Home Blog Machine Learning e E ...

Machine Learning e ESG: come ottimizzare il proprio portfolio

FinScience

di Valerio Sabelli

Le moderne metodologie che sfruttano l’intelligenza artificiale (AI) permettono agli investitori di costruire portafogli performanti, in modo da gestire nel modo migliore i propri asset. Come possiamo sfruttare questi potenti strumenti qualora volessimo focalizzare la nostra analisi sull’ambito ESG? Scopriamolo insieme in questo articolo.

Cosa sono le ESG performance

All’interno dell’Agenda 2030 per lo sviluppo sostenibile dell’ONU, redatta nel Settembre del 2015, sono stati definiti i cosiddetti ESG criteria.
La sigla ESG è composta da tre macro-aree, ovvero:
Environmental: capacità dell’azienda di adattarsi ai cambiamenti climatici e al calo di risorse disponibili. Propensione a programmare la riduzione di emissioni di gas serra, di promuovere la biodiversità e la gestione responsabile di rifiuti e riserve d’acqua;
Social: capacità dell’azienda di tutelare non solo i clienti, ma anche di gestire opportunamente gli impiegati, garantendo diritti e promuovendo le diversità;
Governance: trasparenza dell’azienda in termini legali ed economici, capacità di evitare conflitti di interesse nella scelta del direttivo e di includere nel processo decisionale anche gli stakeholders.

Le aziende – dalle medie imprese alle multinazionali – hanno cominciato a integrare questi criteri nel loro processo decisionale, effettuando assessment e pianificando strategie per poter raggiungere ambiziosi obiettivi (soprattutto riguardo la riduzione delle emissioni).

Il mercato è stato quindi sommerso da indicatori, metriche e notizie relative agli ESG che danno un prezioso contributo nelle scelte di investimento quotidiane e a lungo termine per innumerevoli investitori.

Sfruttare l’AI per ottimizzare i nostri ESG portfolio

Data la mole di dati – diretti o indiretti – da analizzare per monitorare i parametri ESG delle aziende su cui investiamo, ci sarebbe bisogno di un dipartimento di esperti a parte per estrapolare ed elaborare tutte le informazioni necessarie.

Fortunatamente, però, i passi avanti fatti nel campo dell’AI, hanno reso facile la automatizzazione di vari task, sorpassando di molto sia in velocità che in volumi processati l’analisi umana. Tutte le attività ripetibili sono effettuate da bot e le informazioni possono essere acquisite in modo automatico, scartando tutta la quantità di dati di poco o nessun valore che avrebbero richiesto prima almeno una lettura per essere classificati come tali.

Queste tecniche sono state quindi acquisite anche da investitori interessati alle ESG performance e che valutano parametri di rischio e di sostenibilità a lungo termine.
Una buona parte di potenziali dati per l’AI negli investimenti ESG viene dagli algoritmi di sentiment analysis, i quali permettono di analizzare il tono di una conversazione, ovvero il sentimento provato da chi sta parlando. Questo, in combinazione con tecniche di natural language processing, che possono identificare le sezioni di un discorso in cui si parla di ESG, contribuiscono ad identificare quella che è la linea di una certa azienda relativamente a temi – ad esempio – ambientali.

Chiaramente, a questi dati vanno poi affiancati dati puramente numerici, ovvero score ESG che sono categorizzati su base geografica e di settore di appartenenza dell’azienda e che sono raccolti come serie temporali. Lo scopo, in questo caso, è anche cercare una convergenza o una divergenza rispetto agli obiettivi prefissati dall’azienda in termini di criteri ESG, in modo da capire se è opportuno virare su altri asset o proseguire nell’investimento.

Inoltre, molteplici studi sono stati effettuati allo scopo di identificare approcci che puntano anche ad usare il Machine Learning per un vero e proprio processo di feature selection, identificando e valutando soprattutto quelle metriche che offrono contributi importanti dal punto di vista del rapporto Rischio – Rendimento.

Infine, vantaggi decisivi dell’analisi AI-based su tali metriche (rispetto a quella condotta da analisti umani) sono sicuramente l’assenza di bias derivante dalla fama delle aziende coinvolte e l’approccio model-less. Non è infatti necessario creare complessi modelli finanziari, si può piuttosto procedere con un approccio data-driven che basa la bontà del risultato finale su un criterio oggettivo, il risultato finale ottenuto.