[논문 리뷰] Heterogeneous Ensemble for ESG Ratings Prediction

Tim Krappel, Alex Bogun외 1명|Alexandria (UniSG) (University of St.Gallen)|2021. 09. 21.

Corporate Social Responsibility Reporting참고 문헌 49인용 수 7

한 줄 요약

이 논문은 피드포워드 신경망, CatBoost, XGBoost를 조합한 이종 앙상블 모델을 제안하여 기본 재무 데이터를 사용해 ESG 평가를 예측한다. 이 모델은 평가 변동성을 54% 설명하며 이전 방법들을 능가하며, 지속 가능성 보고서가 없는 기업을 대상으로도 확장 가능하고 비용 효율적인 ESG 스코링을 가능하게 한다.

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.

연구 동기 및 목표

• 공개된 기본 재무 데이터로부터 평가를 예측함으로써 ESG 평가 과정의 확장성과 주관성 문제를 해결하고자 한다.
• 소규모 기업이나 신규 상장 기업과 같이 지속 가능성 보고서가 없는 기업을 대상으로도 ESG 평가를 가능하게 하여 지속 가능한 투자 지원을 목적으로 한다.
• 평가 기관의 주관적 평가에 의존하는 것을 줄이고 ESG 차원 간 일관성을 향상시키고자 한다.
• 규제된 공개 재무 데이터만을 사용해 기존 접근 방식을 능가하는 기계학습 모델을 개발하고자 한다.
• 장기적인 지속 가능성 목표를 지원하는 투명하고 재현 가능한 初기 ESG 스코링 방법을 제공하고자 한다.

제안 방법

• 모델은 피드포워드 신경망, CatBoost, XGBoost의 세 가지 기반 학습기로 구성된 이종 앙상블을 사용하며, 기본 재무 데이터를 기반으로 훈련된다.
• 특징 공학은 재무 비율, 손익계산서, 대차대조부 및 현금성실 지표의 표준화 및 정규화를 포함한다.
• 앙상블 평균은 개별 모델의 예측을 조합하며, 검증 데이터에서의 성능에 기반한 가중 투표 방식을 사용한다.
• 모델은 Eikon 플랫폼에서 확보한 기본 데이터와 Refinitiv에서 제공한 ESG 평가를 바탕으로 50개의 S&P 500 기업으로 구성된 데이터셋에서 훈련 및 평가된다.
• 모델 성능 평가에는 R², 평균 절대 오차(MAE), 기준 모델 및 이전 연구 결과와의 비교가 사용된다.
• 예측 성능을 최대화하기 위해 베이지안 최적화를 활용한 초파rameter 튜닝이 수행된다.

실험 결과

연구 질문

• RQ1 기본 재무 데이터만을 사용해 기계학습 모델의 이종 앙상블이 높은 정확도로 ESG 평가를 예측할 수 있는가?
• RQ2 제안된 앙상블 모델은 개별 모델 및 이전 최고 수준의 방법과 비교해 어떻게 성능을 냈는가?
• RQ3 기본 데이터가 기업 간 ESG 평가의 변동성을 어느 정도 설명할 수 있는가?
• RQ4 지속 가능성 보고서가 없는 기업을 대상으로 모델이 신뢰할 수 있는 ESG 스코어를 생성할 수 있는가? 이는 커버리지 및 확장성 향상에 기여하는가?
• RQ5 환경, 사회, 지배구조 차원의 예측 결과는 정확도와 일관성 측면에서 어떻게 비교되는가?

주요 결과

• 이종 앙상블 모델은 ESG 평가의 변동성을 54% 설명하며, 동일한 설정에서 이전 방법들을 크게 능가한다.
• 기준 모델 대비 모든 ESG 차원에서 평균 절대 오차(MAE)를 감소시켰으며, 특히 지배구조(G) 차원에서 가장 낮은 오차를 기록했다.
• 50개의 무작위 선정된 S&P 500 기업에 대해 모델의 예측 ESG 평가에서는 중앙값 절대 오차가 10.2였으며, 실제 평가와 ±15점 이내에 포함된 예측 비율이 60%에 달했다.
• 모델은 산업 부문 간 강건성을 보였으며, 특히 기술 및 통신 부문에서 ESG 및 개별 차원의 R²가 50%를 초과하는 데서 뛰어난 성능을 보였다.
• 앙상블 접근 방식은 개별 모델을 항상 능가했으며, CatBoost와 XGBoost가 최종 예측의 안정성과 정확도에 가장 큰 기여를 했다.
• 지속 가능성 보고서가 없는 기업의 ESG 평가도 성공적으로 예측하여, ESG 스코링의 광범위한 확장 가능성 가능성을 입증했다.