策略实操系列专题（二）：ESG数据如何在股票投资中获取超额收益

请务必阅读正文之后的免责声明及其项下所有内容证券研究报告|2024年03月13日策略实操系列专题（二）策略实操系列专题（二）环境规制所带来的短期成本上升，从而实现污染减排和财务绩效增长的双赢。万家。其中包含上市公司2800余家及其下属子公司超过十万家，覆盖污染业、发证日期、生效/失效时间等）、排污信息（污染物类别、种类、排放污量超过一定阈值时则通过环保限产、声誉风险等效应对股票价格形成抑策略研究·策略专题证券分析师：陈henrui1@S0980516110001联系人：李晨ichenguang@证券分析师：王angkai8@S0980521030001中小板/月涨跌幅(%)创业板/月涨跌幅(%)AH股价差指数A股总/流通市值(万亿元)5934.31/8.841906.04/10.38 147.4371.77/64.79资料来源：Wind、国信证券经济研究所整理《策略周聚焦-拥抱成长，甄选新质资产》——2024-03-11《ESG月度观察——强制披露倒计时，ESG成为上市公司“必修课”》——2024-03-07《全国两会解读和市场展望-关注新质生产力、开创产业发展新篇章》——2024-03-05《策略周聚焦-拥抱成长，迎接决断》——2024-03-04《资金跟踪与市场结构周观察(第十四期)-市场成交持续走高，赚钱效应大幅回升》——2024-02-27证券研究报告请务必阅读正文之后的免责声明及其项下所有内容21企业污染排放及其经济效应—短期此消彼长、长期互促双赢 42有机数企业排污数据及行业分布 5 84企业污染数据——潜在的高频选股指标 请务必阅读正文之后的免责声明及其项下所有内容3证券研究报告图表目录图1：理论依据：环境规制对企业价值的影响 4图2：高耗能行业产出走高时，相应板块股价呈现逆向走势 5图3：企业排污环比样本量 图4：企业排污环比样本量占沪深A股比例 图5：企业排污环比数据样本量与全部A股的行业分布比较 图6：样本股的市值规模分布 图7：样本股市值各分位数在沪深A股中的位置 图8：基于企业排污环比增长分组的投资组合的净值曲线 9图9：各投资组合的年化收益与波动 9图10：各投资组合的夏普比率 9图11：各投资组合的平均规模 图12：基于最近2个月排污增长分组的投资组合的净值曲线 图13：基于最近3个月排污增长分组的投资组合的净值曲线 图14：各投资组合的年化收益 图15：各投资组合的夏普比率 表1：环保排污数据的指标集 表2：各投资组合的行业配置与全体样本股行业配置的差异 表3：各投资组合的风格暴露与超额收益率 表4：各投资组合的收益比较 表5：各投资组合的超额收益比较 表6：各投资组合的收益比较的t统计量 请务必阅读正文之后的免责声明及其项下所有内容4证券研究报告1企业污染排放及其经济效应—短期此消彼长、长期互促双赢近年来，伴随着中国经济的高速增长，环境问题日益凸显，“生态文明建设”“两山理念”“绿色转型”以及“双碳”目标等理念深入人心，经济发展过程中需同步协调好环境保护问题。相应地，为了应对环境问题，环境保护政策不断得到完善并持续推进，企业污染排放成本也随之不断提高。随着环保政策的落地，企业污染排放对财务绩效的影响也愈发显著，环境保护已经成为企业发展中不可忽视的重要因素。理论而言，企业环保行为对其财务绩效的影响是非线性的：从短期来看，企业减排的支出会增加其成本负担，压缩利润空间，甚至对生产性支出具有一定的挤出效应，此时企业的减排与企业的财务绩效就会呈现此消彼长的关系；从中长期来看，企业减排与财务绩效的增长并非绝对对立，适度的环境规制可以激励企业技术创新，优化自身的资源配置，进而提高企业的长期竞争力。当补偿效应越过成本效应门槛时，企业技术水平的提升及效率改进所带来的长期收益可以覆盖掉环境规制所带来的短期成本上升，从而实现污染减排和财务绩效增长的双赢。资料来源：余泳泽,尹立平.中国式环境规制政策演进及其经济效应:综述与展望[J].改革,2022,(03):114-130.，实践中看，高耗能行业产出走高，但相应板块股价反而呈现逆向走弱的趋势。一方面，高耗能行业通常为能源密集型产业，如钢铁、化工等。