💰 quantitative finance

Carbon-Penalised Portfolio Insurance Strategies in a Stochastic Factor Model with Partial Information

本文在随机因子模型与部分信息框架下，研究了考虑碳足迹惩罚的最优比例投资组合保险策略，通过随机滤波理论求解了 CRRA 效用下的最优乘数，并证实该策略能在不牺牲财务绩效的前提下有效降低碳排放强度。

原作者： Katia Colaneri, Federico D'Amario, Daniele Mancinelli

发布于 2026-03-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Katia Colaneri, Federico D'Amario, Daniele Mancinelli

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章讲述了一个关于**“如何一边保护钱包，一边减少碳排放”**的聪明投资故事。

想象一下，你是一位**“财富守护者”**（比如管理养老金或保险基金的人）。你的工作有两个核心目标：

保底：无论市场怎么跌，必须保证客户在年底时手里至少有一笔确定的钱（就像给船装了一个防沉底舱）。
增值：如果市场好，你要尽可能多赚点钱，让客户开心。

传统的做法是：如果市场好，就大胆买股票；如果市场不好，就赶紧把股票卖掉，换成安全的现金。这就像开车时，路况好就踩油门，路况差就猛踩刹车。

但这篇论文提出了一个**“升级版”的驾驶策略**，专门为了应对**“气候风险”**。

1. 核心比喻：带“碳罚单”的赛车手

在这个故事里，股票被分成了两类：

绿车（Green Stocks）：环保、低碳排放的公司（比如新能源）。
棕车（Brown Stocks）：高碳排放的公司（比如传统煤炭、石油）。

传统的投资经理可能会说：“棕车虽然赚钱快，但风险大，我们少买点。”
但这篇论文的作者设计了一种更聪明的方法：给棕车贴上一张隐形的“碳罚单”。

什么是“碳罚单”？
这就好比你开车时，如果开的是高耗油的“棕车”，每跑一公里，系统会自动从你的“奖金池”里扣掉一点钱。扣多少，取决于你有多讨厌碳排放（这个程度叫“碳厌恶度”）。
它的作用是什么？
这个罚单不是直接禁止你买棕车（因为有时候棕车确实很赚钱），而是让你自动调整。
- 如果棕车赚的钱很多，但罚单扣得更多，你就不会买它。
- 如果棕车赚的钱一般，罚单一扣，你就彻底不想买了。
- 结果就是：你的投资组合会自动变得更“绿”，但不会为了环保而牺牲掉所有的赚钱机会。

2. 最大的挑战：雾中开车（部分信息）

现实世界很复杂，你无法完全看清路况。

全知视角（全信息）：就像在晴朗的白天开车，你能看到所有的路标、天气变化和未来的路况。
部分信息（部分信息）：就像在大雾天开车。你只能看到车前几米（当前的股价），但看不见远处的路（影响股市的宏观经济因素，比如未来的政策、经济周期等）。

这篇论文最厉害的地方在于，它教投资者如何在“大雾”中也能开好这辆“带碳罚单”的车。

怎么做到的？
虽然你看不到远处的“大雾”（隐藏的经济因素），但你可以通过观察车前几米的变化（股价波动），利用**“智能雷达”（数学上的滤波技术）**来推测大雾里发生了什么。
- 这就好比虽然看不见路，但通过雨刮器的摆动和引擎的声音，经验丰富的老司机能猜出前面是不是在修路，或者是不是要下雨了。
- 论文证明，即使是在这种“雾中驾驶”的情况下，加上“碳罚单”策略，依然能比那些盲目猜测的司机开得更好、更稳。

3. 主要发现：环保与赚钱可以兼得

通过大量的数学模拟（就像在电脑里跑了几万次模拟驾驶），作者发现：

自动减排：只要给棕车加上“碳罚单”，投资组合里的棕车比例就会自动下降，绿车比例上升。这不需要你强行命令“不许买棕车”，而是市场机制自动帮你做的。
不亏钱：这种策略在减少碳排放的同时，并没有显著降低赚钱的能力。甚至在某些情况下，因为减少了高碳资产带来的潜在风险（比如政策突变导致股价暴跌），投资组合反而更稳健了。
雾中也能赢：即使你看不到未来的经济大趋势（部分信息），只要用对方法，你的表现和那些“全知全能”的投资者差别不大。而且，如果你越讨厌碳排放（罚单越重），这种“雾中驾驶”的劣势反而越小。

