• 物理气候风险定义与建模 [page::0][page::1]

- 物理风险源于极端天气和长期气候变化直接影响企业有形资产与运营成本。
- 报告首次基于多变量扩展Vasicek FVM模型引入负跳跃过程，反映气候极端事件对资产价值的突然冲击。
- 通过公司资产强度和地理气候脆弱性对企业进行聚类，形成代表不同风险暴露的物理气候风险集群。

• 数据集与气候聚类 [page::5][page::6][page::7][page::8]

- 使用LSEG和ND-GAIN数据，覆盖10,430家全球上市公司，资产强度定义为有形资产对营收的比例。
- 根据ND-GAIN国家脆弱性指数进行两大类地理风险聚类（Low、Mid-High），并基于NACE行业划分四个资产强度集群。

• 气候风险冲击参数校准及损失测算 [page::9][page::10]

| Vulnerability\Intensity | Low | Medium | High | Extreme |
|------------------------|-------|--------|-------|---------|
| Low | 0.006 | 0.018 | 0.042 | 0.073 |
| Mid-High | 0.015 | 0.046 | 0.107 | 0.183 |

- 利用Gordon增长模型估计股权价值冲击，冲击系数$\alphak$为地理脆弱性与资产强度的乘积。
- 通过最小化均方误差方法，校准跳跃幅度$\thetak$和跳跃频率$\lambda_k$使模型输出与目标气候冲击一致。
- 校准后模型精确匹配不同集群的预期损失，示意数据如下：

| Vulnerability\Intensity | Low | Medium | High | Extreme |
|------------------------|-------|--------|-------|---------|
| Low | 1.51% | 3.75% | 6.62% | 11.57% |
| (目标损失) |(1.69%)|(4.42%) |(7.76%)|(13.00%) |
| Mid-High | 6.72% | 9.34% | 15.37%| 27.17% |
| (目标损失) |(5.56%)|(12.19%)|(18.57%)|(29.98%) |

• 物理风险对投资组合VaR的影响及行业差异分析 [page::12][page::13][page::14][page::15]

- 模拟不同时间尺度（1-20年）下，考虑和忽略气候风险模型的投资组合损失分布差异，提出物理风险VaR加成指标。
- 不同全球股指示例（MSCI World、ESG Leaders、Climate Paris Aligned）长期VaR及期望损失均因气候风险显著上升，且随时间加剧。

| 指数 | 时间 | △L | △VaR90% | △VaR95% | △VaR99% |
|-------------------------|----------|--------|---------|---------|---------|
| MSCI World | 1年 | 0.61% | 0.84% | 1.08% | 2.49% |
| | 5年 | 3.23% | 3.30% | 3.63% | 4.50% |
| | 10年 | 7.55% | 5.46% | 5.85% | 6.52% |
| | 20年 | 20.97% | 11.66% | 11.13% | 9.52% |

- 公用事业板块风险最高，5年95%置信VaR加成高达86%，其资产强度集中于“极端”集群。

• 量化方法与策略说明 [page::4][page::5][page::9][page::10]

- 模型基于Vasicek多变量FVM结构，资产价值引入负向跳跃Poisson过程，参数基于集群级别标定。
- 跳跃幅度参数保持常数，频率由集群特征决定，跳跃模拟采用蒙特卡洛方案($10^5$次，月度步长)。
- 利用Lewis公式替代Black-Scholes定价，处理跳跃跳扩散过程的权益价格计算。
- 投资组合损失通过模拟不同跳跃场景下的资产价值路径获得，计算标准与加剧场景下的VaR和期望损失差异。

• 结果稳健性验证与政策建议 [page::16][page::18]

- 跳跃过程之间考虑高度正相关性，仍对结果影响有限，模型稳健适用。
- 框架能为金融监管提供可操作化气候物理风险计量工具，支持将VaR加成引入监管标准（如Basel III）。

金融研究报告详尽分析报告

——《Climate Physical Risk Assessment in Asset Management》

---

1. 元数据与概览

• 标题：《Climate Physical Risk Assessment in Asset Management》

- 作者：Michele Azzone, Matteo Ghesini, Davide Stocco, Lorenzo Viola

• 发布机构：Politecnico di Milano（数学系）与 Arca Fondi SGR

- 发布日期：2025年4月29日

• 研究主题：本报告关注气候变化中“物理风险”（Physical Risk）对资产管理尤其是股票组合的影响，通过建立基于公司资产价值的跳跃扩散模型，揭示极端气候事件对企业资产价值及投资组合风险的影响，致力于为金融机构的风险管理和资本配置提供量化工具。