这些行业的生产成本受能源价格影响较大，能源的供给格局中长期相对稳定，而高耗能产业产出走高一般会通过需求效应带动上游能源价格上涨，导致生产成本增加，可能会对企业盈利产生负面影响，而且高耗能行业成本转嫁能力较低，无法通过提高产品价格来将上升的成本转嫁给消费者，那么市场容易对这些行业的未来发展持悲观态度，导致股价下跌；另一方面，在经济转型发展的背景下，限产因素也可能对高请务必阅读正文之后的免责声明及其项下所有内容5证券研究报告耗能行业的股价产生影响，如欧盟进口碳关税、大型跨国公司产业链去碳化等政策都对国内相关高耗能产业的产能构成削减；部分地区也出台一系列环保、能源消耗限制等政策来控制高耗能行业的发展，以减少对环境的影响、推动经济结构调整。这些政策可能会限制高耗能行业的产能扩张和市场份额增长，从而带来这些行业的定价出现改变。资料来源：Wind，国信证券经济研究所整理2有机数企业排污数据及行业分布本报告的排污环保数据来源于有机数。该数据收集了全国各省市环保行政部门发布的排污许可证及环保处罚信息，覆盖排污企业超过44万家，其中包含上市公司近1500家及其下属子公司超过十万家，覆盖污染物超过600个种类。该数据具有覆盖全面1、更新及时2、数据准确3、结构清晰4的特点。每月定期数据采集流程后有数据质量校验模块进行自动检验，在监测到异常时会人工介入来校验数据，提高数据精度。有机数环保排污数据包含的内容有企业的基本信息和排污信息。其中企业的基本信息有企业名称、社会信用代码、省份、生产所在地、行业、主要产品等属性信息；企业的排污信息主要有排污许可证信息（编号、行政区划、行业、发证日期、生效/失效时间等）、排污信息（污染物类别、种类、排放规律、执行标准等）、污染物监测数据（监测的时间、地点、项目、结果、浓度、阈值以及是否超标等）和环保处罚信息（处罚机关、处罚的事由、时间、详情等）。数据获取流程自动执行，月度更新及时排污信息。大数据专家团队定制的数据处理模块，系统稳定，数据精度高。后期经过多轮行业专家分类处理，结构清晰，可用性高。请务必阅读正文之后的免责声明及其项下所有内容6证券研究报告有机数环保排污数据有细节表和统计表如表1所示。细节表包含了排污许可证上细颗粒度的详细数据和各排污企业所排放污染物的细节信息；统计表则包含了月度上市公司旗下子公司污染物排放的分类统计数据。各表具体指标如下：表格指标名称细节表上市公司代码、母公司名称、排污企业名称、监测日期、监测地点、监测项目、监测结果、排放物单位、排放标准、排污标准文件、排污标准限值、是否超限、超限倍数、污染物类别1、污染物类别2、公布日期、回测日期、结果环比变化、创建日期、更新日期、删除日期统计表上市公司代码、回测日期、所有污染类别、其他大类1、气体、液体、菌类、固体、其他大类2、金属、烟尘、无机盐、有机物、生物类、计算方式（平均、中值、环比）、创建日期、更新日期、删除日期有机数针对不同污染物的性质，将超过600种不同的污染物分成9大类别（气体、液体、菌类、固体、金属、烟尘、无机盐、有机物、生物类）。有机数环保排污数据来源为各省市环保局、环境监督机关、政府数据开放平台等官方监测信息，通过自然语言处理技术，将信息格式为网页文本、网页表格、word/PDF文件、Excel表格的原始文档转换为可辨认的数据格式，对于采集的各类信息进行解析、甄别、分类、入库，采用实体消岐、指代消解等知识图谱技术和人工智能模型识别公司主体，打通数据链。本报告主要基于有机数提供的环保排污数据的细节表进行相关汇总。首先，我们根据上市公司代码、排污企业名称、监测日期、监测地点、监测项目对监测结果进行汇总（取中位数5得到上市公司旗下各个排污企业每天在各个监测地点的各类监测项目的平均监测结果，以消除排污细节表存在的同一监测结果存在多条重复记录的问题。然后，我们根据上市公司代码、排污企业名称、监测地点、监测项目对每个监测日期的监测结果进行月度汇总（取中位数）。最后我们根据上市公司代码汇总旗下各个排污企业监测地点的所有监测项目的月平均监测结果，计算出每个上市公司的月排污环比变化6。因为企业排污数据是密度指标而非污染物质量指标，值容易受到少数几个极端值的影响，因此采用中之所以先汇总月平均监测结果再求环比变化而不是先求各个排污企比变化再来汇总，主要是基于样本量的考虑。因为排污数据中很少有对排污企业特定监测的某个监测项目的长期跟踪数据，比如某个上的监测数据，而到第t+1期就没有监测地点A的监测项目B的监测数据，而是只有监测地点生大量缺失值，导致汇总到上市公司层面的样本数量大幅减少。