[论文解读] ESG investments: Filtering versus machine learning approaches

Carmine De Franco, Christophe Geissler+2 more|arXiv (Cornell University)|Feb 18, 2020

Stock Market Forecasting Methods参考文献 23被引用 5

一句话总结

本文提出了一种基于机器学习的选股策略，能够识别个体 ESG 因素与财务表现之间的非线性关系，其表现优于传统的 ESG 筛选方法（如最佳行业类方法）。通过持续更新将 ESG 特征映射至超额收益预测的规则化算法，该方法生成评分以筛选出具有正阿尔法的股票，表明唯有通过先进的非线性建模技术，才能获取 ESG 驱动的阿尔法。

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.

研究动机与目标

• 探究 ESG 因素是否在汇总 ESG 评级之外，仍具备预测财务表现的能力。
• 解决线性综合 ESG 评级在捕捉回报中与行业和区域相关的细微 ESG 影响方面的局限性。
• 开发并测试一种动态的、非线性的机器学习模型，以从细粒度 ESG 指标中提取阿尔法。
• 将该机器学习驱动的策略表现与传统 ESG 筛选方法（尤其是最佳行业类方法）进行比较。

提出的方法

• 作者设计了一种机器学习算法，通过定期更新的规则集，将高维 ESG 特征空间映射至超额股票收益的预测结果。
• 每条规则定义了 ESG 特征空间中的一个区域，其中未来股票收益的条件期望在统计上为正或负。
• 该算法采用递归划分方法，识别与超额表现或表现不佳相关的 ESG 特征空间中具有统计显著性的区域。
• 将单个规则的预测结果聚合并转换为最终评分 {-1, 0, +1}，表示预期的负超额收益、中性或正超额收益。
• 该模型会定期（例如每年）重新训练，以在市场和 ESG 条件演变时保持预测能力。
• 最终策略选择得分为 +1 的股票，构建一个仅做多的组合，用于与基准和标准 ESG 策略进行回测。

实验结果

研究问题

• RQ1 当以非线性方式分析时，细粒度 ESG 指标是否比综合 ESG 评级更有效地预测未来股票表现？
• RQ2 基于机器学习的 ESG 选股策略是否优于传统 ESG 筛选方法（如最佳行业类方法）？
• RQ3 基于 ESG 的规则的预测能力如何随时间演变？模型重新训练的最优频率是什么？
• RQ4 哪些 ESG 特征及其组合在不同行业和地理区域中对财务超额表现最具预测力？
• RQ5 ESG 特征与财务回报之间的非线性关系在多大程度上能为股票投资组合生成可量化的阿尔法？

主要发现

• 在多个样本外时间段内，基于机器学习的策略始终优于最佳行业类 ESG 筛选方法。
• 静态 ESG 评级或规则集的预测能力会随时间减弱，因此必须定期重新训练算法。
• 该算法使用的活跃规则数量在 31 至 73 之间波动，且随着时间推移，与负超额收益预测相关的规则比例持续上升。
• 模型识别出使用两个 ESG 特征的复杂规则比仅基于单一特征的简单规则更具信息量，表明非线性交互作用具有重要意义。
• 正向 ML 筛选投资组合在与基于固定学习期的组合（如 LEARNING 2012、LEARNING 2013）对比时，表现出更优的年度超额收益，尤其是在第一年之后。
• 本研究证实 ESG 特征中确实包含可量化的阿尔法，但仅当通过非线性、数据驱动的技术提取时才可实现，而非通过线性或综合评分体系。