取、过滤和结构化关键数据，这些数据被评级机构、业务分析师、投资者等广泛使用。IDP利用基于深度学习的计算机视觉和语言模型等AI技术，对从各种文档格式中提取的相关信息进行分类、提取和验证。
Francesco Visalli等提出了一种基于Altilia智能自动化（AIA）平台的ESG数据收集方法。该方法能够从包括年度报告、可持续性报告、财务报表附注、新闻、非政府组织报告以及通过网页抓取技术获得的公司网站等多种文档和内容中收集数据。AIA平台基于混合和自适应AI范式，利用深度学习算法进行计算机视觉（CV）和自然语言处理（NLP）。特别是结合了大型语言模型、Human-In-The-Loop、持续学习、知识表示方法来实现机器阅读理解技术，将非结构化文档转化为结构化数据，并提供许多不同的ESG相关问题的答案。具体来看，AIA平台通过数据收集、摄取、识别与提取、验证和使用等步骤，构建了一个端到端的ESG数据收集工作流程。
此外，AIA平台通过利用人工智能技术，特别是深度学习算法，自动化理解和处理复杂及非结构化数据源的业务流程。它提供了一个低代码的云界面，使业务专家能够通过训练AI模型并将这些模型整合到工作流程中，来自动化提取相关的ESG数据。平台能够处理包括PDF、图像文档、纯文本、表格结构和网页等在内的多种格式和布局的文档，并从这些文档中提取和分析数据点，如公司描述、行业代码、绿色产品信息、非可再生能源使用情况、效率倡议和环境认证等。
1.2 ESG评分的精准性与动态化
Archana Saxena等分析了工业4.0技术在ESG数据收集和评估中的应用。分别是，物联网（IoT）：通过传感器网络实时收集环境和社会数据，如空气质量、碳足迹、健康监测等，可以提高数据的实时性和准确性，支持环境和社会指标的评估；区块链：利用分布式账本技术，可以增强ESG数据的透明度、安全性和可信度，通过智能合约，可以自动化ESG报告的生成和验证过程，减少人为错误和数据操纵的可能性；人工智能（AI）：AI可以处理和分析大量的ESG数据，识别模式和趋势，预测未来机会，AI还可以用于评估ESG对投资决策的影响，帮助投资者更好地理解组织的可持续性表现；大数据：大数据技术可以处理来自IoT设备、社交媒体和运营系统的海量数据（维权），通过数据挖掘、预测分析和深度学习等技术，揭示隐藏的模式和趋势，支持更明智的决策。
ESG的物联网架构清晰地描绘了物联网（IoT）数据流向数据集的过程。这些数据通过多种传感器、通信协议和执行器从设备收集而来，并通过Web API被传输至数据库。数据一旦被物联网设备收集，就会进入预处理阶段，在此阶段中，数据将被过滤和清洗，以实现标准化，即转化为结构化的数据，这使得数据集的形成和程序应用变得更加便捷。
在数据集构建完成后，将选择并训练相应的AI或机器学习（ML）模型，使用不同的学习算法来找到最适合该数据集的算法。训练完成后，将使用选定的算法对数据集进行测试，以识别潜在的模式并预测未来的机会。这些AI框架起到了促进作用，帮助人们评估ESG指标中所需的数据，使投资者能够了解他们所投资的企业。在情感分析和自然语言处理方面，AI算法能够应用并分析文本的上下文、结构和语调，并识别企业高层在实施ESG策略时所遵循的模式。其他组织同样可以有效地利用这些技术来执行ESG标准。
Andrea Gasperini等提及，高盛（Goldman Sachs）和阿拉伯科技AI（Arabesque AI）等金融机构通过机器学习算法，将文本信息转化为金融决策所需的数值数据，以支持投资组合构建和风险管理。Truevalue Lab利用大数据和AI技术分析非结构化数据，并结合可持续发展会计准则委员会（SASB）的分类法，为投资者提供ESG相关的洞察。Novisto则通过整合SASB的实质性地图，帮助企业更好地管理ESG数据。学术界也积极参与相关研究，意大利央行和西北大学凯洛格管理学院的研究人员利用机器学习技术改进ESG评级，剑桥大学的经济学家团队则通过AI模拟气候变化对国家主权债券评级的经济影响。此外，Fleet-Madison项目专注于研究ESG风险与AI系统的联系，而瑞士和德国学者开发的“ClimateBert”算法则通过自然语言处理技术提取和分析气候信息披露的质量和完整性。这些案例表明，AI技术在ESG领域的应用不仅能够提升数据处理和分析的效率，还能增强ESG信息披露的透明度和标准化程度，为可持续金融的发展提供了有力支持。
2. AI驱动ESG投资策略优化
尽管 ESG 投资的概念已有数十年历史，但 AI 技术与 ESG 投资策略的融合是近年来才逐渐兴起的。这一趋势主要受到 AI 技术的快速发展以及可持续性在投资决策中重要性日益凸显的推动。
Omotayo Bukola Adeoye等提及，2010 年代，AI 技术与 ESG 投资的融合开始受到关注，投资者寻求创新方法将 ESG 因素纳入投资策略。金融科技初创公司和传统金融机构开始利用 AI 驱动的数据分析来分析 ESG 相关数据集，识别投资机会并评估可持续性风险。机器学习算法被广泛应用于分析来自不同来源的 ESG 数据，包括公司报告、新闻文章和社交媒体。自然语言处理技术使计算机能够处理非结构化数据并理解围绕 ESG 问题的情感，为投资者提供了更深入的可持续性风险和机会的见解。随着养老基金、资产管理公司和主权财富基金等机构投资者越来越多地采用 AI 驱动的 ESG 分析来增强其投资决策过程，AI 驱动的 ESG 分析逐渐成为投资组合管理策略的重要组成部分。投资者能够借此构建与可持续发展目标一致且最大化财务回报的平衡投资组合。AI 在 ESG 投资中的应用逐渐获得主流认可，行业协会和监管机构也承认将 AI 驱动的分析纳入可持续投资实践的重要性。领先的金融机构和资产管理公司将 AI 技术整合到其 ESG 投资流程中，进一步验证了 AI 在可持续金融背景下提升投资组合管理与绩效的作用。
