1 просмотров

Искусственный интеллект и ESG: как они сочетаются?

Данные ESG, предоставляемые рейтинговыми агентствами, важны, но качество этих данных вызывает опасения.

  • Eсть высокая степень субъективизма в выборе рейтинговых агентств по критериям ESG. Они в значительной степени полагаются на информацию, предоставленную оцениваемыми компаниями.
  • ESG-рейтинги компаний пересматривается нечасто в то время как направление пересмотра, как правило, сильно коррелирует с финансовыми показателями. 1
  • Большие расхождения между могут возникать рейтинги агентств, отчасти из-за различных методологий, используемых для работы с отсутствующими данными (см. рис. 1). Они могут быть большими, но, что интересно, исследования показали, что более широкое раскрытие ESG фактически приводит к большему несогласию с рейтингами ESG. 2

rc-2022.10-искусственный интеллект-и-esg-fig1

ПОТЕНЦИАЛ ИИ

Хорошая новость заключается в том, что теперь доступны инструменты искусственного интеллекта, которые могут собирать и анализировать больше информации о рисках и возможностях ESG, чем когда-либо прежде. Эти инструменты улучшают качество данных, эффективно анализируют их и открывают новые захватывающие возможности.

Преимущества ИИ в ESG-инвестировании включают в себя:

1 | Предоставляет текстовый анализ для измерения инцидентов ESG и обязательств компаний.

Текстовый анализ может выявить разногласия компаний и важные новости ESG. Поставщики данных ESG (например, RepRisk и Truvalue Labs) могут использовать инструменты обработки естественного языка (NLP) для анализа информации о компании в режиме реального времени для измерения разногласий, связанных с экологической политикой, условиями труда, детским трудом, коррупцией и т. д. Например, RepRisk анализирует более 80 000 СМИ, заинтересованных сторон и сторонних источников ежедневно выявляют инциденты, которые происходят в политиках ESG компаний. Этот тип анализа может быть очень информативным, повышая ценность инвестиционных процессов ESG.

Статья в тему:  Как пройти сертификацию по искусственному интеллекту

Вставка 1. Институт Амунди добавляет ценности благодаря исследованиям

  • Недавнее исследование 4 установило, что сотрудники чувствительны к новостям о социальных проблемах своих компаний, таких как условия труда, когда инвестируют в акции своих компаний.
  • Используя запатентованный алгоритм поиска газетных статей, расшифровок телефонных разговоров и заметок брокеров, Институт Амунди (в партнерстве с Causality Link и Тулузской школой экономики) может извлекать из новостных сообщений название компании, ее ключевые показатели эффективности (KPI), направление изменения этих KPI и времени утверждения.
  • Исследовательская группа Амунди исследовала, как и когда новая фундаментальная информация заставляла реагировать фондовый рынок. Цены на акции не только реагировали на объявления дня, но и более сильно реагировали на те, которые касались будущего компании, чем на те, которые касались ее прошлых достижений. Эти результаты подчеркнули сильное информационное содержание новостей, понятых используемым программным обеспечением. 5
  • На наш взгляд, техники НЛП являются мощными инструментами, которые можно использовать для выявления «рыночных нарративов» (экономических обоснований, геополитических рисков, экологических и социальных рисков и т. д.). Исследование, проведенное ранее в этом году, проанализировало информационное содержание Глобальной базы данных событий, языка и тона (GDELT). Этот анализ показал, что информация имеет силу прогнозирования на фондовом рынке США. 6

Текстовый анализ может также пролить свет на обязательства компаний в области ESG. Были проведены исследования, посвященные раскрытию информации о климате.

Статья в тему:  Где атомные электростанции

Вставка 2. Взгляд на обязательства ESG

  • В обзоре ИИ изучалось соблюдение компаниями рекомендаций Целевой группы по раскрытию информации, связанной с климатом (TCFD). 7
  • Исследование, основанное на отчетах 10-K, показало, что раскрытие информации о переходных рисках растет быстрее, чем раскрытие информации о физических рисках. 8
  • Используя машинное обучение для изучения 300 европейских компаний, было установлено, что уровни раскрытия информации растут с разной скоростью в разных отраслях и странах.Это говорит о том, что регуляторная среда играет важную роль в повышении уровня раскрытия информации. 9
  • При изучении 800 компаний, поддерживающих TCFD, стало очевидным, что некоторые предприятия тщательно отбирают вишни в отношении раскрытия информации о климате, выбирая наименее релевантную информацию для раскрытия. 10

2 | Собирает данные со спутников и датчиков для определения воздействия на окружающую среду и физических рисков.

В последние годы произошло замечательное увеличение спутниковых и сенсорных данных. 11 Обладая широким географическим охватом, эти данные могут быть использованы для проверки выбросов углерода компаниями или для анализа их воздействия на экосистемы: загрязнение воздуха, образование отходов, вырубка лесов, наводнения и т. д. Этот тип данных также может быть ключевым компонентом климатического риска. модели стресс-тестирования, результаты которых, на наш взгляд, оказались очень информативными.