而采用先汇总再求环比变将能保留尽可能多的上市公司层面的排污环比数据，但却降低排污环比数据的精准度。当我们也可以在上市公司的监测项目层面先汇总后求环比，然后再汇总各类监测项目到上市层面，在最终的样本量与环比数据质量上取得平衡。但这类方法仍然要损失大量样本，因报告采用先在上市公司层面汇总再求环比的方法。此方法导致的数据质量的损失可能类似成交量反映市场的交易活跃度而非采用成交额，最终排污环比数据的精准度损失有限。证券研究报告请务必阅读正文之后的免责声明及其项下所有内容7资料来源：有机数，国信证券经济研究所整理资料来源：有机数，Wind，国信证券经济研究所整理本报告基于有机数2020-2022年的企业排污数据，按照上述方法计算环比指标，发现在2020年2月至2022年12月这35期数据中，每一期的平均样本量约500，占沪深A股比例平均为11.24%。各期样本量存在差异，2020年2月（第1期）的样本量只有144，占沪深A股比例只有3.8%；而2022年3月（第26期）的样本量高达934，占沪深A股比例接近20%。从行业分布来看，企业排污环比数据样本量的前5大行业为基础化工、机械设备、汽车、医药生物、电子，数量占比分别为13.38%、8.08%、7.81%、6.94%、5.84%。而同期A股的股票数量最多的5大行业分别是机械设备、医药生物、电子、基础化工、计算机，占比分别为9.15%、8.97%、7.50%、7.42%、6.50%。排污数据相对于全部A股来说，其在基础化工、汽车、建筑材料、有色金属、钢铁行业的数量占比明显更多，而在计算机、医药生物、传媒、电子、电力设备等行业的数量占比则更少。另外，A股的一些股票数量比较少的行业中，煤炭行业在排污数据中的占比是A股相同行业占比的2倍，而银行、社会服务、非银金融行业在排污数据中的占比则不足A股对应行业占比的4成，这也能反映出排污数据本身的行业分布的特点。资料来源：有机数，Wind，国信证券经济研究所整理请务必阅读正文之后的免责声明及其项下所有内容8证券研究报告样本股的市值规模分布在各期的变化不大，以总市值中位数为例，样本股的平均市值规模在52.55亿至76.92亿之间，平均为64.03亿。从市值规模分布范围来看，50%的样本股的总市值在35.11亿至169.9亿之间，90%的样本股的总市值在19.17亿至817.0亿之间。与沪深A股的市值规模分布相比，样本股的平均规模略大于沪深A股，其中位数处于沪深A股总市值的51.62%至58.29%分位数之间，平均为55.26%。样本股的总市值的其他分位数也略高于沪深A股，比如其总市值的25%和75%的分位数分别位于沪深A股的29.86%和80.17%的分位数水平。资料来源：有机数，国信证券经济研究所整理资料来源：有机数，Wind，国信证券经济研究所整理3企业排污与股票截面收益率呈U型关系本报告采用排序分组的方法来考察企业排污的环比增长与股票未来截面收益率之间的关系。在2020年2月至2022年12月的每个月末，我们根据上市公司的排污环比增长从低到高分成5组，计算未来1个月这5个投资组合的所有股票的（等权）平均收益率，从而形成5个投资组合从2020年3月至2023年1月这35期的月收益率序列。从5个投资组合的净值曲线来看，排污环比增长最高的分组5的累计收益率最高，其次是排污环比增长最低的分组1，而排污环比增长排序居中的分组2-4的累计收益率最低。这可能是因为排污环比增长较高的企业虽然可能面临潜在风险，但在可控范围、未触发环保限产因素时，排污增长较高也可能意味着企业未来营收和利润更高，从而抵消负面影响。而排污增长较低则可能是因为企业环保方面做得较好，未来可持续发展能力强。请务必阅读正文之后的免责声明及其项下所有内容9证券研究报告资料来源：有机数，Wind，国信证券经济研究所整理从各投资组合的年化收益和波动来看，排污环比增长最高的分组5的年化收益最高为21%，排污环比增长居中的分组3的年化收益最低，为13%。虽然各投资组合的年化收益率存在明显差距，但年化波动却几乎没有区别，排污环比增长次高的分组4的年化波动最高，为23%，比其他组合高1%。因此各投资组合的夏普比例与年化收益相似，与排污环比增长成U型分布。其原因在于，企业污染排放强度的降低速率往往呈现出先快后慢的趋势，在污染治理的初期，企业普遍采用末端治理的方式，来应对监管的要求，从而避免产生较大的排污成本。