Popescu等指出，随着研究人员和从业者探索AI技术的新应用，如强化学习和深度学习，以应对新兴的可持续性挑战，AI在ESG投资中的演变仍在继续。AI专家、ESG研究人员和行业利益相关者之间的合作促进了创新，并推动了针对ESG投资的新AI驱动工具和方法论的发展。AI在ESG投资中的发展历程反映了AI技术和可持续金融实践的共同进步。从早期对ESG因素的探索到AI驱动分析的主流采用，AI的整合彻底改变了ESG投资中的投资组合管理与绩效。随着AI技术的持续进步，未来有望在投资决策中进一步推动创新与合作，以增强可持续性成果。
2.1 基于情感分析模型的ESG评分预测
人工智能（AI）技术在ESG投资领域的应用逐渐成为投资决策的重要组成部分。AI不仅为投资者提供了识别和筛选从事可持续技术开发公司的能力，还通过增强投资组合决策的效率和准确性，特别是在实时处理和分析非财务信息方面，为投资管理带来了显著的变革。随着技术的不断进步，AI与机器学习、自动化和机器人技术的结合，极大地提升了数据处理的速度和质量，使得企业能够更高效地将ESG因素纳入投资决策过程。此外，AI技术通过情感分析和自然语言处理（NLP）算法，能够对大量文本数据进行快速分析，从而为投资者提供关于公司ESG表现的前瞻性视角。这种技术的应用不仅提高了ESG数据的可用性和透明度，还为可持续投资提供了更科学、更系统的分析工具。
传统情感分析方法难以捕捉消费者情感对ESG指标的复杂影响，且模型缺乏透明度，而投资者需要更全面地评估市场动态和企业行为对可持续发展目标的影响。为解决这一问题，Aradhana Saxena等开发了嵌套情感分析框架，通过FinBERT模型和可解释人工智能（XAI）技术对消费者情感进行分类，并预测其对ESG评分的影响。研究人员整理了一个包含910条记录的自定义数据集，用于分析消费者对环保产品和非环保产品的情感倾向。这些产品被标记为环保或非环保，并被赋予了正面或负面的情感标签。为了进行情感分析，研究者采用了FinBERT模型，这是一个专为金融文本优化的模型，能够更准确地处理金融领域的语言特征。为了提高模型的准确性和鲁棒性，研究者通过Adam优化器、L2正则化和Dropout技术对模型进行了优化。此外，为了增强模型预测结果的透明度，研究者还运用了XAI技术中的LIME（局部可解释模型无关解释）方法来解释模型的预测结果。通过这些方法，研究者能够更清晰地理解模型的决策过程，从而提高了模型的可信度和实用性。
结果显示，模型在预测ESG评分方面达到了91.76%的准确率，在情感分类任务中达到了99%的准确率。XAI技术的应用进一步增强了模型的透明度，使研究者能够解释模型的预测结果。研究发现，负面情感对环保产品的ESG评分有负面影响，而对非环保产品则有正面影响；相反，正面情感对环保产品有正面影响，对非环保产品则有负面影响。这一发现为ESG投资策略的制定提供了重要依据，帮助投资者更好地识别和评估企业的可持续性表现。同时，该研究支持了联合国可持续发展目标（SDG 12和SDG 13），强调了环保产品在可持续发展中的重要性。
2.2 负向筛选效率的提升
Melka Yonas Hambissa探讨了自然语言处理（NLP）技术在ESG投资中的应用，特别是其在提升负向筛选效率方面的潜力。负向筛选通过排除ESG表现不佳的公司来降低投资风险，而NLP技术可以通过分析新闻报道、社交媒体和公司披露等文本数据，快速识别潜在的ESG争议，从而辅助这一筛选过程。研究分别构建了基线模型（仅使用ESG争议评分）和行业特定模型（加入行业因素），以评估不同行业背景下ESG争议评分的预测能力。
研究发现，NLP生成的ESG争议评分在预测传统ESG评级方面具有一定的潜力，但预测能力受到行业特性的影响。在上市公司中，考虑行业因素后，模型的预测能力显著提升（R² = 0.60），而在未上市公司中，预测能力进一步提升（R² = 0.76）。尽管NLP技术能够提供快速的初步筛选，但其预测能力仍有限，不能完全替代传统的ESG评级。在投资决策中，仍需结合更详细的ESG分析，以确保投资的安全性和可持续性。
2.3 投资组合管理优化与绩效提升
投资组合管理是环境、社会和治理（ESG）投资中的一个关键环节，而人工智能（AI）技术在投资组合管理与绩效提升方面发挥了显著作用。
2.3.1 AI驱动的数据分析
AI驱动的数据分析使投资者能够利用大量ESG相关数据来指导投资组合构建决策。机器学习算法可以分析历史数据，识别环境表现、社会影响和治理实践中的投资机会与风险。这些算法可以构建定量模型，将ESG因素与传统财务指标相结合，以构建平衡的投资组合。这些模型根据可持续发展目标、风险承受能力和财务目标优化投资组合配置，确保与ESG原则一致。