Вставка 3. ИИ является ключевым компонентом моделей стресс-тестирования климатических рисков

  • Было измерено сжигание газа в нефтяных скважинах для снижения затрат компаний на подключение скважин к трубопроводам. 12
  • Загрязнение воздуха, вызванное лесными пожарами в Индонезии, изучалось 13 , а спутниковые снимки использовались для оценки различных типов загрязняющих веществ. 14 Спутниковые данные особенно полезны в развивающихся странах, поскольку наземные станции мониторинга загрязнения воздуха могут страдать от манипуляций правительства.
  • Спутниковые данные также использовались для мониторинга обезлесения 15 и программ лесовосстановления. 16
  • Воздействие наводнений было проанализировано с использованием карт и данных о ночном освещении для измерения местной экономической активности. 17
Статья в тему:  Почему вы хотите работать в области искусственного интеллекта

3 | Восполняет пробелы в данных компании

ИИ может помочь заполнить пробелы в раскрытии корпоративной информации. Хотя для крупных компаний считается обязательным отчитываться о выбросах парниковых газов (ПГ) категорий 1 и 2, отчетность по выбросам категории 3 (косвенные выбросы, возникающие в цепочке создания стоимости компании) не является обязательной. 18 Однако выбросы категории 3 часто могут быть самым большим компонентом общих выбросов ПГ компаний.
Для их оценки требуется связь каждого этапа производственных процессов компании с ее выбросами углерода, информация, которая редко находится в открытом доступе. На сегодняшний день поставщики данных (например, CarbonMetrics, Refinitiv ESG Carbon Data) полагались на простые регрессионные модели для прогнозирования вероятных выбросов парниковых газов некоторыми компаниями. В недавнем исследовании 19 использовались методы статистического обучения для разработки моделей прогнозирования таких выбросов на основе общедоступных данных. Этот подход дал более точные результаты, чем предыдущие модели.

ИИ УЛУЧШАЕТ ДАННЫЕ ESG, НО НЕ БЕЗ НЕДОСТАТКОВ

Рейтинги, основанные на сигналах НЛП, могут стать общедоступными индикаторами «настроения», особенно когда основным источником данных являются социальные сети. Например, исследование критериев, используемых Truvalue Labs для оценки ESG-рисков компаний, показало, что они перевешивают некоторые ключевые вопросы (те, которые вызывают наибольшее количество разногласий по ESG) и что веса меняются со временем. 20

rc-2022.10-искусственный интеллект-и-esg-fig2

Раскрытие информации компанией также может быть предметом манипуляция по мере того, как в свете алгоритмов искусственного интеллекта меняется форма коммуникации.
Менеджеры могут научиться избегать слов, которые могут быть восприняты как негативные, отдавая предпочтение формулировкам, предпочитаемым алгоритмами ESG.
Другой проблемой является отсутствие исторических данных в некоторых случаях это может привести к предвзятости и репрезентативным проблемам.

Статья в тему:  1. что делает ядерная мембрана?

Исследования, сравнивающие шесть показателей физического риска, показали низкую корреляцию между поставщиками оценок, даже среди тех, которые основаны на аналогичных методологиях. 22 В частности, они выявили низкую корреляцию между показателями физического риска, полученными с помощью подходов на основе моделей (например, Trucost, Carbon4 Finance и South Pole) и подходов на основе языка (Truvalue Labs, академические баллы).

БУДУЩЕЕ ИИ В ИНВЕСТИРОВАНИИ ESG

ИИ может внести значительный вклад в улучшение мониторинга отчетности и целей ESG.Тем не менее, все еще существуют проблемы с анализом обширных доступных данных, поскольку выбор одного показателя вместо другого может иметь большое влияние на результат. В конце концов, комплексный инвестиционный процесс не должен слишком доверять одному показателю. Кроме того, необходимо также учитывать затраты на поддержку альтернативных наборов данных: не только затраты на получение данных, но и инвестиции, необходимые для хранения и интеграции этих больших наборов данных, действия, которые могут потребовать специальной команды. В целом общее мнение заключается в том, что интеграция ESG в инвестиционные подходы станет более глубокой, и способность использовать надежные данные будет играть важную роль в этом процессе. ИИ может не только помочь извлечь необходимую информацию из существующих источников данных, но и предлагает захватывающие возможности для создания новых.

