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

Jérémi Assael, Laurent Carlier+1 more|arXiv (Cornell University)|Jan 12, 2022

Financial Markets and Investment Strategies被引用 4

一句话总结

本研究利用可解释机器学习方法，分析ESG评分如何解释欧洲股市中超出市场因子的股票收益异常现象，同时考虑行业、市值和时间因素。研究发现，ESG数据（尤其是争议评分）在解释市场因子之外的超额收益方面具有显著作用，且影响存在分化：高ESG表现对大盘股有正向提升作用，但可能对小盘股产生负面影响。

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.

研究动机与目标

• 探究ESG评分是否能够解释经典因子（如市场因子）未能捕捉的股票收益部分。
• 通过一种新颖的交叉验证框架，解决ESG评分数据中的局限性，尤其是稀疏性和不一致性问题。
• 评估ESG特征相对于基本面基准特征在预测收益方向上的相对解释能力。
• 揭示ESG评分的影响如何在不同行业、市值规模和时间维度上变化。
• 利用基于SHAP的分析，提供关于哪些ESG组成部分驱动收益预测的可解释洞察。

提出的方法

• 提出一种基于公司层面的交叉验证方案，采用时间序列感知的划分方法，确保训练和验证阶段均使用最新且可靠的ESG数据。
• 采用梯度提升模型（如XGBoost）预测超额收益的方向，聚焦于单比特信号（正/负）以增强稳健性。
• 使用SHAP（SHapley Additive exPlanations）解释模型输出，量化每个ESG评分与行业组合的边际贡献。
• 应用Benjamini-Hochberg程序，在材料性矩阵中超过100个单元的多重假设检验中控制错误发现率（FDR）。
• 通过将ESG特征和行业特征分桶，构建材料性矩阵，以可视化对正向收益预测概率具有统计显著影响的效应。
• 在样本外测试期验证模型性能，对比仅使用ESG的模型与仅使用基本面基准特征的模型。

实验结果

研究问题

• RQ1 ESG数据是否能解释超出市场因子的显著部分股票收益波动？
• RQ2 ESG特征的解释能力在不同市值细分（小盘、中盘、大盘）中如何变化？
• RQ3 哪些具体的ESG评分（如争议、治理、环境）对收益方向最具预测力？
• RQ4 ESG特征的影响在不同行业之间有何差异？
• RQ5 随着数据质量提升，ESG数据的信息含量是否随时间增加？

主要发现

• ESG评分，尤其是与争议相关的评分，在解释超额收益方向方面显著优于基本面基准特征。
• 最具影响力的ESG评分是反映争议的指标，其在不同行业和时间维度上均表现出最强且最一致的预测能力。
• 对于市值大于100亿欧元的大盘股公司，更高的ESG评分与更高的预期收益相关，表明存在正向的风险调整后表现效应。
• 对于市值小于20亿欧元的小盘股公司，更高的ESG评分通常与更低的预期收益相关，表明存在负向或倒挂关系。
• 随着时间推移，ESG数据的解释能力持续增强，2018年和2019年验证集与测试集误差之间的相关性上升，表明信息含量不断提高。
• 通过SHAP分析构建的材料性矩阵揭示了具有统计显著性的、行业特定的影响，其中许多ESG评分在小盘和中盘公司中无显著影响。