---

该报告主要贡献是提出了一个基于扩展Vasicek模型的多维联动公司资产价值模型，引入了代表气候极端事件引起的负面跳跃过程，用以模拟气候物理风险对企业资产价值的冲击。作者通过权衡已有文献中粗糙的宏观估计和极度细分的单国单资产模型，设计了一种既灵活又易于实操的气候风险评估工具。报告最终演示了该模型对全球多种股票指数构成的各类资产组合风险价值（VaR）影响的模拟和分析，强调物理风险导致的损失需引入额外安全资本以覆盖潜在风险，特别是对于资产强度高、物理暴露大板块。

报告语言专业严谨，结构严密，且配合丰富的实证数据与图表展现，具有较强的学术和实际应用价值。

---

2. 逐节深度解读

2.1 引言与研究背景（第1-2页）

• 关键论点与信息：

- 气候物理风险（洪水、水资源短缺、热浪等极端气候事件）将显著影响企业资产和利润，进而影响金融资产价值。
- 监管机构对金融机构整合物理气候风险进风险管理框架提出持续要求。
- 现有文献对物理风险的量化研究较少，且大多集中于过渡风险（脱碳风险）；物理风险研究多缺乏灵活、通用的多资产组合模型。
- 本文提出基于Vasicek多维资产价值模型的新框架，利用跳跃过程引入极端负面气候影响，创新在于利用公开可得数据结合公司资产强度和地理暴露实现模型校准和风险量化。

• 推理依据：

- 企业资产价值与股权价格的耦合关系（基于Merton模型视股权为公司资产的期权）。
- 气候风险导致资产价值负向跳跃，必须在资产动态中体现出来以准确反映风险水平。
- 通过地理位置（ND-GAIN国家气候脆弱性指数）和资产结构（有形资产占比）两大维度实现物理风险分簇。

• 文献回顾与创新点：

- 现有只有Dietz et al. (2016)和Bressan et al. (2024)专注物理风险，但分别过于宏观或过于数据密集，本报告提出中间方案，兼顾实操与精准。
- 贡献包括由公司层面视角出发的物理风险量化模型、基于公开数据的校准方法及组合风险指标（如VaR加成）计算框架。

---

2.2 公司资产价值模型（第3-5页）

• 模型介绍：

- 以 Vasicek (1987) 多变量Firm Value Model (FVM)为核心框架，公司资产价值用几何布朗运动表示，包含两个独立风险因子：公司特有（$Wj$）和系统性市场风险（$Z$）。
- 通过恰当分配两个波动率参数 $\sigmaj$ 和 $\omegaj$ 实现不同公司资产间的相关度 $\rho$。
- 股权价值等同于公司资产价值减去债务（债务视作执行价）的欧式看涨期权价格，利用Black-Scholes公式计算无跳跃时情形。

• 模型扩展：

- 引入基于Poisson过程的负跳跃$Lk(t)$以模拟因气候极端事件引起的资产价值突然下降，跳跃幅度 $\thetak < 0$，出现频率$\lambdak$。
- 跳跃过程对同一物理风险簇的公司共振，即公司被划分簇$k$，共享同一跳跃过程，体现地理与行业相似暴露导致的共风险。
- 在跳跃影响下，资产价值动态变成跳跃扩散过程，股权价值需用Lewis (2001)给出的傅里叶积分公式（特征函数法）计算。

• 数据模拟：

- 资产价值的路径通过蒙特卡洛方法模拟，分别考虑布朗运动和跳跃部分，模拟次数$10^5$次，保证统计稳健性。

---

2.3 数据集构成与聚类设计（第6-8页）

• 数据来源：

- 来自LSEG的全球约1万家上市公司，覆盖MSCI主要指数。
- 财务数据包括资产价值、股权价值、总债务、EBITDA等，全部转换为美元计价。
- 气候数据引入ND-GAIN的“脆弱性得分”，这是综合国家层面暴露度、适应能力等指标的气候物理风险评估指数。