использованная литература

1 Берг Ф., Фабисик К. и З. Саутнер, Переписывая историю II: (не)предсказуемое прошлое рейтингов ESG, Рабочий документ Европейского института корпоративного управления – Финансы (2020 г.).
2 Кристенсен Д., Серафим Г. и А. Сикочи. Почему корпоративная добродетель в глазах наблюдателя? Случай с рейтингами ESG, Рабочий документ Гарвардской школы бизнеса (2019 г.).
3 Берг Ф., Коэльбель Дж. Ф. и Ригобон Р., Совокупная путаница: расхождение рейтингов ESG, Обзор финансов, готовится к печати (2022 г.).
4 Бонелли М., Бриер М. и Ф. Дерриен, «Альтруизм или личная выгода? ESG и участие в планах долевого участия сотрудников», Рабочий документ Амунди (2022 г.).
5 Бриер М., Хьюн К., Лоди О. и С. Пуже. Что мы узнаем от машины, понимающей содержание новостей? Реакция фондового рынка на новости, Рабочий документ Амунди, готовится к печати (2022 г.).
6 Бланке П., М. Бен Слиман, А. Шериф, Т. Ле Генедаль, Т. Секин и Л. Станьоль, «Рассказы о мониторинге: приложение к фондовому рынку», Рабочий документ Амунди (2022 г.).
7 Целевая группа по раскрытию финансовой информации, связанной с климатом (TFCFD), стремится улучшать и расширять представление финансовой информации, связанной с климатом.
8 Колбел Дж. Ф., Лейппольд М., Риллартс Дж. и К. Ван. Отражает ли рынок CDS раскрытие информации о климатических рисках регулирующих органов? Рабочий документ SSRN (2020 г.).
9 Фридерих Д., Каак Л.Х., Лучони А. и Б. Штеффен, Автоматизированная идентификация раскрытия информации о климатических рисках в годовых корпоративных отчетах, препринт arXiv arXiv:2108.01415 (2021).
10 Бинглер, Дж. А., Краус, М., Леопольд, М., и Н. Веберсинке, Пустые разговоры и сбор вишен: что ClimateBERT должен сказать о раскрытии корпоративных климатических рисков, Письма о финансовых исследованиях 47 (2022).
11 Берк, М., Дрисколл, А., Лобелл, Д.Б., и С. Эррмон, Использование спутниковых изображений для понимания и содействия устойчивому развитию Science 371(6535) (2021).
12 Беллон, А., Делает ли частный капитал компании чище? Роль рисков экологической ответственности, рабочий документ ECGI (2020 г.).
13 Джаячандран, С., Качество воздуха и смертность в раннем возрасте: данные Индонезийского журнала по управлению персоналом, посвященного лесным пожарам, 44(4) (2009 г.).
14 Streets, D.G., Canty, T., Carmichael, G.R., De Foy, B., Dickerson, R.R., Duncan, B.N., Edwards, D.P., Haynes, J.A., Henze, D.K., Houyoux, M.R., Jacob, D.J., Krotkov, Н. А., Ламсал Л. Н., Лю Ю., Лу З., Мартин Р. В., П. Стер Г. Г., Пиндер Р. В., Салавич Р. Дж. и К. Дж. Вехт, Оценка выбросов на основе спутниковых данных: обзор текущих возможностей, Атмосферная среда, 77, 1011–1042 (2013).
15 Такер, С.Дж. и Дж.Р.Г. Таунсенд, Стратегии мониторинга вырубки тропических лесов с использованием спутниковых данных, Международный журнал дистанционного зондирования 21.6-7 (2000).
16 Ли Б., Ван Ю., Ван В., Ван С. и А. Лин., Анализ спутникового дистанционного зондирования для мониторинга восстановления растительности в бассейне реки Янцзы, Китай. Деградация земель и развитие, 33(1), (2022).
17 Кокорник-Мина А., Макдермотт Т.К., Майклс Г. и Ф.Раух, «Затопленные города», Американский экономический журнал: прикладная экономика, 12 (2) (2020).
18 Согласно Протоколу по парниковым газам Всемирного совета предпринимателей по устойчивому развитию (WBCSD), отчетность по Областям 1 и 2 является обязательной, а отчетность по Области 3 не является обязательной.
19 Нгуен К., Диас-Райнез И. и Д. Куруппуараччи, Прогнозирование корпоративного углеродного следа для анализа рисков климатического финансирования: подход машинного обучения, Energy Economics 95(3) (2021).
20 Хьюз, А., Урбан, М.А., и Д. Вуйчик, Альтернативные рейтинги ESG: как технологические инновации меняют форму устойчивых инвестиций, устойчивость 13.6 (2021).
21 Цао С., Вэй Дж., Ян Б. и А.Б. Чжан, Как говорить, когда машина слушает, Рабочий документ SSRN (2020 г.).
22 Хейн, Линда И., Кёльбель, Джулиан Ф. и М. Лейппольд, Давайте приступим к физическим исследованиям: сравнение показателей физического климатического риска, Письма о финансовых исследованиях 46 (2022 г.).

Руководитель Исследовательского центра инвесторов, Институт Амунди

голоса
Рейтинг статьи
Статья в тему:  Случаи, когда искусственный интеллект подвел нас
Ссылка на основную публикацию
Статьи c упоминанием слов:

0
Оставьте комментарий! Напишите, что думаете по поводу статьи.x