Explicabilidad de las calificaciones ESG a través de técnicas de aprendizaje automático

Resumen Las puntuaciones de Medio Ambiente, Social y Gobernanza (ESG) son evaluaciones cuantitativas del compromiso de las empresas con la sostenibilidad que se han convertido en herramientas extremadamente populares en la industria financiera. Sin embargo, la transparencia en el proceso de evaluación ESG aún está lejos de ser alcanzada. De hecho, no hay una divulgación completa sobre cómo se calculan las calificaciones. Las agencias de calificación determinan las calificaciones ESG (como una función de las puntuaciones E, S y G) a través de modelos propietarios cuya divulgación pública se limita a lo que el proveedor de datos elige efectivamente revelar, que, en muchos casos, se restringe solo a las ideas principales y principios esenciales del procedimiento. El objetivo de este trabajo es explotar técnicas de aprendizaje automático para aclarar el proceso de emisión de calificaciones ESG. En particular, nos enfocamos en el proveedor de datos Refinitiv, ampliamente utilizado tanto por profesionales como por académicos, y consideramos modelos matemáticos de caja blanca y caja negra para reconstruir el modelo de evaluación de las calificaciones E, S y G. Los resultados muestran que es posible replicar el proceso de evaluación subyacente con un nivel de precisión satisfactorio, arrojando luz sobre los modelos propietarios empleados por el proveedor de datos. Sin embargo, hay evidencia de ruido persistente que no se puede aprender y que incluso los modelos más complejos no pueden eliminar. Finalmente, consideramos algunos instrumentos de interpretabilidad para identificar los factores más importantes que explican las calificaciones ESG.