💰 quantitative finance

Temperature Anomalies and Climate Physical Risk in Portfolio Construction

该论文通过面板回归分析证实极端温度事件对多数行业产生负面影响，并提出了结合时变概率与资产强度的“气候风险敞口”和“气候暴露波动率”两项新指标，将其融入多目标投资组合优化框架，从而构建出在不牺牲分散化前提下更能抵御物理气候冲击的韧性投资组合。

原作者： Michele Azzone, Carlo Bechi, Gabriele Sbaiz

发布于 2026-04-14

📖 1 分钟阅读☕ 轻松阅读

CC0 1.0

原作者： Michele Azzone, Carlo Bechi, Gabriele Sbaiz

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 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

这篇论文就像是在教投资者如何给他们的“投资组合”穿上一件智能防弹衣，以应对越来越频繁的“气候风暴”。

想象一下，你正在经营一个巨大的全球水果摊（这就是你的投资组合），里面卖着来自世界各地的苹果、香蕉、葡萄和橙子。过去，大家只关心两个问题：

卖得贵不贵？（预期收益）
价格会不会大起大落？（传统金融风险/波动率）

但这篇论文的作者们（来自米兰和的里雅斯特的数学家和经济学家）说：“等等！你们忽略了一个巨大的隐形杀手——极端天气（物理气候风险）。”

1. 核心发现：天气变热，钱包变冷

作者们首先做了一项“侦探工作”。他们分析了过去几十年的数据，发现了一个惊人的规律：

极端高温就像“隐形税”：当某个地区出现极端高温（比如热浪、干旱）时，那里的企业（尤其是那些依赖工厂、仓库、农田的实体企业）赚钱会变难，股价往往会下跌。
不仅仅是“坏运气”：以前大家觉得天气是随机的，但数据证明，极端天气发生的频率正在加速。就像滚雪球一样，风险不是固定的，而是在不断变大。

2. 新发明：两个“气候雷达”指标

为了解决这个问题，作者发明了两种全新的“雷达”来测量风险，而不是像以前那样只看静态的国家排名（就像只看地图上的国家名字，而不管现在的天气）。

指标一：气候风险暴露度 (CRE) —— “你站在风暴中心吗？”
- 比喻：想象你在玩“躲避球”。如果球（极端天气）经常砸向你所在的区域，你的暴露度就很高。
- 作用：这个指标计算你的投资组合里有多少资产正处在“高温区”。如果你的工厂都在容易发热的地方，你的暴露度就高。
指标二：气候暴露波动率 (CEV) —— “你的风暴是同步的吗？”
- 比喻：这是最精彩的部分。想象你有两个朋友，一个在亚洲，一个在欧洲。
  - 如果亚洲刮台风，欧洲也刮台风（同步），那你两个朋友都失业了，你损失惨重。这叫高波动率。
  - 如果亚洲刮台风时，欧洲是晴天（不同步），那你至少还有一个朋友在赚钱。这叫低波动率（分散得好）。
- 作用：这个指标不仅看你有没有站在风暴里，还看你的资产是不是“同生共死”。如果所有资产都怕同一种天气，那你的风险就很大；如果它们怕不同的天气，你就安全了。

3. 解决方案：给投资组合“重新排兵布阵”

有了这两个雷达，作者们设计了一个超级优化器（就像给投资组合请了一个最聪明的教练）。

传统的做法：只追求“收益最高”或“风险最低”。
作者的做法（多目标优化）：教练会同时考虑三件事：
1. 怎么赚最多的钱？
2. 怎么让价格波动小一点？
3. 怎么让“气候风暴”打不中我们？

教练的策略是：

把那些“怕热”的资产（比如依赖大量实体工厂的公司）从高温地区移走。
把资产分散到不同的气候区，确保如果亚洲热浪来袭，欧洲或美洲的资产还能正常工作（利用地理分散来对冲风险）。