此外，AI驱动的数据分析有助于投资组合构建中的风险评估，通过识别和量化ESG相关风险（如气候变化影响、供应链中断和监管变化）来评估其对投资组合的影响。机器学习算法能够分析历史数据，评估ESG风险发生的可能性及其对投资组合的影响，从而将风险缓解策略纳入投资组合构建过程。
2.3.2 动态投资组合优化
AI算法能够通过持续分析市场趋势、ESG相关数据和投资组合表现指标，动态调整投资组合配置。机器学习模型可以根据市场条件的变化、新兴的可持续性趋势和投资者偏好，实时调整投资组合配置。AI驱动的场景分析使投资者能够评估不同ESG情景对投资组合表现的影响。机器学习模型可以模拟各种情景（如气候变化影响或监管变化），评估其对投资组合回报和风险特征的影响，指导投资者进行主动的投资组合调整。
AI算法能够执行多目标优化，平衡财务回报、风险缓解和ESG因素，以优化投资组合配置。机器学习模型可以在多个维度上优化投资组合配置，例如盈利能力、可持续性和风险暴露，以实现期望的投资结果。
2.3.3 将ESG因素整合到投资组合管理策略中
AI技术使ESG因素能够通过复杂的框架和方法整合到投资组合管理策略中。机器学习算法可以根据ESG表现对公司将公司分类，识别ESG领导者和落后者，并构建多样化的投资组合。AI驱动的ESG风险管理工具帮助投资者评估和缓解投资组合中的ESG相关风险。自然语言处理技术可以分析公司报告、新闻文章和社交媒体中的文本数据，识别ESG争议、治理丑闻和声誉风险，指导投资组合调整。
AI驱动的影响测量工具使投资者能够量化和报告投资组合的环境和社会影响。机器学习算法可以分析ESG相关数据，评估投资组合产生的积极和消极外部性，促进对利益相关者的透明和问责报告。
2.2.4 AI在投资组合管理中的作用
AI技术通过数据驱动的分析、动态优化算法和复杂的ESG整合框架，彻底改变了ESG投资中的投资组合管理实践。AI驱动的数据分析使投资者能够构建与可持续发展目标一致的平衡投资组合。AI算法能够根据市场条件的变化实时优化投资组合配置。AI技术还能够将ESG因素整合到风险管理和报告过程中。
随着AI技术的持续发展，有望进一步增强ESG投资中的投资组合管理实践，推动积极的环境和社会影响，同时最大化财务回报。AI技术为投资者提供了强大的工具，使他们能够导航复杂的ESG挑战，实现可持续的财务成功。
值得注意的是，尽管AI在ESG投资中带来了诸多机遇，但也伴随着一定的风险。一方面，AI技术能够显著提升ESG数据的处理效率，为投资者提供更全面、更及时的信息支持，从而推动可持续投资的规模化发展。然而，AI也可能引入新的治理风险，例如数据偏见、算法不透明以及“漂绿”行为的风险。此外，随着ESG数据的增加，数据的一致性、可比性和准确性问题仍然存在，这可能导致投资者面临信息过载和决策失误的风险。
3. 治理透明度的增强与问责机制
透明度和问责制是ESG投资的核心支柱，对于增强投资者信任和推动可持续发展至关重要。AI技术在ESG投资中的应用，为提升透明度和问责制提供了新的机遇。
3.1 提升ESG报告透明度
AI通过自动化数据收集、分析和报告流程，显著增强了ESG报告的透明度。AI驱动的算法能够从公司报告、新闻文章和社交媒体等大量非结构化数据中提取关键ESG信息。自然语言处理（NLP）技术使AI能够理解文本数据，识别ESG指标和趋势，为投资者提供全面且实时的公司可持续性实践信息，从而增强对ESG投资的信任。
3.2 促进利益相关者参与
AI驱动的工具极大地促进了投资者、公司和其他利益相关者之间的沟通。例如，聊天机器人和虚拟助手可以实时回答问题、提供信息，简化ESG报告流程。此外，AI情绪分析工具能够监测社交媒体和新闻平台，评估公众对公司可持续性实践的看法，为投资者和公司提供反馈。通过这些工具，利益相关者可以更积极地参与ESG倡议，推动整个投资生态系统的透明度和问责制。
3.3 强化ESG合规与问责
AI驱动的分析能够帮助投资者评估公司对ESG标准的遵守情况，识别潜在的合规问题。机器学习算法可以分析历史数据，检测ESG绩效中的异常模式，标记可能的违规行为。同时，AI风险评估工具可以量化公司面临的ESG相关风险，如环境责任或社会争议，为投资者提供决策支持。通过AI技术，投资者能够更有效地要求公司对其可持续性实践负责，推动其采取更透明和负责任的行为。
透明度和问责制是ESG投资的基石。AI技术通过增强ESG报告透明度、促进利益相关者参与以及强化ESG合规与问责，为可持续投资提供了有力支持。借助AI，投资者能够获取更及时、准确的可持续性信息，推动整个投资领域的透明度和问责制提升，从而实现可持续金融的目标。
参考文献
[1] Visalli F, Patrizio A, Lanza A, et al. ESG Data Collection with Adaptive AI[C]//ICEIS (1). 2023: 468-475.
[2] Saxena A, Singh R, Gehlot A, et al. Technologies empowered environmental, social, and governance (ESG): An industry 4.0 landscape[J]. Sustainability, 2022, 15(1): 309.
