[論文レビュー] ESG investments: Filtering versus machine learning approaches

Carmine De Franco, Christophe Geissler+2 more|arXiv (Cornell University)|Feb 18, 2020

Stock Market Forecasting Methods参考文献 23被引用数 5

ひとこと要約

本稿では、個々のESG要因と財務パフォーマンスの間の非線形パターンを同定する機械学習ベースの株式選択戦略を提案しており、従来のESGスクリーニング手法（例：ベストインクラス法）を上回るパフォーマンスを示している。継続的に更新されるルールベースのアルゴリズムによりESG特徴量から超過収益予測をマッピングすることで、正のアルファを持つ株式を選別するスコアを生成しており、ESGドリブンのアルファは非線形モデリング技術によってのみ達成可能であることを示している。

ABSTRACT

We designed a machine learning algorithm that identifies patterns between ESG profiles and financial performances for companies in a large investment universe. The algorithm consists of regularly updated sets of rules that map regions into the high-dimensional space of ESG features to excess return predictions. The final aggregated predictions are transformed into scores which allow us to design simple strategies that screen the investment universe for stocks with positive scores. By linking the ESG features with financial performances in a non-linear way, our strategy based upon our machine learning algorithm turns out to be an efficient stock picking tool, which outperforms classic strategies that screen stocks according to their ESG ratings, as the popular best-in-class approach. Our paper brings new ideas in the growing field of financial literature that investigates the links between ESG behavior and the economy. We show indeed that there is clearly some form of alpha in the ESG profile of a company, but that this alpha can be accessed only with powerful, non-linear techniques such as machine learning.

研究の動機と目的

• 集約されたESG評価を超えて、ESG要因が財務パフォーマンスに予測力を持つかどうかを調査すること。
• 線形で合成されたESG評価の限界を是正し、リターンに与えるセクターおよび地域特有のESGインパactsを的確に捉えること。
• 詳細なESG指標からアルファを抽出できる動的で非線形な機械学習モデルを開発・検証すること。
• 本MLベースの戦略が、特にベストインクラス法を含む従来のESGスクリーニング手法と比較して、どのようにパフォーマンスを発揮するかを評価すること。

提案手法

• 著者らは、定期的に更新されるルールセットを用いて、高次元のESG特徴空間から超過株価リターンの予測を行う機械学習アルゴリズムを設計した。
• 各ルールは、将来の株価リターンの条件付き期待値が統計的に有意に正または負であるESG特徴空間の領域を定義する。
• アルゴリズムは、パフォーマンス優位性または劣位性に関連する統計的に有意な領域を特定する再帰的分割アプローチを用いる。
• 個々のルールからの予測を統合し、最終的なスコア {-1, 0, +1} に変換する。このスコアは、予想される負の超過リターン、中立的、または正の超過リターンを示す。
• 市場およびESG状況の変化に応じて、予測力を維持するため、モデルは定期的に再訓練（例：年次）される。
• 最終的な戦略は、+1スコアを持つ株式を選別し、バックテスト用に長期のみのポジションをとるポートフォリオを形成する。

実験結果

リサーチクエスチョン

• RQ1 詳細なESG指標を非線形的に分析することで、合成ESG評価よりも将来の株式パフォーマンスをより効果的に予測できるか？
• RQ2 機械学習ベースのESG株式選択戦略は、ベストインクラス法などの従来のESGスクリーニング手法を上回るか？
• RQ3 ESGベースのルールの予測力は時間経過とともにどのように変化するか？また、モデルの再訓練に最適な頻度は何か？
• RQ4 どのESG特徴および特徴の組み合わせが、異なるセクターおよび地理的領域において財務パフォーマンスの優位性を最も効果的に予測するか？
• RQ5 ESG特性と財務リターンの非線形関係が、株式ポートフォリオにおいて測定可能なアルファを生み出す程度はどの程度か？

主な発見

• 機械学習ベースの戦略は、複数のアウトオブサンプル期間にわたり、ベストインクラスESGスクリーニング手法を一貫して上回った。
• 静的ESG評価またはルールセットの予測力は時間経過とともに低下するため、アルゴリズムの定期的再訓練が不可欠である。
• アルゴリズムが使用する有効なルール数は31～73の間で変動し、時間経過とともに負の超過リターン予測に関連するルールの割合が増加した。
• 2つのESG特徴を用いた複雑なルールが、単一の特徴に基づく単純なルールよりも情報量が多く、非線形相互作用の重要性を示している。
• Positive ML Screeningポートフォリオは、固定学習期間（例：LEARNING 2012, LEARNING 2013）に基づくポートフォリオと比較して、特に最初の年以降に優れた暦超過リターンを達成した。
• 本研究は、ESGプロファイルに測定可能なアルファが存在することを確認したが、これは線形的または合成レーティングシステムではなく、非線形でデータ駆動の技術によって抽出された場合に限る。