Uncovering the pillars of ESG ratings: a study of feature selection and score integrity

In recent years, ESG (Environmental, Social, and Governance) scores have become a vital tool for investors and stakeholders to evaluate the sustainability and ethical impact of companies. These scores provide a comprehensive view of a company's non-financial performance, influencing investment decisions and corporate behavior. However, the complexity and opacity of the methodologies used by different rating agencies have raised concerns about the reliability and consistency of ESG scores. This thesis addresses these concerns by examining the methodology of ESG scoring as implemented by Refinitiv, with a particular focus on feature selection and the understanding of the weighting system behind each ESG component in the scoring process. By employing machine learning techniques, in particular random forest algorithms, we aim to identify the most relevant features that contribute to ESG scores and evaluate their consistency over time. The study highlights a quasi-static behavior of the algorithm, with only minor adjustments aimed at refining the evaluation process as more data become available. Additionally, our analysis reveals a critical imbalance in the ESG score composition, with a predominant reliance on aspirational metrics over measurable performance outcomes. This reliance raises concerns about the inflation of ESG scores and their potential to mislead investors regarding a company's actual sustainability efforts. Our findings underscore the necessity for greater transparency and a balanced approach between aspirational and performance metrics in ESG scoring methodologies to ensure reliable and credible sustainability assessments.

Negli ultimi anni, i punteggi ESG (Environmental, Social, and Governance) sono diventati uno strumento vitale per investitori e stakeholder al fine di valutare la sostenibilità e l'impatto etico delle aziende. Questi punteggi forniscono una visione complessiva della performance non finanziaria di un'azienda, influenzando decisioni di investimento e comportamento aziendale. Tuttavia, la complessità e l'opacità delle metodologie utilizzate dalle diverse agenzie di rating hanno sollevato preoccupazioni circa l'affidabilità e la coerenza dei punteggi ESG. Questa tesi affronta queste preoccupazioni esaminando la metodologia di valutazione ESG implementata da Refinitiv, con particolare attenzione alla selezione delle variabili determinanti e alla comprensione del sistema di pesatura di ciascun componente ESG nel processo di valutazione. Utilizzando tecniche di machine learning, miriamo a identificare le caratteristiche più rilevanti che contribuiscono ai punteggi ESG e valutare la loro coerenza nel tempo. Lo studio evidenzia un comportamento quasi statico dell'algoritmo. Inoltre, la nostra analisi rivela uno squilibrio critico nella composizione del punteggio ESG, con una predominante dipendenza da metriche aspirazionali rispetto ai risultati misurabili delle performance. Questa dipendenza solleva preoccupazioni circa l'inflazione dei punteggi ESG e il loro potenziale di ingannare gli investitori riguardo agli effettivi sforzi di sostenibilità di un'azienda. I nostri risultati sottolineano la necessità di una maggiore trasparenza e di un approccio equilibrato tra metriche aspirazionali e di performance nelle metodologie di valutazione ESG per garantire valutazioni di sostenibilità affidabili e credibili.