[3] Macpherson M, Gasperini A, Bosco M. Implications for artificial intelligence and ESG data[J]. Available at SSRN 3863599, 2021.
[4] Adeoye O B, Okoye C C, Ofodile O C, et al. Artificial Intelligence in ESG investing: Enhancing portfolio management and performance[J]. International Journal of Science and Research Archive, 2024, 11(1): 2194-2205.
[5] Intersecting Environmental Social Governance and AI for Business Sustainability[M]. IGI Global, 2024.
[6] Saxena A, Santhanavijayan A, Shakya H K, et al. Nested Sentiment Analysis for ESG Impact: Leveraging FinBERT to Predict Market Dynamics Based on Eco-Friendly and Non-Eco-Friendly Product Perceptions with Explainable AI[J]. Mathematics, 2024, 12(21): 3332.
[7] Ukoba K, Jen T C. Thin films, atomic layer deposition, and 3D Printing: demystifying the concepts and their relevance in industry 4.0[M]. CRC Press, 2023.
[8] Smith S S. Integrating AI to Increase the Effectiveness of ESG Projects[M]//Fintech and Sustainability: How Financial Technologies Can Help Address Today’s Environmental and Societal Challenges. Cham: Springer Nature Switzerland, 2023: 219-232.
[9] Chen J I. The Drivers of ESG Index Outperformance: A Transatlantic Analysis of US and European Markets[M]. Massachusetts Institute of Technology, 2023.
[10] Zhang Y. ESG-Based Market Risk Prediction and Management Using Machine Learning and Natural Language Processing[J]. 2023.
[11] Monk A, Rook D, Sharma R. Transparency and Innovation in Institutional Investing: How To Unlock Beneficial Investment Organizations’ Capital for Society’s Critical Projects[J]. Available at SSRN 3796535, 2021.
[12] Selim O. ESG and AI: the beauty and the beast of sustainable investing[M]//Sustainable Investing. Routledge, 2020: 227-243.
[13] Dash G H, Kajiji N. Behavioral portfolio management with layered ESG goals and AI estimation of asset returns[J]. Available at SSRN 3953440, 2021.
[14] Minz N K, Khattar Y. Advancing Sustainability: ESG Evolution and the AI Edge[M]//Intersecting Environmental Social Governance and AI for Business Sustainability. IGI Global Scientific Publishing, 2024: 246-261.
[15] Alsayegh M F, Rahman R A, Homayoun S. Corporate economic, environmental, and social sustainability performance transformation through ESG disclosure. Sustainability, 12 (9), 3910[J]. doi. org/10.3390/su1209391 0, 2020.
[16] De Villiers C, Dimes R, Molinari M. How will AI text generation and processing impact sustainability reporting? Critical analysis, a conceptual framework and avenues for future research[J]. Sustainability Accounting, Management and Policy Journal, 2024, 15(1): 96-118.
[17] Hambissa M Y. Predictive validity of NLP-based ESG controversy scores[D]. Norwegian University of Life Sciences, 2024.
（1）历史复盘对未来可能具有一定的参考价值，但其意义可能较为有限。
（2）资本市场政策可能出现调整，同时，宏观和微观流动性也可能会出现波动。
（3）文中个股仅作数据梳理，不构成投资推荐意见。