总结

这篇论文就像给投资者提供了一套**“智能导航系统”**：

它不仅能帮你避开悬崖（保底），
还能帮你选择更环保的路线（减少碳排），
而且即使大雾弥漫看不清前路，它也能通过智能推测，让你开得既安全又高效。

它告诉我们：在投资世界里，“做好事”（环保）和“赚大钱”（收益）并不矛盾，只要用对数学工具，我们可以设计出一套既聪明又负责任的赚钱策略。

论文技术总结：基于随机因子模型与部分信息的碳惩罚比例投资组合保险策略

1. 研究背景与问题定义

背景：
随着全球对气候变化的关注，机构投资者日益将环境、社会和治理（ESG）因素纳入投资组合管理，特别是针对高碳排行业（“棕色”资产）的风险。传统的投资组合保险（Portfolio Insurance, PI）策略旨在保障期末财富不低于特定底线（Floor），同时参与市场上涨。然而，现有的 PI 策略很少系统性地整合碳风险，且大多假设市场参数（如漂移率）是完全可观测的。

核心问题：
本文旨在解决以下两个关键问题：

策略设计： 如何构建一种**碳惩罚比例投资组合保险（Carbon-Penalised PPI）**策略，在保障下行风险的同时，通过优化机制内生地降低对高碳资产的暴露，而不是简单地通过硬性排除规则？
信息不完全性： 在现实市场中，资产收益率的漂移率通常受不可观测的宏观/金融因子（如经济周期、政策转变压力）驱动。如何在**部分信息（Partial Information）**框架下（即投资者只能观察到资产价格，无法直接观测漂移因子），推导并求解最优的碳惩罚 PPI 策略？

2. 方法论与模型设定

2.1 市场模型

资产动态： 市场包含无风险资产和 $n$ 种风险资产。风险资产价格遵循几何布朗运动，其漂移率 $\mu_t$ 是随机的，由一个不可观测的公共随机因子 $Y_t$ 驱动： $\mu_t = aY_t + b$ 。
因子过程： 公共因子 $Y_t$ 被建模为 Ornstein-Uhlenbeck (OU) 过程，具有均值回归特性，代表宏观经济状态。
信息结构：
- 完全信息（Full Information）： 投资者直接观测到因子 $Y_t$ 。
- 部分信息（Partial Information）： 投资者仅能观测到资产价格过程 $S_t$ ，需通过**随机滤波理论（Stochastic Filtering）**估计 $Y_t$ 的条件分布（均值 $\Gamma_t$ 和方差 $P_t$ ）。

2.2 碳惩罚机制

资产分类： 将资产分为“绿色”（低碳）和“棕色”（高碳）两类。
惩罚项设计： 投资者最大化期末**碳惩罚缓冲（Carbon-Penalised Cushion）**的期望效用。
- 期末缓冲 $\hat{C}_T$ 定义为： $C_T \times \exp\left(-\frac{1}{2} \int_0^T m_t^2 \pi_t^\top (\Sigma_S \Sigma_S^\top \odot e) \pi_t dt\right)$ 。
- 其中， $e$ 是惩罚向量，对棕色资产赋予正惩罚系数 $\varepsilon$ ，对绿色资产为 0。
- 物理意义： 该惩罚项与棕色资产的已实现方差成正比。这相当于在投资者的效用函数中内生地增加了对高碳资产的风险厌恶，而非硬性约束。如果棕色资产的风险调整后收益足够高，仍可能被持有，但权重会因惩罚而降低。

2.3 优化框架

目标函数： 最大化 CRRA（常数相对风险厌恶）或 Log 效用函数下的期末惩罚缓冲期望效用。
控制变量： 最优乘数 $m_t$ 和高风险资产组合权重 $\pi_t$ 。
求解工具：
- 利用动态规划原理（Dynamic Programming Principle）。
- 建立并求解 Hamilton-Jacobi-Bellman (HJB) 方程。
- 在部分信息下，利用分离原理（Separation Principle），将问题转化为基于滤波估计值 $\Gamma_t$ 的完全信息控制问题。

