[論文レビュー] ESG2Risk: A Deep Learning Framework from ESG News to Stock Volatility Prediction

Tian Guo, Nicolas Jamet+3 more|arXiv (Cornell University)|May 5, 2020

Market Dynamics and Volatility被引用数 4

ひとこと要約

本稿では、ESGニュースのトランスフォーマー基盤テキスト埋め込みを活用して株式市場のボラティリティを予測する深層学習フレームワーク、ESG2Riskを提案する。感情分析のみのモデルを上回る性能を示し、米国および欧州株式市場において、市場リスクのタイムリーな予測要因としてESGニュースの有効性を裏付ける。

ABSTRACT

Incorporating environmental, social, and governance (ESG) considerations into systematic investments has drawn numerous attention recently. In this paper, we focus on the ESG events in financial news flow and exploring the predictive power of ESG related financial news on stock volatility. In particular, we develop a pipeline of ESG news extraction, news representations, and Bayesian inference of deep learning models. Experimental evaluation on real data and different markets demonstrates the superior predicting performance as well as the relation of high volatility prediction to stocks with potential high risk and low return. It also shows the prospect of the proposed pipeline as a flexible predicting framework for various textual data and target variables.

研究の動機と目的

• ESG関連のニュースフローが、従来の構造化されたESGデータよりも、将来の株式ボラティリティをより効果的に予測できるかどうかを調査すること。
• 非構造化ESGニュースを数値的表現に変換するためのスケーラブルなNLPパイプラインを構築すること。
• 実現ボラティリティに対するESGニュースの予測力と、ポートフォリオリスク管理へのインプリケーションを評価すること。
• ESG2Riskが、高いリスクと低いリターンの可能性を有する株式を特定できることを実証し、投資戦略選定の改善を図ること。

提案手法

• ドメインエキスパートが定義したESG語彙とエンティティリンク技術を用いて、ESGニュースを抽出し、特定の企業に関連付ける。
• 事前学習済みのトランスフォーマー基盤言語モデルを用いて、テキスト形式のESGニュースを意味的・感情的情報を保持した高次元ベクトル表現に埋め込む。
• モデルの不確実性を推定し、耐性を高めるために、ステochastic gradient Markov Chain Monte Carlo (SG-MCMC) 推論を用いたベイジアンニューラルネットワークを採用。
• 予測ボラティリティは、モデルパラメータの事後分布からのモンテカルロサンプリングにより算出され、確率的予測が得られる。
• 2015年から2019年のOut-of-sampleテストデータを用いて、MSCI USおよびAll Cap EU株式市場でパイプラインを独立して評価。
• 1週間および2週間先のボラティリティ予測において、RMSEおよびMAEを用いてモデル性能を測定し、ボラティリティ予測の5分位に分類したポートフォリオのバックテストを実施。

実験結果

リサーチクエスチョン

• RQ1 ESGニュースフローは、将来の株式ボラティリティをタイムリーかつ予測可能なシグナルとして機能するか？
• RQ2 トランスフォーマー基盤テキスト埋め込みモデルは、感情分析のみのモデルに比べて、株式ボラティリティ予測においてどのように優れているか？
• RQ3 ESGニュースを統合することで、株式ポートフォリオにおける高リスク・低リターン株式の特定が改善されるか？
• RQ4 ESG2Riskフレームワークは、異なる株式市場および時間枠にどの程度一般化可能か？

主な発見

• MSCI USおよびAll Cap EU市場の両方で、ESG2Riskは1週間先ボラティリティ予測において、感情分析のみのベースライン（RMSE: 0.663および0.630；MAE: 0.542および0.515）を大きく下回る、顕著に低いRMSE（0.289および0.281）とMAE（0.249および0.241）を達成した。
• 特に予測リスク5分位の上位（Qt 4）に属する株式では、モデルの予測ボラティリティと実際の実現ボラティリティの相関が強く、顕著に高い実現ボラティリティを示した。
• 高予測ボラティリティに基づくポートフォリオは、低リスク5分位のポートフォリオと比較して、顕著に低い平均リターンを示し、リスクおよびリターン特性に対する予測力が裏付けられた。
• ベイジアン推論アプローチにより、安定的かつ頑健な予測が可能となり、モンテカルロサンプリングによってボラティリティ予測の信頼性のある不確実性推定が得られた。
• フレームワークは、高リスク・低リターンの可能性を有する株式を効果的に特定でき、システマティックなESG投資およびリスクに配慮したポートフォリオ構築における実用性を裏付けた。
• ESG2Riskパイプラインは、地理的・時間的枠組みを越えて良好に一般化でき、1週間および2週間の予測タスクにおいて一貫した性能を示した。