The increasing relevance of Environmental, Social and Governance (ESG) factors in portfolio optimization requires advanced methodologies capable of handling data heterogeneity and non-linear interactions. This study introduces a Dynamic Ensemble Learning Strategy (DELS), a machine learning-based framework that enhances firm selection for sustainable portfolio construction. DELS integrates a modified Random Forest algorithm, ensuring an adaptive decision-making process based on a two-stage consensus mechanism, optimizing risk-adjusted returns while aligning with sustainability objectives. The methodology is applied to Eurostoxx 600 stocks over the period from 2021 to 2024, demonstrating improved robustness against market fluctuations and enhancing ESG adherence. By combining different splitting measures, we also propose a volatility-based recalibration strategy able to outperform iShares STOXX Europe 600 UCITS ETF and a passive buy-and-hold investment based on DELS, which demonstrates the practical implications of the model in Socially Responsible Investing.

La crescente rilevanza dei fattori Ambientali, Sociali e di Governance (ESG) nell'ottimizzazione di portafoglio richiede metodologie avanzate in grado di gestire l'eterogeneità dei dati e le interazioni non lineari. Questo studio introduce il modello Dynamic Ensemble Learning Strategy (DELS), un framework basato sul Machine Learning che migliora la selezione delle stocks per la costruzione di portafogli sostenibili. DELS integra un algoritmo Random Forest Modificato, garantendo un processo decisionale adattivo basato su un meccanismo di consenso a due fasi, ottimizzando i rendimenti per il rischio e allineandoli agli obiettivi di sostenibilità. La metodologia viene applicata ai titoli dell'Eurostoxx 600 nel periodo dal 2021 al 2024, dimostrando una maggiore robustezza alle fluttuazioni di mercato e un miglioramento nell'aderenza ai criteri ESG. Combinando diverse misure di rischio, proponiamo inoltre una strategia di ricalibrazione basata sulla volatilità, in grado di superare le performance dell'iShares STOXX Europe 600 UCITS ETF e di un investimento passivo buy-and-hold basato su DELS, dimostrando le implicazioni pratiche del modello nel Socially Responsible Investing.

Advancing socially responsible investing: dynamic ensemble learning strategy for portfolio optimization

Ferrari, Irene
2024/2025

Abstract

The increasing relevance of Environmental, Social and Governance (ESG) factors in portfolio optimization requires advanced methodologies capable of handling data heterogeneity and non-linear interactions. This study introduces a Dynamic Ensemble Learning Strategy (DELS), a machine learning-based framework that enhances firm selection for sustainable portfolio construction. DELS integrates a modified Random Forest algorithm, ensuring an adaptive decision-making process based on a two-stage consensus mechanism, optimizing risk-adjusted returns while aligning with sustainability objectives. The methodology is applied to Eurostoxx 600 stocks over the period from 2021 to 2024, demonstrating improved robustness against market fluctuations and enhancing ESG adherence. By combining different splitting measures, we also propose a volatility-based recalibration strategy able to outperform iShares STOXX Europe 600 UCITS ETF and a passive buy-and-hold investment based on DELS, which demonstrates the practical implications of the model in Socially Responsible Investing.
Rosamilia, Nico
ING - Scuola di Ingegneria Industriale e dell'Informazione
3-apr-2025
2024/2025
La crescente rilevanza dei fattori Ambientali, Sociali e di Governance (ESG) nell'ottimizzazione di portafoglio richiede metodologie avanzate in grado di gestire l'eterogeneità dei dati e le interazioni non lineari. Questo studio introduce il modello Dynamic Ensemble Learning Strategy (DELS), un framework basato sul Machine Learning che migliora la selezione delle stocks per la costruzione di portafogli sostenibili. DELS integra un algoritmo Random Forest Modificato, garantendo un processo decisionale adattivo basato su un meccanismo di consenso a due fasi, ottimizzando i rendimenti per il rischio e allineandoli agli obiettivi di sostenibilità. La metodologia viene applicata ai titoli dell'Eurostoxx 600 nel periodo dal 2021 al 2024, dimostrando una maggiore robustezza alle fluttuazioni di mercato e un miglioramento nell'aderenza ai criteri ESG. Combinando diverse misure di rischio, proponiamo inoltre una strategia di ricalibrazione basata sulla volatilità, in grado di superare le performance dell'iShares STOXX Europe 600 UCITS ETF e di un investimento passivo buy-and-hold basato su DELS, dimostrando le implicazioni pratiche del modello nel Socially Responsible Investing.
File allegati
File Dimensione Formato  
2025_03_Ferrari_Executive_Summary.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Executive Summary
Dimensione 740.6 kB
Formato Adobe PDF
740.6 kB Adobe PDF   Visualizza/Apri
2025_03_Ferrari_Thesis.pdf

accessibile in internet solo dagli utenti autorizzati

Descrizione: Thesis Manuscript
Dimensione 1.32 MB
Formato Adobe PDF
1.32 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/234582