在这一阶段，企业排污量普遍迅速下降，同时污染治理的成本对企业影响有限；然而，随着污染治理工作的不断深入，企业治污方式也会随之发生调整，由末端治理为主，逐步转向生产工艺的改进和优化，但是生产工艺的改进企业意味着企业需要承担大量的沉没成本，并增加资本投入，这会对企业当期的绩效产生拖累，企业开始进入转型发展的阵痛期。在股票市场上，处于这一阶段的企业其股票收益率往往也处于低谷；当企业逐步完成转型发展，企业的生产效率得到显著提升，单位生产成本显著降低，企业污染排放强度的降低速率也有所放缓。在股票市场上，企业的股票收益率开始回升，显示出企业已经走出转型的困境，步入新的发展阶段。资料来源：有机数，Wind，国信证券经济研究所整理资料来源：有机数，Wind，国信证券经济研究所整理请务必阅读正文之后的免责声明及其项下所有内容10证券研究报告从行业分布来看，各投资组合的行业配置与样本股整体行业分布并没有较大区别。各分组行业配置的前5大行业都是基础化工、机械设备、汽车、医药生物、电子等，与样本股整体行业分布相同。相对于整体行业分布来说，分组1和分组5在有色金属行业的平均超配是最高的，但也仅比样本股在有色金融行业的占比高出0.80%和0.81%。分组1低配食品饮料最多，但仅比整体行业分布低0.85%；分组5则低配农林牧渔行业最多，比整体行业分布低0.88%。各分组在行业超配或低配的幅度基本在1%以内7。行业分组1分组2分组3分组4分组5基础化工0.67%-0.36%-0.35%0.16%-0.12%机械设备0.68%-0.29%0.03%-0.45%0.01%汽车0.30%1.02%-0.73%-0.69%0.09%医药生物-0.48%0.80%0.20%0.04%-0.57%电子-0.01%-0.25%0.75%-0.36%-0.12%电力设备-0.43%0.52%-0.21%0.35%-0.23%有色金属0.81%-0.75%-0.45%-0.41%0.80%建筑材料-0.42%-0.20%0.16%0.96%-0.50%轻工制造-0.64%0.29%0.42%0.06%-0.13%食品饮料-0.85%0.30%0.90%0.18%-0.53%环保-0.03%0.12%0.09%-0.60%0.43%公用事业0.23%-0.25%-0.01%0.00%0.02%农林牧渔-0.63%0.20%1.13%0.19%-0.88%建筑装饰0.48%-0.18%-0.63%-0.23%0.56%房地产-0.07%-0.43%0.38%0.13%-0.01%商贸零售0.12%-0.46%-0.16%0.44%0.07%钢铁0.12%0.04%-0.06%-0.48%0.39%交通运输0.42%-0.66%0.06%0.02%0.15%纺织服饰-0.12%0.38%-0.50%0.02%0.22%计算机-0.01%0.39%-0.44%0.45%-0.39%煤炭-0.22%-0.01%0.10%0.32%-0.18%家用电器0.28%-0.16%-0.16%-0.43%0.48%石油石化-0.36%0.40%0.46%-0.38%-0.12%通信0.37%-0.22%-0.45%0.14%0.17%传媒0.08%-0.10%-0.31%0.00%0.33%国防军工-0.11%0.02%0.09%0.20%-0.21%综合-0.21%-0.01%-0.15%0.45%-0.07%非银金融-0.06%0.08%-0.05%-0.16%0.19%社会服务0.17%-0.22%-0.20%0.02%0.22%美容护理-0.03%0.00%-0.02%0.06%-0.01%银行-0.03%0.00%0.08%-0.02%-0.03%资料来源：有机数，Wind，国信证券经济研究所整理从平均规模来看，各投资组合成份股总市值的中位数相差不大。各分组的平均规模分别为63.29、67.74、66.73、69.59、60.57亿。不过在某些时期，各分组的平均规模也可能存在较大差距，比如2021年5月（第15期分组3的平均规模为124亿，而同期分组1的平均规模为45亿，只相当于分组3的平均规模的36.4%。考虑到投资组合采用等权方法构建，虽然各投资组合成份股总市值的中位数略高于沪深A股的平均规模，但各投资组合成份股的规模暴露实际上是倾向小市值的。