4. 回测结果：穿上防弹衣，跑得更稳

作者用过去 5 年的真实数据（包括疫情和能源危机时期）进行了“模拟实战”：

只追求高收益的傻瓜策略：确实赚了点钱，但遇到大风暴时，亏损极其惨烈（就像没穿盔甲的骑士，虽然跑得快，但一撞就碎）。
只追求最低风险的保守策略：很稳，但赚得不多。
穿上“气候防弹衣”的策略（作者的方法）：
- 收益：和传统策略一样好，甚至更好！
- 抗风险：在极端天气发生时，亏损明显更小。
- 结论：你不需要为了应对气候变化而牺牲赚钱的能力。相反，通过聪明地分散风险，你反而能跑得更稳、更远。

总结

这篇论文告诉我们：
在投资世界里，气候变化不再是“环保口号”，而是实实在在的“财务风险”。

就像在暴风雨季节出海，你不能只盯着罗盘（传统收益）和速度（市场波动），你还得看气象图（气候风险）。作者发明的这套方法，就是帮投资者看气象图、调整航向，确保在气候变化的惊涛骇浪中，你的财富之船既能乘风破浪，又不会翻船。

一句话总结：聪明的投资者不仅要会算账，还要会看天；把“天气”算进投资账本里，不仅能避险，还能赚得更稳。

论文技术总结：温度异常与投资组合构建中的气候物理风险

1. 研究背景与问题 (Problem)

随着自然灾害频率和强度的增加以及慢性气候威胁的加剧，**物理气候风险（Physical Climate Risk）**已成为资产管理行业的关键因素。然而，现有的量化方法存在显著缺陷：

静态指标局限：现有的指标（如 ND-GAIN）多为国家层面的静态评分，缺乏时间序列数据，无法捕捉极端事件的动态概率及其相关性。
缺乏动态评估：传统模型往往假设风险分布是平稳的（stationary），忽略了气候变化导致极端事件频率加速的非平稳特性。
分散化不足：现有方法通常简单加总资产评分，未能有效衡量物理风险在不同地理区域间的分散化潜力。

核心问题：如何构建一套动态的、基于数据的量化框架，将物理气候风险（特别是极端温度事件）纳入全球股票投资组合的优化中，以在不牺牲收益的前提下增强组合对气候冲击的韧性？

2. 方法论 (Methodology)

2.1 数据构建与温度异常识别

数据来源：使用 Our World in Data 提供的月度平均温度数据（1940-2025），覆盖六大洲（北美、南美、欧洲、非洲、亚洲、大洋洲）。
异常定义：
- 建立 1960-1990 年为基准期，计算各洲各月的历史均值 $\mu$ 和标准差 $\sigma$ 。
- 将观测温度标准化为 $Z$ 分数，定义极端事件指标 $B_{k,t}$ ：当 $Z_{k,t} > 2$ 时（即极端高温，概率约 2.28%）， $B_{k,t}=1$ ，否则为 0。
概率建模：
- 采用**逻辑回归（Logistic Regression）**模型，引入二次时间趋势项，估计极端事件发生的时变概率 $p_{k,t}$ 。
- 模型验证显示 AUROC 值极高（0.83-0.94），证实了气候风险的非平稳性和加剧趋势。
空间相关性：计算各洲极端事件二元时间序列的 Pearson 相关系数，并验证其符合 Fréchet-Hoeffding 界限，确认全球气候风险存在正相关性但具备地理分散化空间。

2.2 气候风险对收益的影响实证

回归分析：构建扩展的 CAPM 模型，将各洲的温度异常指标 $B_{k,t}$ 作为协变量引入行业收益回归。
$R_{s,k,t} - R_{f,t} = \alpha + \beta(R_{MKT,t} - R_{f,t}) + \gamma_{s,k}B_{k,t} + \epsilon$
发现：在 23 个行业中，17 个行业的收益受到极端温度事件的显著负面影响（ $\gamma$ 系数为负）。这表明物理气候风险是系统性的负面因子。

