[论文解读] ESG2Risk: A Deep Learning Framework from ESG News to Stock Volatility Prediction

Tian Guo, Nicolas Jamet+3 more|arXiv (Cornell University)|May 5, 2020

Market Dynamics and Volatility被引用 4

一句话总结

本文提出 ESG2Risk，一种基于深度学习的框架，利用 ESG 新闻的基于 Transformer 的文本嵌入来预测股票波动率，其表现优于仅依赖情感分析的模型。该框架在预测准确度方面表现更优，并能识别出高波动率、低收益的股票，验证了 ESG 新闻作为美国和欧洲股市市场风险的及时预测指标的有效性。

ABSTRACT

Incorporating environmental, social, and governance (ESG) considerations into systematic investments has drawn numerous attention recently. In this paper, we focus on the ESG events in financial news flow and exploring the predictive power of ESG related financial news on stock volatility. In particular, we develop a pipeline of ESG news extraction, news representations, and Bayesian inference of deep learning models. Experimental evaluation on real data and different markets demonstrates the superior predicting performance as well as the relation of high volatility prediction to stocks with potential high risk and low return. It also shows the prospect of the proposed pipeline as a flexible predicting framework for various textual data and target variables.

研究动机与目标

• 探究 ESG 相关新闻流是否能比传统结构化 ESG 数据更有效地预测未来股票波动率。
• 开发一个可扩展的 NLP 流程，将非结构化的 ESG 新闻转化为可用于量化建模的数值表示。
• 评估 ESG 新闻对实际波动率的预测能力及其对投资组合风险管理的影响。
• 证明 ESG2Risk 能够识别出高风险、低收益潜力的股票，从而改进投资策略的选择。

提出的方法

• 该框架使用领域专家定义的 ESG 词汇表和实体链接技术，从新闻中提取 ESG 信息，并将其与特定公司关联。
• 利用预训练的基于 Transformer 的语言模型，将 ESG 新闻文本嵌入为密集向量表示，以保留语义和情感信息。
• 采用具有随机梯度马尔可夫链蒙特卡洛（SG-MCMC）推断的贝叶斯神经网络，以估计模型不确定性并提高鲁棒性。
• 通过从模型参数后验分布中进行蒙特卡洛采样，计算预测波动率，从而获得概率性预测。
• 在 MSCI US 和 All Cap EU 股票市场独立评估该流程，使用 2015–2019 年的样本外测试数据。
• 通过 1 周和 2 周未来波动率预测的 RMSE 和 MAE 指标衡量模型性能，并在波动率预测的五分位数区间内进行投资组合回测。

实验结果

研究问题

• RQ1 ESG 新闻流能否作为未来股票波动率的及时且具有预测性的信号？
• RQ2 基于 Transformer 的文本嵌入模型在预测股票波动率方面与仅依赖情感分析的模型相比表现如何？
• RQ3 将 ESG 新闻纳入模型是否能改善对投资组合中高风险、低收益股票的识别？
• RQ4 ESG2Risk 框架在不同股票市场和时间跨度上的泛化能力如何？

主要发现

• 在 MSCI US 和 All Cap EU 市场中，ESG2Risk 在 1 周未来波动率预测中，RMSE 分别为 0.289 和 0.281，MAE 分别为 0.249 和 0.241，显著低于仅依赖情感分析的基线模型（RMSE：0.663 和 0.630；MAE：0.542 和 0.515）。
• 模型预测的波动率与实际实现的波动率高度相关，尤其在预测风险最高的第五分位数（Qt 4）股票中表现显著，其实际波动率明显更高。
• 基于高预测波动率构建的投资组合，其平均收益率显著低于低风险五分位数组合，证实了模型在预测风险与收益特征方面的有效性。
• 贝叶斯推断方法实现了稳定且鲁棒的预测，蒙特卡洛采样提供了可靠的波动率预测不确定性估计。
• 该框架成功识别出具有高风险和低收益潜力的股票，验证了其在系统性 ESG 投资和风险敏感型投资组合构建中的实用性。
• ESG2Risk 流程在地理区域和时间跨度上均表现出良好的泛化能力，在 1 周和 2 周预测任务中均保持一致的性能表现。