[论文解读] Bayesian Optimization of ESG Financial Investments

Eduardo C. Garrido‐Merchán, Gabriel González Piris+1 more|arXiv (Cornell University)|Feb 10, 2023

Risk and Portfolio OptimizationDecision Sciences被引用 3

一句话总结

本文提出一种贝叶斯优化（BO）框架，通过在黑箱优化设置中将 ESG 标准视为软约束，同时最大化投资组合夏普比率和 ESG 合规性。该方法在平均性能（1.662 vs. 1.538）和鲁棒性方面均优于随机搜索，在 25 次不同 ESG 得分的运行中均收敛至最优投资组合配置。

ABSTRACT

Financial experts and analysts seek to predict the variability of financial markets. In particular, the correct prediction of this variability ensures investors successful investments. However, there has been a big trend in finance in the last years, which are the ESG criteria. Concretely, ESG (Economic, Social and Governance) criteria have become more significant in finance due to the growing importance of investments being socially responsible, and because of the financial impact companies suffer when not complying with them. Consequently, creating a stock portfolio should not only take into account its performance but compliance with ESG criteria. Hence, this paper combines mathematical modelling, with ESG and finance. In more detail, we use Bayesian optimization (BO), a sequential state-of-the-art design strategy to optimize black-boxes with unknown analytical and costly-to compute expressions, to maximize the performance of a stock portfolio under the presence of ESG criteria soft constraints incorporated to the objective function. In an illustrative experiment, we use the Sharpe ratio, that takes into consideration the portfolio returns and its variance, in other words, it balances the trade-off between maximizing returns and minimizing risks. In the present work, ESG criteria have been divided into fourteen independent categories used in a linear combination to estimate a firm total ESG score. Most importantly, our presented approach would scale to alternative black-box methods of estimating the performance and ESG compliance of the stock portfolio. In particular, this research has opened the door to many new research lines, as it has proved that a portfolio can be optimized using a BO that takes into consideration financial performance and the accomplishment of ESG criteria.

研究动机与目标

• 为应对日益增长的社会责任投资需求，将 ESG 标准整合到投资组合优化中。
• 开发一种可扩展、数据驱动的方法，在尊重 ESG 约束的同时优化财务表现。
• 评估贝叶斯优化在处理结合夏普比率与 ESG 得分的黑箱、高成本评估目标函数方面的有效性。
• 在 ESG 得分可变性不同的情况下，对比 BO 与随机搜索的性能表现。
• 探索将该框架扩展至其他 ESG 相关或非财务约束的可行性。

提出的方法

• 目标函数将夏普比率（用于衡量风险调整后收益）与来自 14 个独立类别的归一化 ESG 得分结合，形成单一的 ESG 变换夏普比率。
• 采用上置信界（UCB）获取函数的贝叶斯优化，按顺序选择投资组合权重。
• ESG 得分被归一化至 [0,10] 尺度，数值越高表示 ESG 表现越好。
• 优化过程将投资组合收益与风险评估视为黑箱函数，无需解析梯度或闭式表达式。
• 在两种实验设置下进行测试：低可变性 ESG 得分（8.7, 8.97, 7.32）与高可变性得分（9, 5, 2）。
• 性能在 25 次迭代中评估，每种方法独立运行 25 次，比较平均性能与标准差。

实验结果

研究问题

• RQ1 贝叶斯优化能否有效优化同时兼顾财务表现与 ESG 合规性的投资组合？
• RQ2 在优化 ESG 整合型投资组合时，贝叶斯优化与随机搜索在平均性能与鲁棒性方面相比如何？
• RQ3 即使 ESG 得分输入不同，该方法是否能在多次运行中收敛至一致的最优投资组合配置？
• RQ4 该框架能否扩展以纳入其他 ESG 相关或非财务约束作为黑箱约束？
• RQ5 ESG 得分的可变性如何影响优化结果与收敛行为？

主要发现

• 在低可变性 ESG 情景下，贝叶斯优化的平均性能为 1.662，显著优于随机搜索的平均值 1.538。
• 在全部 25 次运行中，贝叶斯优化的性能标准差更低（表明鲁棒性更强），优于随机搜索。
• 贝叶斯优化的全部 25 次重复均收敛至同一最优投资组合：57.6% Endesa、21.2% Iberdrola 和 21.2% Repsol。
• 在高可变性 ESG 情景（得分为 9, 5, 2）下，贝叶斯优化在平均性能与标准差方面再次优于随机搜索。
• 由于 ESG 得分总和降低，高可变性情况下的最优投资组合 ESG 变换夏普比率更低，证实了该方法对 ESG 输入质量的敏感性。
• 结果表明，即使 ESG 得分显著变化，贝叶斯优化仍是 ESG 约束型投资组合优化的可行且鲁棒的方法。