The risk evaluation for ESG portfolios: exploring investors heterogeneity

This thesis presents an innovative approach to constructing a composite index that encapsulates financial risk and ESG components, providing investors a simple and complete tool for investment decision-making. In between the complexity of financial markets, the resulting index purposely tried to lessen the job of investor by giving a uni-directional measure to where the higher index value shows lower financial risk and better ESG performance, which means a more attractive investment opportunity. Research starts with a regression analysis designed to clarify the impact of ESG on financial risk measures. Results suggest that a better score for ESG ratings, as provided by Sustainalytics and MSCI, results in a worse financial risk management. On the other hand, the Social and Governance scores, as well as Carbon performance, seem to mitigate the financial risk of ESG portfolios. Following the regression, K-Means clustering is utilized to segment the dataset; however, it fails to separate in clusters that combine both high ESG performance and low financial risk. Given the limitations of linear methods such as PCA in representing complex and uncorrelated data, the study explores artificial neural networks, particularly an unsupervised Autoencoder. The model shows a good attempt of faithful reproduction of overall index while maintaing the prescribed directional considerations. The Random Forest models classifiers and regressors further prove that the Autoencoder is an effective method. Both outputs confirm the Autoencoder's ability not only to perform the dimensionality reduction but also to reveal the hidden connections and dependencies within financial data and ESG. The value of this work is in its ability to renovate investment analysis because it gives an integrated, multi-dimensional index that sends risk and sustainability signals, thus, contributing to more informed and responsible investment models.

Questa tesi presenta un approccio innovativo alla costruzione di un indice composito che incapsula il rischio finanziario e le componenti ESG, fornendo agli investitori uno strumento semplice e completo per il processo decisionale di investimento. Nella complessità dei mercati finanziari, l'indice risultante ha cercato intenzionalmente di alleggerire il lavoro dell'investitore fornendo una misura unidirezionale dove il valore più alto dell'indice mostra un rischio finanziario inferiore e una migliore performance ESG, il che significa un'opportunità di investimento più attraente. La ricerca inizia con un’analisi di regressione progettata per chiarire l’impatto dei fattori ESG sulle misure del rischio finanziario. I risultati suggeriscono che un punteggio migliore per i rating ESG, come fornito da Sustainalytics e MSCI, si traduce in una peggiore gestione del rischio finanziario. D’altro canto, i punteggi sociali e di governance, così come la performance del carbonio, sembrano mitigare il rischio finanziario dei portafogli ESG. Dopo la regressione, il clustering K-Means viene utilizzato per segmentare il set di dati; tuttavia, non riesce a separarsi in cluster che combinano sia elevate prestazioni ESG che bassi rischi finanziari. Date le limitazioni dei metodi lineari come la PCA nella rappresentazione di dati complessi e non correlati, lo studio esplora le reti neurali artificiali, in particolare un Autoencoder non supervisionato. Il modello mostra un buon tentativo di riproduzione fedele dell'indice complessivo pur mantenendo le considerazioni direzionali prescritte. I classificatori e i regressori dei modelli Random Forest dimostrano ulteriormente che l'Autoencoder è un metodo efficace. Entrambi i risultati confermano la capacità dell'Autoencoder non solo di eseguire la riduzione della dimensionalità, ma anche di rivelare le connessioni e le dipendenze nascoste all'interno dei dati finanziari e degli ESG. Il valore di questo lavoro sta nella sua capacità di rinnovare l’analisi degli investimenti perché fornisce un indice integrato e multidimensionale che invia segnali di rischio e sostenibilità, contribuendo così a modelli di investimento più informati e responsabili.