[論文レビュー] Heterogeneous Ensemble for ESG Ratings Prediction

Tim Krappel, Alex Bogun+1 more|Alexandria (UniSG) (University of St.Gallen)|Sep 21, 2021

Corporate Social Responsibility Reporting参考文献 49被引用数 7

ひとこと要約

本論文では、フィードフォワードニューラルネットワーク、CatBoost、XGBoostを組み合わせた非均質アンサンブルモデルを提案し、基本的財務データを用いてESGスコアを予測する。評価値の変動を54%のR²で説明し、先行手法を上回る性能を示し、持続可能性報告書のない企業に対してもスケーラブルでコスト効率の良いESGスコアリングを可能にする。

ABSTRACT

Over the past years, topics ranging from climate change to human rights have seen increasing importance for investment decisions. Hence, investors (asset managers and asset owners) who wanted to incorporate these issues started to assess companies based on how they handle such topics. For this assessment, investors rely on specialized rating agencies that issue ratings along the environmental, social and governance (ESG) dimensions. Such ratings allow them to make investment decisions in favor of sustainability. However, rating agencies base their analysis on subjective assessment of sustainability reports, not provided by every company. Furthermore, due to human labor involved, rating agencies are currently facing the challenge to scale up the coverage in a timely manner. In order to alleviate these challenges and contribute to the overall goal of supporting sustainability, we propose a heterogeneous ensemble model to predict ESG ratings using fundamental data. This model is based on feedforward neural network, CatBoost and XGBoost ensemble members. Given the public availability of fundamental data, the proposed method would allow cost-efficient and scalable creation of initial ESG ratings (also for companies without sustainability reporting). Using our approach we are able to explain 54% of the variation in ratings R2 using fundamental data and outperform prior work in this area.

研究の動機と目的

• ESGスコアリングプロセスにおけるスケーラビリティと主観性の課題を解決するため、公表済みの基本的財務データからスコアを予測すること。
• 持続的投資を支援するため、小規模企業や新興上場企業など持続可能性報告書のない企業に対してもESGスコアを提供できること。
• レーティング機関による主観的評価に依存せず、ESGの各次元における一貫性を向上させること。
• 規制対象の公表済み財務データのみを用いて、既存の手法を上回るESGスコア予測を実現する機械学習モデルを開発すること。
• 長期的な持続可能性目標を支援する透明性があり再現可能な初期ESGスコアリング手法を提供すること。

提案手法

• モデルは、フィードフォワードニューラルネットワーク、CatBoost、XGBoostの3つのベースラーナーからなる非均質アンサンブルを採用し、基本的財務データで学習する。
• 特徴工学には、財務レシオ、損益計算書、貸借対照表、現金流量指標の標準化と正規化を含む。
• アンサンブル平均化により個々のモデルの予測を統合し、検証データにおけるモデル性能に基づく重み付き投票を実施する。
• モデルは、Eikonプラットフォームから得た基本的データと、Refinitivが提供する50のS&P 500企業のESGスコアを用いて学習・評価した。
• R²、平均絶対誤差（MAE）、ベースラインモデルおよび先行研究との比較を用いてモデル性能を評価する。
• 予測性能を最適化するために、ベイズ最適化を用いてハイパーパrameterチューニングを実施した。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルの非均質アンサンブルは、基本的財務データのみを用いて、高い精度でESGスコアを予測できるか？
• RQ2 提案されたアンサンブルモデルは、個々のモデルや先行の最先端手法と比較して、ESGスコア予測においてどのように優れているか？
• RQ3 基本的データが企業間のESGスコアの変動をどの程度説明できるか？
• RQ4 持続可能性報告書のない企業に対しても、信頼性のあるESGスコアを生成できるか。これによりカバレッジとスケーラビリティが向上するか？
• RQ5 環境（E）、社会的（S）、ガバナンス（G）の各次元における予測の精度と一貫性は、それぞれどのように異なるか？

主な発見

• 非均質アンサンブルモデルは、ESGスコアの変動を54%のR²で説明し、同様の設定下で先行手法を顕著に上回る性能を示した。
• ベースラインモデルと比較して、全ESG次元における平均絶対誤差（MAE）が低く抑えられ、特にガバナンス（G）次元で最小の誤差が観察された。
• 50社のランダムに選択されたS&P 500企業について、モデルの予測ESGスコアは中央絶対誤差が10.2であり、60%の予測が実際のスコアから±15ポイント以内に収束した。
• 業界をまたがる堅牢性を示し、特にテクノロジーやインフラ分野で優れた性能を発揮。ESG全体および各次元においてR²が50%を超えた。
• アンサンブルアプローチは一貫して個々のモデルを上回り、特にCatBoostとXGBoostが最終予測の安定性と正確性に最も寄与した。
• 持続可能性報告書のない企業に対しても、ESGスコアを的確に予測でき、ESGスコアリングにおける広範なスケーラビリティの可能性を実証した。