[논문 리뷰] Dissecting the explanatory power of ESG features on equity returns by sector, capitalization, and year with interpretable machine learning

Jérémi Assael, Laurent Carlier외 1명|arXiv (Cornell University)|2022. 01. 12.

Financial Markets and Investment Strategies인용 수 4

한 줄 요약

이 연구는 해석 가능한 기계학습을 사용하여 유럽 시장에서 ESG 스코어가 산업, 시가총액, 시간에 따라 주식 수익률 비정상성을 어떻게 설명하는지 분석한다. 섹터, 시가총액, 시간을 고려한 결과, ESG 데이터—특히 논란 스코어—는 시장 요인을 초월해 유의미한 수익률 초과를 설명하며, 이는 이질적인 영향을 미친다: 높은 ESG 성과는 대형주에서는 수익률을 높이지만, 소형주는 오히려 손해를 볼 수 있다.

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.

연구 동기 및 목표

• 시장 요인과 같은 고전적 요인들이 설명하지 못하는 주식 수익률의 부분이 ESG 스코어에 의해 설명되는지 조사하기 위해.
• 특히 희소성과 일관성 부족 등의 문제로 인한 ESG 스코어의 데이터 한계를 해결하기 위해 새로운 교차검증 프레임워크를 제안하기 위해.
• 수익률 방향 예측에서 ESG 특징과 기본적 기준 특징 간의 상대적 설명력 평가하기 위해.
• ESG 스코어의 영향력이 산업 부문, 시가총액, 시간에 따라 어떻게 변화하는지 밝혀내기 위해.
• SHAP 기반 분석을 통해 어떤 ESG 구성 요소가 수익률 예측에 기여하는지 해석 가능한 통찰을 제공하기 위해.

제안 방법

• 최근의 신뢰할 수 있는 ESG 데이터를 훈련 및 검증에 사용하기 위해 시간적 순서를 고려한 기업별 교차검증 기반의 스플리팅 기법을 제안한다.
• 강건성을 확보하기 위해 초과 수익의 부호(양/음)를 예측하는 데 초점을 맞춘 기울기 부스팅 모델(XGBoost 등)을 활용한다.
• 각 ESG 스코어와 산업 부문 조합의 마진 기여도를 정량화하기 위해 SHAP(SHapley Additive exPlanations)를 활용해 모델 출력을 해석한다.
• 100개 이상의 셀을 포함한 물질성 행렬에서 다중 가설 검정의 거짓 발견률(FDR)을 제어하기 위해 Benjamini-Hochberg 절차를 적용한다.
• ESG 특징과 산업 특징을 버킷화하여 예측된 양의 수익률 확률에 대한 통계적으로 유의미한 영향을 시각화하는 물질성 행렬을 구축한다.
• 검증 기간 동안의 모델 성능을 검증하고, ESG 전용 모델과 기본적 기준 특징만을 사용한 모델 간 성능을 비교한다.

실험 결과

연구 질문

• RQ1 ESG 데이터는 시장 요인을 초월해 주식 수익률 변동의 유의미한 부분을 설명하는가?
• RQ2 ESG 특징의 설명력은 시가총액 세분(소형주, 중형주, 대형주)에 따라 어떻게 다를까?
• RQ3 특정 ESG 스코어(예: 논란, 거버넌스, 환경 등) 중에서 수익률 방향 예측에 가장 예측력이 높은 것은 무엇인가?
• RQ4 ESG 특징의 영향력은 산업 부문에 따라 어떻게 다를까?
• RQ5 ESG 데이터의 정보량은 시간이 지남에 따라 증가하는가? (데이터 품질 향상에 따라)

주요 결과

• 특히 논란과 관련된 ESG 스코어가 기본적 기준 특징보다 초과 수익의 부호를 설명하는 데 유의미하게 뛰어나다.
• 가장 영향력 있는 ESG 스코어는 논란을 나타내는 스코어로, 산업 부문과 시간에 걸쳐 가장 강력하고 일관된 예측력을 보인다.
• 대형주(100억 유로 이상)에서는 높은 ESG 스코어가 더 높은 기대 수익률과 관련이 있으며, 이는 긍정적인 리스크 조정 수익률 효과를 시사한다.
• 소형주(20억 유로 이하)에서는 높은 ESG 스코어가 일반적으로 더 낮은 기대 수익률과 관련이 있으며, 이는 부정적 또는 반전된 관계를 시사한다.
• ESG 데이터의 설명력은 시간이 지남에 따라 증가했으며, 2018년과 2019년에 검증 세트 오차와 테스트 세트 오차 간 상관계수가 증가함으로써 정보량 증가를 보여준다.
• SHAP 분석을 통한 물질성 행렬은 통계적으로 유의미한 부문별 영향을 드러내며, 많은 ESG 스코어가 소형주 및 중형주 기업에서는 유의미한 영향을 미치지 않는 것으로 나타났다.