分析师：王 开 SAC执业资格证书 编码：S0980521030001
登录新浪财经APP 搜索【信披】查看更多考评等级
AI技术显著提升了ESG数据收集与评分的效率及精准度。人工智能（AI）技术的快速发展，正通过数据整合、策略优化和治理透明化等，重构ESG投资范式，为可持续金融注入新动能。传统ESG数据存在来源分散、非结构化、更新滞后等痛点，而AI通过自然语言处理（NLP）、计算机视觉（CV）和智能文档处理（IDP）等技术，实现了从年报、新闻、社交媒体等多源数据中自动化提取结构化信息。例如，Altilia智能自动化（AIA）平台利用混合AI范式，结合深度学习与持续学习，将非结构化文本转化为可分析的ESG指标。同时通过物联网（IoT）、区块链等技术，可以增强数据的实时性与可信度，为动态化、跨区域的ESG评分提供了技术基础。
AI通过情感分析、负向筛选和动态组合管理，优化了ESG投资策略。基于FinBERT等金融领域专用模型，AI可分析消费者情感与市场动态，预测企业ESG表现，准确率高达91.76%。同时，NLP技术快速识别ESG争议企业，结合行业特性提升筛选效率。在投资组合管理中，AI通过实时数据分析、多目标优化和情景模拟，动态调整资产配置，平衡财务回报与ESG目标。
AI技术通过自动化报告与利益相关者互动，强化了ESG治理的透明度与问责。借助NLP和自动化工具，AI从海量非结构化数据中提取关键ESG指标，生成实时报告并监测公众情绪。聊天机器人与可解释AI技术不仅简化了信息披露流程，还增强了模型决策的可追溯性。此外，AI风险评估工具可识别合规异常与潜在ESG风险，推动企业采取更负责任的行为，为投资者提供可信的决策支持。
AI与ESG的深度融合，正在重塑可持续投资的评估框架与执行路径。尽管存在数据偏见、算法透明度等挑战，AI技术通过高效数据处理、策略创新和治理赋能，为投资者提供了兼顾财务回报与社会价值的解决方案。未来，随着技术迭代与跨领域协作的深化，AI将加速推动ESG投资从理论到实践的规模化落地，助力全球可持续金融目标的实现。
风险提示：历史复盘对未来指引有限，资本市场政策出现调整，技术算法存在模型偏差，文中个股仅作数据梳理，不构成投资推荐意见。
环境、社会和治理（ESG）指标是衡量可持续、负责任投资的关键领域。随着技术的进步，土壤、水污染、气候变化、空气污染、生物多样性丧失和自然资源过度使用等若干相互关联的环境问题已经恶化。近年来，全球对于环境、社会和治理（ESG）相关风险的认识不断增强，非财务因素在投资决策中的重要性日益凸显。随着技术的进步，对环境的关注成为焦点，生物技术和健康产业的投资变得更加热门，同时，新的投资决策也在逐步淘汰或撤资那些不符合可持续发展要求的企业。而人工智能（AI）技术的快速发展，正通过数据整合、策略优化和治理透明化等手段，重构ESG投资范式，为可持续金融注入新动能。
1. AI赋能ESG评分评级体系
当前ESG数据的质量和一致性面临显著挑战。尽管标准化数据至关重要，但现有的信息却分散在多个来源中。数据来源主要分为两类：主要数据源和次要数据源。主要数据源包括公司自行报告的ESG数据（如公司网站、年度报告和可持续性报告等）、第三方ESG数据（例如非政府组织或政府网站及报告），以及实时ESG信号（如新闻、社交媒体和公司评论等）。次要数据源则是ESG数据供应商，他们负责从主要数据源手动收集、整理和分析ESG属性。主要数据源通常将ESG数据锁定在高度非结构化的文本和文档中，而次要数据源则存在速度慢、不及时，且只为部分企业提供有限的手动构建的ESG数据子集的问题。
此外，缺乏统一的分类标准也是一个问题。随着投资者在不同行业间转移，ESG因素不断演变，其定义也随之变化。ESG因素在不同地区和时间上的再现性较差，部分原因是地区间数据的差异以及数据记录方式的演变。同时，某些因素的实际效果可能与预期存在差异。
1.1 数据整理的自动化与标准化
传统工作方式中，数据分析师完成数据收集工作，同时肩负数据的预处理和分析。这一过程不仅耗费大量人力资本，而且非常耗时，在执行任务时出错的可能性也较高。人工智能（AI）的进步使得自动化处理复杂任务变得前所未有地快速和高效，从而彻底改变了公司处理数据的方式。人工智能（AI）和智能文档处理（IDP）技术能够大规模地提取、过滤和结构化关键数据，这些数据被评级机构、业务分析师、投资者等广泛使用。IDP利用基于深度学习的计算机视觉和语言模型等AI技术，对从各种文档格式中提取的相关信息进行分类、提取和验证。
Francesco Visalli等提出了一种基于Altilia智能自动化（AIA）平台的ESG数据收集方法。该方法能够从包括年度报告、可持续性报告、财务报表附注、新闻、非政府组织报告以及通过网页抓取技术获得的公司网站等多种文档和内容中收集数据。AIA平台基于混合和自适应AI范式，利用深度学习算法进行计算机视觉（CV）和自然语言处理（NLP）。特别是结合了大型语言模型、Human-In-The-Loop、持续学习、知识表示方法来实现机器阅读理解技术，将非结构化文档转化为结构化数据，并提供许多不同的ESG相关问题的答案。具体来看，AIA平台通过数据收集、摄取、识别与提取、验证和使用等步骤，构建了一个端到端的ESG数据收集工作流程。
此外，AIA平台通过利用人工智能技术，特别是深度学习算法，自动化理解和处理复杂及非结构化数据源的业务流程。它提供了一个低代码的云界面，使业务专家能够通过训练AI模型并将这些模型整合到工作流程中，来自动化提取相关的ESG数据。平台能够处理包括PDF、图像文档、纯文本、表格结构和网页等在内的多种格式和布局的文档，并从这些文档中提取和分析数据点，如公司描述、行业代码、绿色产品信息、非可再生能源使用情况、效率倡议和环境认证等。
1.2 ESG评分的精准性与动态化
Archana Saxena等分析了工业4.0技术在ESG数据收集和评估中的应用。分别是，物联网（IoT）：通过传感器网络实时收集环境和社会数据，如空气质量、碳足迹、健康监测等，可以提高数据的实时性和准确性，支持环境和社会指标的评估；区块链：利用分布式账本技术，可以增强ESG数据的透明度、安全性和可信度，通过智能合约，可以自动化ESG报告的生成和验证过程，减少人为错误和数据操纵的可能性；人工智能（AI）：AI可以处理和分析大量的ESG数据，识别模式和趋势，预测未来机会，AI还可以用于评估ESG对投资决策的影响，帮助投资者更好地理解组织的可持续性表现；大数据：大数据技术可以处理来自IoT设备、社交媒体和运营系统的海量数据（维权），通过数据挖掘、预测分析和深度学习等技术，揭示隐藏的模式和趋势，支持更明智的决策。
