用可解释机器学习按行业、市值与年份剖析ESG特征对股票收益的 explanatory power
投资组合管理
2023-04-10 v5 风险管理
摘要
我们系统地研究了欧洲股票市场中价格收益与环境、社会和治理（ESG）得分之间的联系。利用可解释机器学习，我们考察ESG得分能否解释经典股票因子（尤其是市场因子）未能解释的价格收益部分。我们提出了一种采用随机公司级验证的交叉验证方案，以缓解ESG数据在数量和质量上相对初始不足的问题，该方案使我们能够使用最新且最优的大部分数据来训练和验证模型。梯度提升模型成功解释了市场因子未能解释的年化价格收益部分。我们通过基准特征验证，ESG数据对价格收益的解释显著优于仅使用基本基本面特征。最相关的ESG得分编码了争议事件。最后，我们发现较高的ESG得分对小型与大型市值公司价格收益具有相反的影响：较高的ESG得分通常与后者更大的价格收益相关，而对前者则相反。
引用
@article{arxiv.2201.04393,
title = {Dissecting the explanatory power of ESG features on equity returns by sector, capitalization, and year with interpretable machine learning},
author = {Jérémi Assael and Laurent Carlier and Damien Challet},
journal= {arXiv preprint arXiv:2201.04393},
year = {2023}
}