• 聚类方法：

- 依据两维度划分公司：
1. 地理脆弱性：基于ND-GAIN脆弱性指数通过层次聚类形成Low和Mid-High两个类别；High类因样本较少合并入Mid-High。
2. 资产强度：使用有形资产（PPE）与收入比值，依据NACE行业分类计算行业均值，再通过聚类方法分为四个强度等级：Low, Medium, High, Extreme。

• 聚类结果关键数据：

- 表1与图2说明两地理类聚类差异明显，Mid-High组脆弱性均值约为0.53，显著高于低风险组0.21。
- 表2与图4展示四个资产强度类的分布，Extreme类（如采矿、公用事业）资产强度均值最高达0.345，表明面临较大物理风险暴露。

---

2.4 气候压力情形下预期损失与模型校准（第9-11页）

• 平均损失计算框架：

- 利用戈登增长模型（Gordon Growth Model）将股权价值与未来股息增长率关联。
- 物理风险通过缩减公司股息增长率指标 $g$ 为 $(1-\alpha)g$ 来模拟，$\alphak$由所属地理脆弱度与资产强度算术乘积决定，综合体现两个风险维度。

• 校准步骤：

1. 基础模型标定（无跳跃）：估计各公司初始资产价值$Vj(0)$与波动率$\hat{\sigma}j$，通过解非线性系统匹配市值与价格波动率。
2. 跳跃参数校准：对每聚类$k$，根据平均损失数据最小化实际股权价值与模型输出股权价值的均方误差（rMSPE），获得合适的跳跃幅度$\thetak$和频率$\lambdak$。

• 数据调整：

- 因缺失数据，原始10,430家公司样本降至5,351用于完整校准，仍有充足样本量分布在所有聚类，聚类结构充分稳定。

• 结果展示：

- 表4显示模型预期损失逼近目标损失值，证明校准效果良好。

---

2.5 物理风险影响评估与投资组合VaR分析（第11-13页）

• 风险指标定义与计算：

- 在基准Vasicek模型和跳跃扩散气候压力模型间，比较投资组合的损失分布。
- 采用蒙特卡洛全路径模拟计算时间点$t$下组合的百分比损失$L(t)$与$\tilde{L}(t)$，并基于此计算期望损失($\mathbb{E}[L]$)差异（$\Delta L$）及VaR加成（$\Delta VaR$）。

• 模拟结果与结论：

- 三大全球指数（MSCI World、ESG Leaders、Climate Paris Aligned）均显示，物理风险模型下资产组合VaR和期望损失随时间增长显著高于基准模型。
- 在5年时间段$95\%$置信度水平，VaR加成可达数个百分点（约3%~4%），反映了财务市场对物理风险的敏感度。
- 时间越长（如20年），VaR加成曲线趋缓原因是极端情形下股价趋近于零，跳跃影响差异缩小。
- 不同欧洲行业指数对比（图6），资产强度高的公用事业板块VaR加成最高达86%，其次为电信（28%）和能源（13%），其他行业较低。
- 结果呈现明显差异化，反映物理风险的行业集中性特征。

---

2.6 估值结果演示（主要图表解读）

• 图1（第6页）全球脆弱性分布图：

- 用颜色深浅映射国家层面的气候风险暴露，赤道附近如非洲中部、南亚区域红色明显，表明极高风险。
- 该图视觉化了全球南北差异，北半球发达地区脆弱性较低。

• 图2 & 表1（第7页）脆弱性得分分布及统计：

- 低风险簇均值0.212，标准差0.062；中高风险簇均值0.534，标准差0.115，样本量分布均匀。
- 估计的概率密度函数展现两个簇分布明显分离，符合预期。

• 图3（第8页）脆弱性簇在全球地图上的分布：

- 低风险（绿）集中于全球北方发达国家，高风险（橙）对应全球南方发展中国家。

• 图4 & 表2（第8页）资产强度分布及统计：

- 从低到极端四个簇，资产强度均值分别为0.032, 0.071, 0.202, 0.345，标准差同步升高。
- 显示采矿、电力等行业的资产密集度远大于基金、IT等轻资产行业。

