超越 ESG 评分：用于序列投资组合优化的动态约束学习
人工智能
2026-05-12 v1 投资组合管理
摘要
ESG 投资组合优化日益重要，但大多数基于学习的方法仍通过将静态评分附加到策略观察值或奖励中来实现 ESG。这会导致与序列控制之间的不匹配：ESG 评分噪声、提供商依赖、低频且与序列投资组合决策在时间上不一致，而财务证据表明 ESG 更适合作为投资组合偏好、风险暴露或对冲维度，而非稳健的 alpha 因子。我们提出通过多模态动作条件约束场（MACF）在不修改财务政策观察值或奖励的前提下施加 ESG 约束，该方法从点时序多模态证据和被 contemplation 投资组合转换中学习特定机制的 ESG 成本。随后，我们引入 MACF-X，一族针对特定优化器的适配器，将 MACF 成本和不确定性转换为通过共享的 slack-和不确定性感知压力层的本机受约束优化接口。在多种约束集成接口上，MACF-X 在维持竞争性财务绩效的同时降低了尾部 ESG 预算压力。消融实验表明，这一改进依赖于动态证据输入和三头分解，而静态 ESG 评分代理几乎与评分随机置换的噪声基线无异。
引用
@article{arxiv.2605.09310,
title = {Beyond ESG Scores: Learning Dynamic Constraints for Sequential Portfolio Optimization},
author = {Xin Li and Yan Ke and Longbing Cao},
journal= {arXiv preprint arXiv:2605.09310},
year = {2026}
}