ESG的物联网架构清晰地描绘了物联网（IoT）数据流向数据集的过程。这些数据通过多种传感器、通信协议和执行器从设备收集而来，并通过Web API被传输至数据库。数据一旦被物联网设备收集，就会进入预处理阶段，在此阶段中，数据将被过滤和清洗，以实现标准化，即转化为结构化的数据，这使得数据集的形成和程序应用变得更加便捷。
在数据集构建完成后，将选择并训练相应的AI或机器学习（ML）模型，使用不同的学习算法来找到最适合该数据集的算法。训练完成后，将使用选定的算法对数据集进行测试，以识别潜在的模式并预测未来的机会。这些AI框架起到了促进作用，帮助人们评估ESG指标中所需的数据，使投资者能够了解他们所投资的企业。在情感分析和自然语言处理方面，AI算法能够应用并分析文本的上下文、结构和语调，并识别企业高层在实施ESG策略时所遵循的模式。其他组织同样可以有效地利用这些技术来执行ESG标准。
Andrea Gasperini等提及，高盛（Goldman Sachs）和阿拉伯科技AI（Arabesque AI）等金融机构通过机器学习算法，将文本信息转化为金融决策所需的数值数据，以支持投资组合构建和风险管理。Truevalue Lab利用大数据和AI技术分析非结构化数据，并结合可持续发展会计准则委员会（SASB）的分类法，为投资者提供ESG相关的洞察。Novisto则通过整合SASB的实质性地图，帮助企业更好地管理ESG数据。学术界也积极参与相关研究，意大利央行和西北大学凯洛格管理学院的研究人员利用机器学习技术改进ESG评级，剑桥大学的经济学家团队则通过AI模拟气候变化对国家主权债券评级的经济影响。此外，Fleet-Madison项目专注于研究ESG风险与AI系统的联系，而瑞士和德国学者开发的“ClimateBert”算法则通过自然语言处理技术提取和分析气候信息披露的质量和完整性。这些案例表明，AI技术在ESG领域的应用不仅能够提升数据处理和分析的效率，还能增强ESG信息披露的透明度和标准化程度，为可持续金融的发展提供了有力支持。
2. AI驱动ESG投资策略优化
尽管 ESG 投资的概念已有数十年历史，但 AI 技术与 ESG 投资策略的融合是近年来才逐渐兴起的。这一趋势主要受到 AI 技术的快速发展以及可持续性在投资决策中重要性日益凸显的推动。
Omotayo Bukola Adeoye等提及，2010 年代，AI 技术与 ESG 投资的融合开始受到关注，投资者寻求创新方法将 ESG 因素纳入投资策略。金融科技初创公司和传统金融机构开始利用 AI 驱动的数据分析来分析 ESG 相关数据集，识别投资机会并评估可持续性风险。机器学习算法被广泛应用于分析来自不同来源的 ESG 数据，包括公司报告、新闻文章和社交媒体。自然语言处理技术使计算机能够处理非结构化数据并理解围绕 ESG 问题的情感，为投资者提供了更深入的可持续性风险和机会的见解。随着养老基金、资产管理公司和主权财富基金等机构投资者越来越多地采用 AI 驱动的 ESG 分析来增强其投资决策过程，AI 驱动的 ESG 分析逐渐成为投资组合管理策略的重要组成部分。投资者能够借此构建与可持续发展目标一致且最大化财务回报的平衡投资组合。AI 在 ESG 投资中的应用逐渐获得主流认可，行业协会和监管机构也承认将 AI 驱动的分析纳入可持续投资实践的重要性。领先的金融机构和资产管理公司将 AI 技术整合到其 ESG 投资流程中，进一步验证了 AI 在可持续金融背景下提升投资组合管理与绩效的作用。
Popescu等指出，随着研究人员和从业者探索AI技术的新应用，如强化学习和深度学习，以应对新兴的可持续性挑战，AI在ESG投资中的演变仍在继续。AI专家、ESG研究人员和行业利益相关者之间的合作促进了创新，并推动了针对ESG投资的新AI驱动工具和方法论的发展。AI在ESG投资中的发展历程反映了AI技术和可持续金融实践的共同进步。从早期对ESG因素的探索到AI驱动分析的主流采用，AI的整合彻底改变了ESG投资中的投资组合管理与绩效。随着AI技术的持续进步，未来有望在投资决策中进一步推动创新与合作，以增强可持续性成果。
2.1 基于情感分析模型的ESG评分预测
人工智能（AI）技术在ESG投资领域的应用逐渐成为投资决策的重要组成部分。AI不仅为投资者提供了识别和筛选从事可持续技术开发公司的能力，还通过增强投资组合决策的效率和准确性，特别是在实时处理和分析非财务信息方面，为投资管理带来了显著的变革。随着技术的不断进步，AI与机器学习、自动化和机器人技术的结合，极大地提升了数据处理的速度和质量，使得企业能够更高效地将ESG因素纳入投资决策过程。此外，AI技术通过情感分析和自然语言处理（NLP）算法，能够对大量文本数据进行快速分析，从而为投资者提供关于公司ESG表现的前瞻性视角。这种技术的应用不仅提高了ESG数据的可用性和透明度，还为可持续投资提供了更科学、更系统的分析工具。
传统情感分析方法难以捕捉消费者情感对ESG指标的复杂影响，且模型缺乏透明度，而投资者需要更全面地评估市场动态和企业行为对可持续发展目标的影响。为解决这一问题，Aradhana Saxena等开发了嵌套情感分析框架，通过FinBERT模型和可解释人工智能（XAI）技术对消费者情感进行分类，并预测其对ESG评分的影响。研究人员整理了一个包含910条记录的自定义数据集，用于分析消费者对环保产品和非环保产品的情感倾向。这些产品被标记为环保或非环保，并被赋予了正面或负面的情感标签。为了进行情感分析，研究者采用了FinBERT模型，这是一个专为金融文本优化的模型，能够更准确地处理金融领域的语言特征。为了提高模型的准确性和鲁棒性，研究者通过Adam优化器、L2正则化和Dropout技术对模型进行了优化。此外，为了增强模型预测结果的透明度，研究者还运用了XAI技术中的LIME（局部可解释模型无关解释）方法来解释模型的预测结果。通过这些方法，研究者能够更清晰地理解模型的决策过程，从而提高了模型的可信度和实用性。
结果显示，模型在预测ESG评分方面达到了91.76%的准确率，在情感分类任务中达到了99%的准确率。XAI技术的应用进一步增强了模型的透明度，使研究者能够解释模型的预测结果。研究发现，负面情感对环保产品的ESG评分有负面影响，而对非环保产品则有正面影响；相反，正面情感对环保产品有正面影响，对非环保产品则有负面影响。这一发现为ESG投资策略的制定提供了重要依据，帮助投资者更好地识别和评估企业的可持续性表现。同时，该研究支持了联合国可持续发展目标（SDG 12和SDG 13），强调了环保产品在可持续发展中的重要性。
2.2 负向筛选效率的提升
