投资组合优化方法不可避免地依赖于市场和经济的多元建模。 在本文中，我们解决了与这些复杂系统建模相关的三个错误来源： 1. 过度简化假设； 2. 参数抽样误差导致的不确定性； 3. 这些系统的内在非平稳性。 对于第 1 点的问题，我们提出了 L0 范数稀疏椭圆建模，并表明稀疏化是有效的。 点 2. 和 3. 的影响通过研究模型在样本内和样本外的似然性对不同长度的训练集估计的参数进行量化。 我们表明，当训练集中包含两到三年的日常观察时，具有更大样本外可能性的模型可以产生更好的投资组合。 对于较大的训练集，我们发现投资组合性能恶化并与模型的可能性脱节，突出了非平稳性的作用。 我们通过研究表明系统随时间显着变化的单个观察的样本外可能性来进一步研究这种现象。 从长远来看，较大的估计窗口会导致稳定的可能性，但以短期内较低的可能性为代价：金融的“最佳”拟合需要根据持有期来定义。 最后，我们表明稀疏模型优于完整模型，因为它们提供更高的样本外似然性、更低的实际投资组合波动性和提高投资组合的稳定性，避免了均值方差优化的典型陷阱。

这项工作提出了一种新颖的方法，通过使用机器学习（ML）技术来识别那些更有助于构建有效投资组合的指标，从而克服ESG评分中当前的不一致之处。 机器学习可以实现此结果，而无需基于模型的方法论，这是现代投资组合理论方法的典型代表。 通过我们的方法确定的ESG指标显示出歧视力，在考虑了Fama-French五因素模型确定的风格因素和BIRR模型的宏观经济因素后也具有区分力。 论文的新颖性是三方面的：a）分析了许多ESG指标，b）ML确保的无模型方法，以及c）区分了ESG特定指标对投资组合绩效的贡献与传统风格和宏观经济因素。 根据我们的结果，可从可用的原始ESG数据中提取更多信息内容以进行投资组合构建，并且使用我们的方法确定的一半ESG指标是环境方面的。 在环境指标中，有一些是指公司的风险敞口和应对气候变化风险（即过渡风险）的能力。

金融课程 EDHEC商学院有关Coursera上使用python构建投资组合的金融课程的注释和示例。 这些课程是Python和机器学习专业化的投资管理的一部分： : 第一门课程：使用Python构建投资组合和分析入门， 链接： : 。 主题： 收益与风险价值 投资组合优化简介 超越多元化 资产负债管理导论 第二门课程：使用Python进行高级投资组合构建和分析， 链接： : 。 主题： 风格和因素 协方差矩阵的稳健估计 可靠的预期收益估算 实践中的投资组合优化 第三门课程：用于资产管理的Python和机器学习 链接： ： 主题： 介绍机器学习的基础 机器学习技术