• 表3（第9页）结合两维度计算的震荡因子$\alphak$：

- $\alphak$从最低0.006（低脆弱-低强度）到最高0.183（中高脆弱-极端强度）不等，直接对应损失震荡程度。

• 表4（第10页）模型与估计损失对比：

- 多数校准后模型预测的损失百分比与目标一致，部分轻微偏差但整体匹配良好。

• 表6（第13页）VaR与期望损失差异数据：

- 显示多个指数在不同时间点下，因气候物理风险引起的风险上升幅度。

• 表7（第13页）各指数组成的物理风险簇分布：

- 资产强度和地理暴露均在三大指数间相似，合乎三者VaR表现接近的逻辑。

• 图5（第14页）MSCI欧洲公用事业指数VaR时间趋势：

- 物理风险模型VaR随时间持续上升，基准模型则表现为长期递减，反映未来气候物理风险的累积冲击。

• 图6 & 图7（第15页）行业VaR加成与公用事业资产强度构成：

- 环比行业VaR加成差异显著，公用事业占极端高资产强度比例高达87%，解析行业高风险特征。

---

2.7 风险因素评估

• 主要风险因素体现在气候极端事件带来的资产负面跳跃，且受公司所处国家气候暴露度和资产强度双重影响。

- 数据披露不完整、资产实际物理分布与公司总部不同等问题，构成模型应用上的限制和潜在偏差。

• 模型假设公司持续滚动再融资，避免单一债务到期风险过度估计，但未来实际再融资条件可能受气候风险影响复杂化。

---

2.8 批判性视角与细节

• 模型中假设所有跳跃为负向且幅度固定，忽略极端正面事件或跳跃幅度的随机波动，未来可考虑更复杂的跳跃幅度分布形式。

- 物理风险仅从资产负债表和地理暴露简单归类，未深入考虑供应链中断、运营成本上涨等间接风险渠道。

• 投资者假设在计算VaR时忽视气候风险（即用传统Black-Scholes公式估值），真实市场可能逐渐反映这些风险，后续研究可探讨投资者行为的动态调整。

- 样本剔除较多，可能存在样本选择偏差，且局限于公开市场股票数据，对私有资产及新兴市场覆盖有限。

---

3. 结论性综合

本报告开拓性地提出了一种基于跳跃扩散多变量Vasicek模型的物理气候风险量化方法，成功将气候极端事件对资产价值的负面冲击纳入资产管理风险框架中。通过结合地理区域脆弱度（ND-GAIN指数）与公司资产强度（有形资产/收入比）两大核心维度，将上市公司划分为细化的风险簇，模型对每个簇分别校准跳跃幅度与频率，实现风险的精准刻画。

基于全球10,000余家公司数据，模型经过严密校准，并通过蒙特卡洛模拟详细分析了不同指数及行业投资组合在气候压力情境下的损失和VaR加成，结果表明：

• 气候物理风险对资产组合的预期损失和VaR均带来显著提升，且该效应随时间延长而增强，五年期和十年期尤为显著。

- 行业间风险暴露存在显著差异，资产强度高的公用事业、电信和能源行业风险尤为突出，需重点关注相关风险资本配置。

• 现有模型的计算结果清晰映射了全球气候脆弱性的南北分布差异，反映该风险广泛且具有区域集中特性。

此外，研究提出了VaR加成的可操作框架，便于监管机构在现有巴塞尔协议风险测算方法上加入物理气候风险因子，增强金融体系整体抵御气候冲击的能力。

公式推导、算法细节及模拟步骤公开透明，附带的图表及统计结果以客观数据洞察强化了论点的说服力。

---

4. 关键表格与图表分析总结

| 图/表号 | 内容描述 | 深度解读及意义 |
|---------|------------------|----------------|
| 图1 | 全球气候脆弱性分布地图 | 直观反映气候风险区域，加深理解相关风险的地理分布，支撑模型中地域暴露因子的选择。|
| 图2 & 表1 | 低/中高脆弱性簇的脆弱性得分分布与统计 | 展示分类合理性，支持聚类划分强烈区分地理风险水平，确保模型聚类的稳健性。|
| 图3 | 脆弱性簇地理分布图 | 验证分层聚类切分为南北极端差异，实现对全球气候风险的定位。|
| 图4 & 表2 | 资产强度分布及统计 | 显示行业层面资产依赖的差异，为区分行业暴露风险提供量化基础。|
| 表3 | 不同簇乘积计算的损失震荡因子$\alphak$ | 体现地理暴露与资产强度联合效应对风险冲击的影响，调节跳跃强度模型参数。|
| 表4 | 模型校准后实际损失与目标损失对比 | 校验模型拟合效果，确保跳跃过程参数选取的有效性和实用性。|
| 表6 | 各指数在不同时间下VaR和损失差异 | 证实物理风险对投资组合风险度量的实际影响，指导长短期资本管理策略。|
| 表7 | 各指数内部风险簇分布 | 解释对应指数风险差异但总体表现相近，论证组合层面风险集中特征。|
| 图5 | 公用事业指数VaR时间序列对比 | 强调物理风险随时间累积效应及可能带来的风险逐年攀升，辅助决策制定。|
| 图6 & 图7 | 欧洲行业VaR加成排名与公用事业行业资产强度构成 | 表明高资产强度行业风险显著，为监管资本配置和投资策略调整指明方向。|