Melka Yonas Hambissa探讨了自然语言处理（NLP）技术在ESG投资中的应用，特别是其在提升负向筛选效率方面的潜力。负向筛选通过排除ESG表现不佳的公司来降低投资风险，而NLP技术可以通过分析新闻报道、社交媒体和公司披露等文本数据，快速识别潜在的ESG争议，从而辅助这一筛选过程。研究分别构建了基线模型（仅使用ESG争议评分）和行业特定模型（加入行业因素），以评估不同行业背景下ESG争议评分的预测能力。
研究发现，NLP生成的ESG争议评分在预测传统ESG评级方面具有一定的潜力，但预测能力受到行业特性的影响。在上市公司中，考虑行业因素后，模型的预测能力显著提升（R² = 0.60），而在未上市公司中，预测能力进一步提升（R² = 0.76）。尽管NLP技术能够提供快速的初步筛选，但其预测能力仍有限，不能完全替代传统的ESG评级。在投资决策中，仍需结合更详细的ESG分析，以确保投资的安全性和可持续性。
2.3 投资组合管理优化与绩效提升
投资组合管理是环境、社会和治理（ESG）投资中的一个关键环节，而人工智能（AI）技术在投资组合管理与绩效提升方面发挥了显著作用。
2.3.1 AI驱动的数据分析
AI驱动的数据分析使投资者能够利用大量ESG相关数据来指导投资组合构建决策。机器学习算法可以分析历史数据，识别环境表现、社会影响和治理实践中的投资机会与风险。这些算法可以构建定量模型，将ESG因素与传统财务指标相结合，以构建平衡的投资组合。这些模型根据可持续发展目标、风险承受能力和财务目标优化投资组合配置，确保与ESG原则一致。
此外，AI驱动的数据分析有助于投资组合构建中的风险评估，通过识别和量化ESG相关风险（如气候变化影响、供应链中断和监管变化）来评估其对投资组合的影响。机器学习算法能够分析历史数据，评估ESG风险发生的可能性及其对投资组合的影响，从而将风险缓解策略纳入投资组合构建过程。
2.3.2 动态投资组合优化
AI算法能够通过持续分析市场趋势、ESG相关数据和投资组合表现指标，动态调整投资组合配置。机器学习模型可以根据市场条件的变化、新兴的可持续性趋势和投资者偏好，实时调整投资组合配置。AI驱动的场景分析使投资者能够评估不同ESG情景对投资组合表现的影响。机器学习模型可以模拟各种情景（如气候变化影响或监管变化），评估其对投资组合回报和风险特征的影响，指导投资者进行主动的投资组合调整。
AI算法能够执行多目标优化，平衡财务回报、风险缓解和ESG因素，以优化投资组合配置。机器学习模型可以在多个维度上优化投资组合配置，例如盈利能力、可持续性和风险暴露，以实现期望的投资结果。
2.3.3 将ESG因素整合到投资组合管理策略中
AI技术使ESG因素能够通过复杂的框架和方法整合到投资组合管理策略中。机器学习算法可以根据ESG表现对公司将公司分类，识别ESG领导者和落后者，并构建多样化的投资组合。AI驱动的ESG风险管理工具帮助投资者评估和缓解投资组合中的ESG相关风险。自然语言处理技术可以分析公司报告、新闻文章和社交媒体中的文本数据，识别ESG争议、治理丑闻和声誉风险，指导投资组合调整。
AI驱动的影响测量工具使投资者能够量化和报告投资组合的环境和社会影响。机器学习算法可以分析ESG相关数据，评估投资组合产生的积极和消极外部性，促进对利益相关者的透明和问责报告。
2.2.4 AI在投资组合管理中的作用
AI技术通过数据驱动的分析、动态优化算法和复杂的ESG整合框架，彻底改变了ESG投资中的投资组合管理实践。AI驱动的数据分析使投资者能够构建与可持续发展目标一致的平衡投资组合。AI算法能够根据市场条件的变化实时优化投资组合配置。AI技术还能够将ESG因素整合到风险管理和报告过程中。
随着AI技术的持续发展，有望进一步增强ESG投资中的投资组合管理实践，推动积极的环境和社会影响，同时最大化财务回报。AI技术为投资者提供了强大的工具，使他们能够导航复杂的ESG挑战，实现可持续的财务成功。
值得注意的是，尽管AI在ESG投资中带来了诸多机遇，但也伴随着一定的风险。一方面，AI技术能够显著提升ESG数据的处理效率，为投资者提供更全面、更及时的信息支持，从而推动可持续投资的规模化发展。然而，AI也可能引入新的治理风险，例如数据偏见、算法不透明以及“漂绿”行为的风险。此外，随着ESG数据的增加，数据的一致性、可比性和准确性问题仍然存在，这可能导致投资者面临信息过载和决策失误的风险。
3. 治理透明度的增强与问责机制
透明度和问责制是ESG投资的核心支柱，对于增强投资者信任和推动可持续发展至关重要。AI技术在ESG投资中的应用，为提升透明度和问责制提供了新的机遇。
3.1 提升ESG报告透明度
AI通过自动化数据收集、分析和报告流程，显著增强了ESG报告的透明度。AI驱动的算法能够从公司报告、新闻文章和社交媒体等大量非结构化数据中提取关键ESG信息。自然语言处理（NLP）技术使AI能够理解文本数据，识别ESG指标和趋势，为投资者提供全面且实时的公司可持续性实践信息，从而增强对ESG投资的信任。
3.2 促进利益相关者参与
AI驱动的工具极大地促进了投资者、公司和其他利益相关者之间的沟通。例如，聊天机器人和虚拟助手可以实时回答问题、提供信息，简化ESG报告流程。此外，AI情绪分析工具能够监测社交媒体和新闻平台，评估公众对公司可持续性实践的看法，为投资者和公司提供反馈。通过这些工具，利益相关者可以更积极地参与ESG倡议，推动整个投资生态系统的透明度和问责制。
3.3 强化ESG合规与问责
AI驱动的分析能够帮助投资者评估公司对ESG标准的遵守情况，识别潜在的合规问题。机器学习算法可以分析历史数据，检测ESG绩效中的异常模式，标记可能的违规行为。同时，AI风险评估工具可以量化公司面临的ESG相关风险，如环境责任或社会争议，为投资者提供决策支持。通过AI技术，投资者能够更有效地要求公司对其可持续性实践负责，推动其采取更透明和负责任的行为。
透明度和问责制是ESG投资的基石。AI技术通过增强ESG报告透明度、促进利益相关者参与以及强化ESG合规与问责，为可持续投资提供了有力支持。借助AI，投资者能够获取更及时、准确的可持续性信息，推动整个投资领域的透明度和问责制提升，从而实现可持续金融的目标。
参考文献
[1] Visalli F, Patrizio A, Lanza A, et al. ESG Data Collection with Adaptive AI[C]//ICEIS (1). 2023: 468-475.
[2] Saxena A, Singh R, Gehlot A, et al. Technologies empowered environmental, social, and governance (ESG): An industry 4.0 landscape[J]. Sustainability, 2022, 15(1): 309.
