我们的研究为可持续投资者将先进的自然语言处理（NLP）模型融入决策流程提供了一个框架。通过利用基于 BERT 和基于 Transformer 的模型，投资者可以系统性地分析实时新闻，识别与 ESG 相关的内容，并从这些内容中提取基于情感倾向的投资信号。尤其是，比如GPT、Llama和Mistral等基于 Transformer 的模型能够对上下文情感和细微语言表达深入理解，从而更准确地进行 ESG 分类与评估。这些模型提升了投资者发现对财务具有重大影响的ESG事件的能力，使他们发现潜在风险或机会。

除了对 ESG 新闻进行情绪分析之外，我们的研究还强调了模型微调在提升 ESG 分类准确性和投资见解方面的作用。虽然预训练模型提供了坚实基础，但我们的研究表明，结合投研分析师的专家标注进行微调能显著增强模型性能。我们还发现，少样本学习或“in-context learning”（上下文学习）技术并不总能带来持续改进，有时甚至会降低准确性。此外，语言模型还能评估新闻事件与公司业绩之间的因果关系，提供更深入的见解，说明 ESG 因素如何影响股票价格。通过优化专家标注的使用并细化模型置信度阈值，资产管理公司可以提升其预测能力，从而在可持续投资领域增强自身的竞争优势。