Three essays on ESG ratings and quantitative finance

Environmental, Social, and Governance (ESG) scores have become a crucial tool for evaluating corporate sustainability, yet their functioning and their impact on the financial market is still far from being understood. In this thesis, we address three key gaps in the literature. First, we explore the proprietary models used for issuing ESG ratings and their main drivers. Secondly, we examine ESG ratings' role in asset managers' investment decisions. Finally, we analyse the impact of ESG-related controversies and sustainability social media reputation on stock prices. More in details, we first replicate ESG scoring methodology of London Stock Exchange Group (LSEG), former Refinitiv, using machine learning techniques to unveil the key drivers of ESG ratings, with a focus on their balance between forward-looking promises (aspirational) and past achievements (performance). Our analysis demonstrates a high level of consistency of the relevant features over time, with minimal changes as more data become available. Crucially, we find that 60% of the information reflected in ESG scores is based on forward-looking commitments, whereas 40% is derived from past performance. Moreover, we evaluate several white-box and black-box mathematical models to reconstruct the E, S, and G ratings’ assessment model and interpret their main drivers. The results show that it is possible to replicate the underlying issuance process with a satisfying level of accuracy. However, there is evidence of persisting unlearnable noise that even more complex models cannot eliminate. Secondly, we investigate the portfolio frontier and risk premia in equilibrium when an institutional investor aims to minimize the tracking error variance and to attain an ESG score higher than the benchmark’s one (ESG mandate). Provided that a negative ESG premium for stocks is priced by the market, we show that an ESG mandate can reduce the mean-variance inefficiency of the portfolio frontier when the asset manager targets a limited over-performance with respect to the benchmark. Instead, for a high over-performance target, an ESG mandate leads to a higher variance. The mean-variance improvement is due to the fact that the ESG mandate induces the asset manager to over-invest in assets with a high mean-standard deviation ratio. In equilibrium, with asset managers and mean-variance investors, a negative ESG premium arises if the ESG mandate is binding for asset managers. A result that is borne out by the data. Finally, we examine the impact of ESG-controversy events on the stock prices of companies in the S&P100 index, incorporating a Twitter-based sentiment index to quantify social media reputation. Our findings show that ESG controversies negatively affect stock returns, with the impact being inversely related to a company’s social media reputation. Companies with stronger reputations experience a shorter, less significant impact, while those with lower reputations face more persistent negative effects, lasting up to four days. Importantly, we find that the market is self-resilient: controversies do not cause spillover effects across the broader market. Instead, affected companies become isolated within the financial network, with their risk profiles decoupling from neighboring firms. This containment prevents systemic risks, highlighting the market’s ability to absorb and localize the shocks from ESG controversies. Our results hold even when dividends are included, reinforcing the short-lived nature of these effects for most companies.

I rating Environmental, Social, and Governance (ESG) sono diventati uno strumento cruciale per valutare la sostenibilità aziendale, ma il loro funzionamento e il loro impatto sul mercato finanziario sono ancora lontani dall'essere pienamente compresi. In questa tesi affrontiamo tre lacune principali presenti nella letteratura. Innanzitutto, esploriamo i modelli proprietari utilizzati per assegnare i punteggi ESG e i loro principali fattori determinanti. In secondo luogo, analizziamo il ruolo dei punteggi ESG nelle decisioni di investimento degli investitori istituzionali. Infine, studiamo l’impatto delle controversie legate agli ESG e della reputazione sui social media sulla sostenibilità dei prezzi delle azioni. Più nello specifico, iniziamo lo studio replicando la metodologia di calcolo dei punteggi ESG del London Stock Exchange Group (LSEG), precedentemente noto come Refinitiv, utilizzando tecniche di machine learning per individuare i principali fattori determinanti dei punteggi ESG, con un focus sull’equilibrio tra promesse future (aspirazioni) e risultati passati (performance). La nostra analisi dimostra un alto livello di coerenza dei fattori rilevanti nel tempo, con variazioni minime al crescere dei dati disponibili. In particolare, troviamo che il 60% delle informazioni riflesse nei punteggi ESG si basa su impegni futuri, mentre il 40% deriva da performance passate. Inoltre, valutiamo diversi modelli matematici white-box e black-box per ricostruire il modello di valutazione dei punteggi E, S e G e interpretarli nei loro principali fattori determinanti. I risultati mostrano che è possibile replicare il processo sottostante con un livello soddisfacente di accuratezza, anche se permane un rumore non eliminabile che neppure i modelli più complessi riescono ad eliminare. In secondo luogo, esaminiamo la frontiera del portafoglio e i premi per il rischio in equilibrio quando un investitore istituzionale mira a minimizzare la varianza dell’errore di tracciamento e a raggiungere un punteggio ESG superiore a quello del benchmark (mandato ESG). Supponendo che un premio ESG negativo per le azioni sia prezzato dal mercato, dimostriamo che un mandato ESG può ridurre l’inefficienza media-varianza della frontiera del portafoglio quando il gestore patrimoniale mira a un sovra-rendimento limitato rispetto al benchmark. Al contrario, per un obiettivo di sovra-rendimento elevato, un mandato ESG comporta una maggiore varianza. Il miglioramento media-varianza è dovuto al fatto che il mandato ESG induce il gestore patrimoniale a sovrainvestire in asset con un alto rapporto tra media e deviazione standard. In equilibrio, con gestori patrimoniali e investitori media-varianza, emerge un premio ESG negativo se il mandato ESG vincola i gestori patrimoniali, un risultato confermato dai dati. Infine, analizziamo l’impatto degli eventi di controversia ESG sui prezzi delle azioni delle aziende dell’indice S&P100, includendo un indice di sentiment basato su Twitter per quantificare la reputazione sui social media. I nostri risultati mostrano che le controversie ESG influenzano negativamente i rendimenti azionari, con un impatto inversamente correlato alla reputazione sui social media delle aziende. Le aziende con una reputazione più forte subiscono effetti più brevi e meno significativi, mentre quelle con reputazione più debole affrontano effetti negativi più persistenti, fino a quattro giorni. È importante sottolineare che il mercato si dimostra auto-resiliente: le controversie non causano effetti di contagio sul mercato più ampio. Le aziende coinvolte diventano isolate all’interno della rete finanziaria, con profili di rischio che si dissociano da quelli delle aziende vicine. Questa capacità di contenimento previene rischi sistemici, evidenziando l’abilità del mercato di assorbire e localizzare gli shock derivanti dalle controversie ESG. I nostri risultati restano validi anche includendo i dividendi, confermando la natura di breve durata di questi effetti per la maggior parte delle aziende.