---

5. 估值分析简析

• 报告基于经典Merton公司结构模型，用野阶布朗运动模型资产价值，股权视公司资产与债务差额的期权。

- 通过引入复合泊松负向跳跃过程，模拟气候风险导致的资产价值突发大幅下降，避免仅依赖连续扩散过程。

• 在无跳跃时，用Black-Scholes欧式看涨期权公式定价股权。

- 跳跃模型中，用Lewis（2001）提出的基于特征函数的积分方法进行股权估值，解决非纯扩散模型的期权定价难题。

• 校准步骤为两阶段：无跳跃参数标定与跳跃参数拟合，兼顾市场隐含信息与气候物理风险统计特性。

- 估值方法严格，理论上可推广并结合市场隐含波动率与其它风险因子训练，具备较强扩展潜力。

---

6. 风险因素评估

• 数据缺失风险：大批公司因部分财务或气候数据不可得被剔除，影响模型泛化及风险覆盖完整度。

- 地理与资产暴露识别局限：将公司总部位置视为物理资产位置简化现实，有潜在误差。

• 模型假设简化：跳跃幅度为负常数，忽略多样化跳跃大小和正跳跃可能，限制了冲击多样性。

- 市场评估假设：内部模型假设投资者无视风险调整，现实中投资者预期和价格可能已反映部分风险。

• 债务滚动假设：滚动再融资模式降低传统固息债务带来的单次损失尖峰，但实际融资环境可能受气候事件扰动极大。

- 行业间风控难度差异：间接风险传导链条（供应链、产品市场影响）未能充分建模，可能低估部分行业系统风险。

---

7. 审慎视角与细节

• 报告谨慎引入跳跃部分，确保既体现气候物理风险又不至过度复杂，实用性强但理论深度略缩水。

- 物理风险在现有模型中更多反映为资产价值的掉期，并未细化为利润波动、现金流中断等财务指标更细致影响。

• 资本市场对气候风险反应的非均衡性未得到充分探讨，特别是不同市场深度和信息披露水准差异。

- 多维跳跃相关性检验显示较弱影响，为模型简化提供依据，但现实中极端事件联动可能超出模型假设范围。

• 对比Bressan等细粒度模型，本报告方法更适合大规模组合管理，体现工具开发的实务导向。

---

8. 全文总结

这份报告系统而全面地开展了物理气候风险在资产管理领域的建模及实证研究，核心贡献如下：

• 提出基于多元跳跃扩散的公司资产价值模型，首次在资产管理视角系统纳入气候负面跳跃风险。

- 利用公开数据和经济学聚类方法，巧妙整合了地理脆弱性与企业资产强度，精准映射气候物理风险暴露。

• 校准方法科学有效，保证模型能反映真实市场特征同时捕获气候风险冲击。

- 模拟结果揭示气候物理风险对长期投资组合范畴VaR和预期损失带来非线性且明显的上升，提示传统风险测度存在左侧风险低估。

• 行业差异清晰，公用事业、电信等重资产行业极需视气候风险调整资本配置，具备政策影响力。

- 监管层面，该模型支持设计标准化的风险资本加成（VaR Add-on），为监管框架下物理气候风险纳入提供可操作方案。

总之，本研究创新性地弥补了气候物理风险定量评估工具在资产管理中的缺口，其理论模型与实证框架兼顾深度与广度，对学术、监管及实务界均有重要启示意义。

---

（所有观点引用自原报告对应页码，严格遵守引用标注规范。）[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,18,19,20]

报告