[論文レビュー] Dissecting the explanatory power of ESG features on equity returns by sector, capitalization, and year with interpretable machine learning

Jérémi Assael, Laurent Carlier+1 more|arXiv (Cornell University)|Jan 12, 2022

Financial Markets and Investment Strategies被引用数 4

ひとこと要約

本研究では、解釈可能な機械学習を用いて、セクター、マーケット・キャップ、時間の要因を考慮した上で、ヨーロッパ市場におけるESGスコアが株式リターンの異常をどのように説明するかを分析している。その結果、特にトラブルスコア（コントローバーシー・スコア）を含むESGデータが、マーケット・ファクターを超える有意義な超過リターンの一部を説明していることが判明した。ただし、影響は分かれている：大評価時（large caps）では高いESGパフォーマンスがリターンを押し上げるが、小評価時（small caps）では逆効果を示す可能性がある。

ABSTRACT

We systematically investigate the links between price returns and Environment, Social and Governance (ESG) scores in the European equity market. Using interpretable machine learning, we examine whether ESG scores can explain the part of price returns not accounted for by classic equity factors, especially the market one. We propose a cross-validation scheme with random company-wise validation to mitigate the relative initial lack of quantity and quality of ESG data, which allows us to use most of the latest and best data to both train and validate our models. Gradient boosting models successfully explain the part of annual price returns not accounted for by the market factor. We check with benchmark features that ESG data explain significantly better price returns than basic fundamental features alone. The most relevant ESG score encodes controversies. Finally, we find the opposite effects of better ESG scores on the price returns of small and large capitalization companies: better ESG scores are generally associated with larger price returns for the latter and reversely for the former.

研究の動機と目的

• 古典的ファクター（例：マーケット・ファクター）では説明できない株式リターンの部分が、ESGスコアによってどの程度説明可能であるかを調査すること。
• ESGスコアのデータ制限（特にスパarsityと一貫性の欠如）を、独創的なクロスバリデーションフレームワークにより是正すること。
• リターンの方向を予測する際の、ESG特徴量とファウンデーション・ベンチマーク特徴量の相対的な説明力の優位性を評価すること。
• ESGスコアの影響が産業セクター、マーケット・キャップ、時間軸の各段階でどのように変化するかを特定すること。
• SHAPベースの分析を用いて、リターン予測に寄与するESGコンponentsを解釈可能なインサイトとして明らかにすること。

提案手法

• 時系列に配慮した分割手法を用いた、企業単位のクロスバリデーションスキームを提案。訓練および検証に、最新で信頼性の高いESGデータを活用する。
• 勾配ブースティングモデル（例：XGBoost）を用いて、超過リターンの符号（正/負）を予測。耐性性を高めるために、1ビット信号（正/負）に焦点を当てる。
• SHAP（SHapley Additive exPlanations）を用いてモデル出力を解釈し、各ESGスコアおよびセクター組み合わせの限界寄与度を定量化する。
• 100以上のセルを含むマテリアリティマトリクスにおける多重仮説検定において、誤発見率（FDR）を制御するためのBenjamini-Hochberg手順を適用する。
• ESG特徴量とセクター特徴量をボッティング（バケット化）してマテリアリティマトリクスを構築し、予測された正のリターン確率に統計的に有意な影響を与える要因を可視化する。
• アウト・オブ・サンプルのテスト期間におけるモデルパフォーマンスを検証。ESGのみのモデルと、ファウンデーション・ベンチマーク特徴量のみを用いたモデルを比較する。

実験結果

リサーチクエスチョン

• RQ1 ESGデータは、マーケット・ファクターを超えて、株式リターンの変動の有意義な部分を説明できるか？
• RQ2 ESG特徴量の説明力は、マーケット・キャップのセグメント（小、中、大）によってどのように変化するか？
• RQ3 具体的にどのESGスコア（例：トラブル、ガバナンス、環境）がリターンの方向を最も予測可能か？
• RQ4 ESG特徴量の影響は産業セクターごとにどのように異なるか？
• RQ5 ESGデータの情報含量は、時間の経過とともに増加するのか（データ品質の向上に伴い）？

主な発見

• ESGスコア、特にトラブル関連のスコアが、ファウンデーション・ベンチマーク特徴量よりも、超過リターンの符号を説明する上で顕著に優れている。
• 最も影響力のあるESGスコアはトラブルを表すものであり、セクターおよび時間軸にわたって、最も強くかつ一貫した予測力を持つ。
• 大評価時企業（>10B€）では、高いESGスコアが、より高い期待リターンと関連しており、リスク調整後パフォーマンスへの正の効果が示唆される。
• 小評価時企業（<2B€）では、高いESGスコアが一般的に低い期待リターンと関連しており、負のまたは逆転した関係が示唆される。
• ESGデータの説明力は時間の経過とともに向上しており、2018年と2019年の間で検証誤差とテスト誤差の相関が上昇した。これは、情報含量が増加していることを示している。
• SHAP分析に基づくマテリアリティマトリクスは、統計的に有意な、セクター固有の効果を明らかにしている。多くのESGスコアが、小・中評価時企業では有意な影響を持たないことが判明した。