以2022年年底中证全指为例，4500只成份股，总市值的中位数是55.65亿，但请务必阅读正文之后的免责声明及其项下所有内容11证券研究报告加权中位数8为434.9亿，处于成份股总市值的93.3%分位数上。因此这里进一步考虑对投资组合的收益率进行相关因子收益率的调整。资料来源：有机数，Wind，国信证券经济研究所整理我们采用包含市场因子、规模因子和价值因子的三因子模型。因子收益率的构建采用国证系列全收益率指数，其中，国证A指作为市场因子，国证2000与国证1000的收益率之差作为规模因子，国证价值与国证成长的收益率之差作为价值因子。在2020年3月至2023年1月这35个月的时间区间里，市场因子、规模因子和价值因子的年化收益分别为8.19%、5.98%、-4.92%。经过因子模型的风险收益调整，分组1-5的超额收益分别为7.75%、3.90%、2.26%、3.66%、10.30%。各投资组合的超额收益与排污环比增长仍然呈U型分布。从风险暴露来看，各投资组合的规模因子暴露和价值因子暴露都是非常显著的，即各投资组合都偏好小盘股和价值股。分组1分组2分组3分组4分组5市场因子估计值1.0521.0160.991.0880.978t统计量20.6826.1520.2321.0114.28规模因子估计值0.5150.6060.5920.5820.62t统计量10.0815.5312.0611.29.02价值因子估计值0.2330.2340.1370.230.238t统计量4.55.932.764.373.42超额收益估计值7.75%3.90%2.26%3.66%10.30%t统计量2.591.710.792.56资料来源：有机数，Wind，国信证券经济研究所整理即将成份股按总市值从大到小排序，然后将权重累计，权重累请务必阅读正文之后的免责声明及其项下所有内容12证券研究报告这里进一步计算了各个投资组合收益率之间的统计比较。从t统计量来看，收益率之间差距最为显著的是排污环比增长最高的分组5与排污环比增长居中的分组3，其t统计量为-2.25。其他较为显著有分组1和分组3、分组2和分组5、分组4和分组5。也就是说，排污环比增长最高的分组5与排污环比增长居中的分组2-4的收益率之差都有明显的差别，而与排污环比增长最低的分组1没有。而分组1只与排污环比增长居中的分组3的收益率之差有较为显著的差别，与其他组合没有。另外，排污环比增长居中的3个分组的收益率之间也没有明显差别。分组2分组3分组4分组5分组2分组3分组4分组5年化收益率之差t统计量分组13.61%5.07%3.38%-2.54%0.9521.570.852-0.616分组21.46%-0.23%-6.15%0.471-0.064-1.71分组3-1.69%-7.61%-0.495-2.25分组4-5.92%-1.58资料来源：有机数，Wind，国信证券经济研究所整理将上述各分组收益率之差进行风险因子调整后，结论也是相同的，即分组5的超额收益显著或者较为显著地大于分组2-4，分组1的超额收益较为显著地大于分组3，其他各组的超额收益率之间没有显著差异。从风格因子暴露来看，分组1的规模因子暴露与除分组4以外的其他分组有略微显著的差异，分组1相对于分组2、3、5更偏好大盘股。这与前述结论中分组1的平均规模小于分组2和分组3的平均规模有所不同。价值因子方面，分组3的价值因子暴露与其他分组有着较为显著的差异，分组3相对于其他分组更偏好成长股。其他各分组之间的价值因子暴露没有显著差异。分组2分组3分组4分组5分组2分组3分组4分组5分组1分组2分组3分组43.85%年化超额收益率之差5.49%4.09%1.64%0.239%-1.40%-2.55%-6.40%-8.04%-6.64%0.991t统计量1.710.9930.5280.0635-0.408-0.615-1.69-2.41-1.79分组1分组2分组3分组4-0.0908规模因子暴露之差-0.0774-0.06730.01340.02350.0101价值因子暴露之差-0.105-0.0143-0.0277-0.0377-1.37t统计量-1.41-0.9570.2530.3640.172t统计量-1.48-0.220-0.486-0.594分组1分组2分组3分组4-0.001500.09520.09670.002660.00416-0.0926-0.00547-0.00397-0.101-0.00813-0.02231.711.800.03730.0636-1.56-0.0762-0.0605-1.74-0.126资料来源：有机数，Wind，国信证券经济研究所整理请务必阅读正文之后的免责声明及其项下所有内容13证券研究报告上述分析主要是根据最近1个月的排污环比增长进行分组，然后构造投资组合持有1期。