[论文解读] Heterogeneous Ensemble for ESG Ratings Prediction

Tim Krappel, Alex Bogun+1 more|Alexandria (UniSG) (University of St.Gallen)|Sep 21, 2021

Corporate Social Responsibility Reporting参考文献 49被引用 7

一句话总结

该论文提出了一种异质集成模型，结合前馈神经网络、CatBoost 和 XGBoost，利用基本面财务数据预测 ESG 评级，在解释评级差异方面实现了 54% 的 R²，优于以往方法，使没有可持续性报告的公司能够实现可扩展、低成本的 ESG 评分。

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.

研究动机与目标

• 通过利用公开可得的基本面财务数据预测 ESG 评级，解决 ESG 评级流程中可扩展性和主观性的问题。
• 通过为未发布可持续性报告的公司（如小型企业或新上市企业）提供 ESG 评级，支持可持续投资。
• 减少对评级机构主观评估的依赖，提升 ESG 各维度之间的一致性。
• 开发一种机器学习模型，仅使用受监管的公开财务数据，在预测 ESG 评级方面优于现有方法。
• 提供一种透明、可复现的初始 ESG 评分方法，以支持长期可持续发展目标。

提出的方法

• 该模型采用三种基学习器的异质集成：前馈神经网络、CatBoost 和 XGBoost，基于基本面财务数据进行训练。
• 特征工程包括对财务比率、资产负债表、损益表和现金流量指标进行标准化和归一化处理。
• 通过基于验证数据上模型性能的加权投票，对各模型的预测结果进行平均集成。
• 模型在包含 50 家标普 500 成员公司数据的样本上进行训练与评估，ESG 评级来自 Refinitiv，基本面数据来自 Eikon 平台。
• 通过 R²、平均绝对误差（MAE）以及与基线模型和先前研究的对比，评估模型性能。
• 通过贝叶斯优化进行超参数调优，以在验证集上最大化预测性能。

实验结果

研究问题

• RQ1 仅使用基本面财务数据，异质集成的机器学习模型能否以高精度预测 ESG 评级？
• RQ2 所提出的集成模型在 ESG 评级预测方面与单个模型及先前最先进方法相比表现如何？
• RQ3 基本面数据在多大程度上能够解释不同公司之间 ESG 评级的差异？
• RQ4 该模型能否为缺乏可持续性报告的公司生成可靠的 ESG 评分，从而提升覆盖范围和可扩展性？
• RQ5 在环境、社会和治理各维度上，预测结果的准确性和一致性如何比较？

主要发现

• 异质集成模型在解释 ESG 评级差异方面实现了 54% 的 R²，显著优于相同设置下的以往方法。
• 与基线模型相比，该模型在所有 ESG 维度上的平均绝对误差（MAE）均有所降低，其中治理（G）维度的误差最低。
• 对于 50 家随机选取的标普 500 成员公司，模型预测的 ESG 评级中位数绝对误差为 10.2，60% 的预测值与实际评级相差 ±15 分以内。
• 该模型在各行业均表现出稳健性，尤其在科技和公用事业板块表现突出，ESG 总体及各维度的 R² 均超过 50%。
• 集成方法始终优于单个模型，其中 CatBoost 和 XGBoost 对最终预测的稳定性和准确性贡献最大。
• 该模型成功预测了缺乏可持续性报告公司的 ESG 评级，证明了其在 ESG 评分中广泛可扩展性的可行性。