[논문 리뷰] ESG investments: Filtering versus machine learning approaches

Carmine De Franco, Christophe Geissler외 2명|arXiv (Cornell University)|2020. 02. 18.

Stock Market Forecasting Methods참고 문헌 23인용 수 5

한 줄 요약

이 논문은 개별 ESG 요소와 재무 성과 간의 비선형적 패턴을 식별하는 기계학습 기반 주식 선별 전략을 제안하며, 전통적인 ESG 선별 방법(예: 베스트인클라스 접근법)을 능가한다. 지속적으로 업데이트되는 규칙 기반 알고리즘을 통해 ESG 특징을 초과 수익 예측으로 매핑함으로써, 정규화된 수익률이 양의 알파를 보이는 주식을 선별하는 점수를 생성한다. 이는 ESG 기반 알파가 선형 모델링 기법을 초월한 고급 비선형 기법을 통해만 접근 가능하다는 것을 보여준다.

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.

연구 동기 및 목표

• 집계된 ESG 평가를 초월해 ESG 요소가 재무 성과에 예측력을 지닌다거나 지속 가능한지 조사하기.
• 선형적이고 복합적인 ESG 평가가 수익에 영향을 미치는 세분화된 산업 및 지역 기반의 ESG 영향을 포착하지 못하는 한계를 해결하기.
• 정밀한 ESG 지표에서 알파를 추출하는 동적 비선형 기계학습 모델을 개발하고 테스트하기.
• 이러한 기계학습 기반 전략의 성능을 기존의 전통적인 ESG 선별 방법(특히 베스트인클라스 접근법)과 비교하기.

제안 방법

• 저자는 고차원적인 ESG 특징 공간을 초과 수익 예측으로 매핑하는 기계학습 알고리즘을 설계하였으며, 정기적으로 업데이트되는 규칙 세트를 사용한다.
• 각 규칙은 향후 주가 수익률의 조건부 기대값이 통계적으로 양이거나 음이 되는 ESG 특징 공간의 영역을 정의한다.
• 알고리즘은 초과수익 또는 저수익을 유도하는 영역을 통계적으로 유의미하게 식별하기 위해 재귀적 분할 기법을 사용한다.
• 개별 규칙의 예측 결과는 집계되어 최종 점수 {-1, 0, +1}로 변환되며, 이는 예상되는 음성 초과수익, 중립, 양성 초과수익을 나타낸다.
• 시장 및 ESG 조건의 변화에 따라 예측 능력을 유지하기 위해 모델은 정기적으로 재학습된다(예: 매년).
• 최종 전략은 +1 점수를 가진 주식을 선택하여 백테스트를 위한 장기 포지션 포트폴리오를 구성하며, 기준 지표 및 표준 ESG 전략과 비교한다.

실험 결과

연구 질문

• RQ1 비선형적으로 분석된 정밀한 ESG 지표는 복합 ESG 평가보다 미래 주가 성과를 더 효과적으로 예측할 수 있는가?
• RQ2 기계학습 기반 ESG 주식 선별 전략은 전통적인 ESG 선별 방법(예: 베스트인클라스 접근법)을 능가하는가?
• RQ3 ESG 기반 규칙의 예측 능력은 시간이 지남에 따라 어떻게 변화하는가? 그리고 모델 재학습의 최적 빈도는 무엇인가?
• RQ4 어떤 ESG 특징과 특징 조합이 다양한 산업 및 지리적 영역에서 재무 성과 향상에 가장 예측력이 있는가?
• RQ5 ESG 특성과 재무 수익 간의 비선형적 관계가 주식 포트폴리오에서 측정 가능한 알파를 생성하는 데 얼마나 기여하는가?

주요 결과

• 기계학습 기반 전략은 여러 개별 시험 기간 동안 베스트인클라스 ESG 선별 접근법을 일관되게 능가했다.
• 정적 ESG 평가 또는 규칙 세트의 예측 능력은 시간이 지남에 따라 감소하며, 이는 알고리즘의 정기적 재학습이 필수적임을 시사한다.
• 알고리즘이 사용하는 활성 규칙 수는 31개에서 73개 사이로 변동하였으며, 시간이 지남에 따라 음성 초과수익 예측과 관련된 비율이 증가하는 경향을 보였다.
• 두 개의 ESG 특징을 사용하는 복잡한 규칙이 단일 특징에 기반한 단순 규칙보다 더 유용한 것으로 밝혀져, 비선형 상호작용이 중요하다는 것을 시사한다.
• 양성 ML 스크리닝 포트폴리오는 고정 학습 기간(예: LEARNING 2012, LEARNING 2013) 기반 포트폴리오보다 더 뛰어난 캘린더 초과수익을 기록했으며, 특히 첫 해 이후에 두드러졌다.
• 이 연구는 ESG 프로필이 측정 가능한 알파를 담고 있음을 확인하지만, 이는 선형적이거나 복합 평가 체계가 아닌 비선형적이고 데이터 기반의 기법을 통해 추출될 때에만 가능하다.