接下来我们考虑根据最近2个月、3个月的排污增长数据构造投资组合，并分别持有2个月和3个月9。从净值曲线来看，观察期为2、持有期为2的各投资组合中，排污增长最低的分组1的累计收益率最高，其次是排污环比增长次高的分组4，其他分组的累计收益率相差不大。而在观察期、持有期都为3的各投资组合中，除排污增长最高的分组5的累计收益率明显更低外，其他各个分组的累计收益率相差不大。从各投资组合的年化收益和夏普比率来看，结论也是类似的。各投资组合的收益与排污增长不再存在U型关系。从各投资组合收益率的统计比较来看，观察期为2时，分组1的平均收益高于分组2、分组3以及分组4的平均收益高于分组3是较为显著的。观察期为3时，分组5的平均收益低于其他分组仅是略微显著。由此可见，在拉长观测时间窗口后，基于污染数据的选股策略面临失效。我们推测可能的原因如下：企业污染排放往往与企业产出和行业的景气程度高度相关，投资者通常会参考月度的中观高频指标来修正当月的预期，并据此进行仓位的调整。因此，当观测时间窗口被拉长时，选股策略可能会受到观测期间大量仓位调整操作的干扰而失效。因此，选择合适的观测的窗口期来将ESG数据应用于股票投研，也是实践中需要重点考虑的要点。资料来源：有机数，Wind，国信证券经济研究所整理资料来源：有机数，Wind，国信证券经济研究所整理请务必阅读正文之后的免责声明及其项下所有内容14证券研究报告资料来源：有机数，Wind，国信证券经济研究所整理资料来源：有机数，Wind，国信证券经济研究所整理分组2分组3分组4分组5分组2分组3分组4分组5观察期为2观察期为3分组11.751.610.7861.080.2560.0150.3971.46分组20.698-0.978-0.280-0.1960.1331.22分组3-1.57-1.030.3041.34分组40.6491.20资料来源：有机数，Wind，国信证券经济研究所整理4企业污染数据——潜在的高频选股指标企业污染减排普遍需要经历末端治理到工艺结构转换的过程，企业污染排放强度的降低速率往往呈现出先快后慢的趋势，在污染治理前期，企业减排支出会增加企业成本负担，压缩企业的利润空间，企业的减排与企业的财务绩效就会呈现此消彼长的关系，随着减排工作的持续推进，企业开始逐步优化自身的生产工艺，优化自身的资源配置，企业技术水平的提升及效率改进所带来的长期收益开始覆盖掉环境规制所带来的短期成本上升。对应在股票市场中，企业污染排放下降的速率和企业的股票收益就会呈现先降后增的U型关系，本文基于企业污染数据的回测结果也印证这一事实，从各投资组合的年化收益和波动来看，排污环比增长最高的分组5的年化收益最高为21%，排污环比增长居中的分组3的年化收益最低，为13%。虽然各投资组合的年化收益率存在明显差距，但年化波动却几乎没有区别，排污环比增长次高的分组4的年化波动最高，为23%，比其他组合高1%。因此各投资组合的夏普比例与年化收益相似，与排污环比增长成U型分布。但是值得注意的是，随着观测时间窗口的拉长，基于污染数据的选股策略面临失效，企业污染排放降低速率与股票的截面收益率不再呈现U型关系，这是因为投资者通常会参考月度的中观高品质指标来修正当月的预期，并据此进行仓位的调整，而企业污染排放往往与企业产出和行业的景气程度高度相关，因此，当观测时间窗口被拉长时，选股策略可能会受到观测期间大量仓位调整操作的干扰而失效。同时，企业污染数据覆盖率有限，数据的连续性也难以得到保证，也进一步制约了污染数据在投资实践中的应用。请务必阅读正文之后的免责声明及其项下所有内容15证券研究报告综上所述，随着环境监管政策的持续收紧，企业污染数据库的覆盖率和连续性有望得到改善，在此背景下，企业的污染数据就有可能成为潜在的高频选股指标，选择合适的观测的窗口期来将污染数据应用于股票投研，不失为一种有效的alpha策略。请务必阅读正文之后的免责声明及其项下所有内容