[3] Macpherson M, Gasperini A, Bosco M. Implications for artificial intelligence and ESG data[J]. Available at SSRN 3863599, 2021.
[4] Adeoye O B, Okoye C C, Ofodile O C, et al. Artificial Intelligence in ESG investing: Enhancing portfolio management and performance[J]. International Journal of Science and Research Archive, 2024, 11(1): 2194-2205.
[5] Intersecting Environmental Social Governance and AI for Business Sustainability[M]. IGI Global, 2024.
[6] Saxena A, Santhanavijayan A, Shakya H K, et al. Nested Sentiment Analysis for ESG Impact: Leveraging FinBERT to Predict Market Dynamics Based on Eco-Friendly and Non-Eco-Friendly Product Perceptions with Explainable AI[J]. Mathematics, 2024, 12(21): 3332.
[7] Ukoba K, Jen T C. Thin films, atomic layer deposition, and 3D Printing: demystifying the concepts and their relevance in industry 4.0[M]. CRC Press, 2023.
[8] Smith S S. Integrating AI to Increase the Effectiveness of ESG Projects[M]//Fintech and Sustainability: How Financial Technologies Can Help Address Today’s Environmental and Societal Challenges. Cham: Springer Nature Switzerland, 2023: 219-232.
[9] Chen J I. The Drivers of ESG Index Outperformance: A Transatlantic Analysis of US and European Markets[M]. Massachusetts Institute of Technology, 2023.
[10] Zhang Y. ESG-Based Market Risk Prediction and Management Using Machine Learning and Natural Language Processing[J]. 2023.
[11] Monk A, Rook D, Sharma R. Transparency and Innovation in Institutional Investing: How To Unlock Beneficial Investment Organizations’ Capital for Society’s Critical Projects[J]. Available at SSRN 3796535, 2021.
[12] Selim O. ESG and AI: the beauty and the beast of sustainable investing[M]//Sustainable Investing. Routledge, 2020: 227-243.
[13] Dash G H, Kajiji N. Behavioral portfolio management with layered ESG goals and AI estimation of asset returns[J]. Available at SSRN 3953440, 2021.
[14] Minz N K, Khattar Y. Advancing Sustainability: ESG Evolution and the AI Edge[M]//Intersecting Environmental Social Governance and AI for Business Sustainability. IGI Global Scientific Publishing, 2024: 246-261.
[15] Alsayegh M F, Rahman R A, Homayoun S. Corporate economic, environmental, and social sustainability performance transformation through ESG disclosure. Sustainability, 12 (9), 3910[J]. doi. org/10.3390/su1209391 0, 2020.
[16] De Villiers C, Dimes R, Molinari M. How will AI text generation and processing impact sustainability reporting? Critical analysis, a conceptual framework and avenues for future research[J]. Sustainability Accounting, Management and Policy Journal, 2024, 15(1): 96-118.
[17] Hambissa M Y. Predictive validity of NLP-based ESG controversy scores[D]. Norwegian University of Life Sciences, 2024.
（1）历史复盘对未来可能具有一定的参考价值，但其意义可能较为有限。
（2）资本市场政策可能出现调整，同时，宏观和微观流动性也可能会出现波动。
（3）文中个股仅作数据梳理，不构成投资推荐意见。
分析师：王 开 SAC执业资格证书 编码：S0980521030001