3. 主要理论贡献

碳惩罚 PPI 策略的解析解：
- 在完全信息和部分信息两种设定下，推导出了最优控制策略的显式表达式。
- 证明了最优策略具有马尔可夫性，且可以分解为短视需求（Myopic Demand）和跨期对冲需求（Intertemporal Hedging Demand）。
- 揭示了碳惩罚参数 $\varepsilon$ 如何嵌入到有效风险厌恶矩阵 $\hat{\Theta}$ 中，从而改变资产间的相对吸引力，而非仅仅缩放整体风险水平。
部分信息下的滤波与优化：
- 利用卡尔曼滤波（Kalman Filter）技术处理不可观测因子，推导了条件均值 $\Gamma_t$ 和条件方差 $P_t$ 的动态演化方程。
- 证明了在部分信息下，最优策略的结构与完全信息类似，但增加了一个参数不确定性对冲项（Parameter Uncertainty Hedge），用于应对估计误差带来的风险。
信息价值量化：
- 定义了**效用损失（Loss of Utility）和效率（Efficiency）**指标，量化了部分信息相对于完全信息的成本。
- 推导了 CRRA 和对数效用下的效用损失解析公式，表明效用损失严格为正，且随着碳惩罚参数 $\varepsilon$ 的增加，部分信息投资者的相对效率有所提升（即信息劣势的影响被碳偏好部分抵消）。

4. 数值实验结果

作者进行了详细的数值模拟（4 只股票，2 绿 2 棕），主要发现如下：

碳厌恶的有效性： 随着碳厌恶参数 $\varepsilon$ 的增加，投资组合对棕色资产的暴露显著降低，对绿色资产的暴露增加。这种调整是内生的，基于风险 - 收益权衡，而非简单的剔除。
风险与回报的权衡：
- 引入碳惩罚虽然略微降低了预期收益，但显著降低了期末财富的方差和下行风险（左尾风险）。
- 在棕色资产表现优于绿色资产的情景下（Scenario 3），碳惩罚策略能大幅降低波动率（方差降低可达 94.7%），同时保持合理的预期回报。
部分信息 vs 完全信息：
- 在部分信息下，最优乘数和资产暴露的动态轨迹与完全信息下非常接近，仅表现出更平滑的波动。
- 这表明，即使无法直接观测宏观因子，基于滤波的 PPI 策略依然能有效运作，且性能损失有限。
信息优势的变化： 有趣的是，随着碳厌恶 $\varepsilon$ 的增加，部分信息投资者相对于完全信息投资者的效率提升。这意味着在高度关注 ESG 的约束下，信息不对称带来的劣势被投资者的保守偏好所缓冲。

5. 结论与意义

结论：
本文提出了一种将碳风险内生整合到动态投资组合保险框架中的新方法。通过引入基于已实现方差的碳惩罚项，该策略能够在不牺牲资本保护功能的前提下，有效降低投资组合的碳强度。即使在宏观因子不可观测的部分信息环境下，该策略依然具有解析解且表现稳健。

学术与实践意义：

理论创新： 填补了将 ESG 因素（特别是碳风险）与连续时间随机控制下的投资组合保险策略相结合的空白。不同于传统的排除法或约束法，本文的方法通过修改效用函数实现了更灵活的资产配置。
监管与风控： 为监管机构（如 EIOPA）建议的将气候风险纳入偿付能力评估（ORSA）提供了量化模型支持。碳惩罚可被视为一种前瞻性的风险调整，有助于增强保单持有人的保障。
投资实践： 为养老金、保险资金等长期机构投资者提供了一种兼顾财务回报与气候目标的动态管理工具。数值结果表明，适度的碳厌恶即可实现显著的减排效果，且对财务绩效的负面影响可控。
信息处理： 证明了在现实市场信息不完全的情况下，基于滤波的优化策略依然有效，且碳偏好可以缓解信息不对称带来的负面影响。

未来展望：
研究可进一步扩展至非高斯因子、 regime-switching 模型（捕捉气候突变）、交易成本以及多因子碳风险模型，以增强模型在极端市场条件下的适用性。