2.3 新型风险指标构建

作者提出了两个基于温度异常的新指标：

气候风险暴露 (Climate Risk Exposure, CRE)：
- 衡量投资组合在给定时刻对极端气候事件的预期平均暴露。
- 公式： $CRE(w, t) = \sum \alpha_k(w) \cdot p_{k,t}$
- 其中 $\alpha_k(w)$ 是气候归一化权重，结合了资产组合权重、企业**资产强度（Asset Intensity, AI = 有形资产/营收）**以及各洲营收占比。这比单纯按市值加权更能反映物理脆弱性。
气候暴露波动率 (Climate Exposure Volatility, CEV)：
- 衡量投资组合气候暴露的方差，反映风险的不稳定性及地理分散化程度。
- 公式： $CEV(w, t) = Var(\sum \alpha_k(w)B_{k,t})$
- 该指标不仅包含各洲自身的风险方差，还包含洲间极端事件的相关性（协方差），能有效惩罚地理分散化不足的组合。

2.4 多目标优化框架

优化问题：构建一个三目标优化问题，寻找帕累托前沿（Pareto Frontier）：
1. 最大化预期收益 ( $f_1$ )
2. 最小化市场方差 ( $f_2$ )
3. 最小化气候暴露波动率 ( $f_3 = CEV$ )
算法：采用多目标粒子群优化算法 (MOPSO)。
- 处理非线性约束和非凸解空间。
- 使用 Ledoit-Wolf 收缩估计器处理协方差矩阵，确保数值稳定性。
- 通过超体积（Hypervolume）和间距（Spacing）指标调整超参数（种群大小、迭代次数、仓库大小）。

3. 关键贡献 (Key Contributions)

动态指标创新：首次提出基于时变概率和资产强度的 CRE 和 CEV 指标，克服了静态国家指数的局限，能够捕捉气候风险的动态演变和系统性关联。
实证证据：通过面板回归提供了统计证据，证明极端温度异常对大多数行业（特别是重资产行业如化工、能源、房地产）的股票收益有显著的负面影响。
优化框架扩展：将物理气候风险正式纳入均值 - 方差框架，扩展为三目标优化问题。证明了通过多目标优化，可以在不牺牲预期收益的情况下，显著降低物理风险波动率。
分散化机制：揭示了地理分散化在缓解物理气候风险中的核心作用，并量化了相关性对风险分散效果的制约。

4. 研究结果 (Results)

回测表现 (2020.01 - 2025.04)：
- 风险调整收益：包含气候风险约束的组合（如平衡策略 1/3, 1/3, 1/3）实现了高达 33.54% 的年化复合增长率 (CAGR)，且夏普比率 (Sharpe Ratio) 和索提诺比率 (Sortino Ratio) 表现优异。
- 最大回撤控制：最小化市场方差组合的最大回撤仅为 11.47%，显著优于纯收益导向组合（69.37%）。
- 气候风险指标：气候导向策略成功降低了实时的 CEV 和 CRE，证明了策略的有效性。
帕累托前沿分析：
- 引入 CEV 作为目标后，最优组合的分散化程度更高（活跃持仓数从 14.4 增加到 22-55 个），避免了过度集中。
- 降低 CEV 带来的预期收益损失非常有限，表明气候风险管理与财务绩效具有兼容性。
敏感性分析：CEV 与预期收益之间存在正相关关系，确认了 CEV 是独立于传统市场风险之外的风险维度。

5. 意义与启示 (Significance)

理论意义：打破了物理气候风险是“静态”或“非财务”的传统假设，将其确立为一种动态的、系统性的金融风险因子，并证明了其非平稳性。
实践价值：
- 为资产管理人提供了一套可操作的量化工具，用于构建具有气候韧性的投资组合。
- 证明了在优化过程中显式考虑物理风险（特别是通过 CEV 衡量地理分散化）不仅能降低极端天气带来的潜在损失，还能在长期内维持甚至提升风险调整后收益。
- 强调了地理分散化和资产强度在气候风险管理中的重要性，指导投资者避免在气候高风险区域过度集中重资产。
政策与行业影响：支持了监管机构和市场参与者从静态 ESG 评分向动态、基于物理风险数据的投资决策转变的必要性。

总结：该研究通过严谨的统计建模和先进的优化算法，成功将物理气候风险量化并整合进投资组合构建中，证明了“气候智能型”投资策略在财务回报和风险管理上的双重优势。