Portfolio construction, brand capital, and stock return forecasting in a sustainable finance and climate risk angle

In recent years, the rise of environmental, social, and governance (ESG) factors has dramatically reshaped the landscape of both academic research and practical financial applications. As businesses face increasing pressure to operate sustainably, ESG considerations have become pivotal for investors, stakeholders, and regulators alike. From an academic perspective, ESG metrics provide a valuable lens for analyzing the long-term value of firms and predicting financial performance. For practitioners, these factors influence investment decisions, risk assessments, and corporate governance strategies, shifting the focus from short-term gains to long-term sustainability. The interplay between ESG and financial performance presents a complex problem for both researchers and practitioners. Traditional financial models, often focused on historical data, struggle to capture the dynamic and multifaceted nature of ESG factors, which can affect both tangible and intangible assets. As such, a growing body of research aims to integrate machine learning, big data, and ESG metrics into existing financial frameworks to improve decision-making. In parallel, businesses must balance short-term profitability with long-term sustainability, a challenge amplified by the increased scrutiny on climate risks and the social responsibility of corporations. This PhD thesis contributes to this ongoing discourse by exploring how ESG factors and climate risks can be systematically integrated into financial models. Through a collection of three papers, it addresses the overarching problem of incorporating non-financial metrics, such as ESG sentiment and climate risk exposure, into traditional financial forecasting and portfolio management techniques. The thesis leverages cutting-edge machine learning models and new advanced methodologies for empirical analyses to demonstrate the value of ESG data in predicting stock prices, building efficient portfolios, and understanding the impact of climate risk on corporate brand capital. From a practitioner’s perspective, the research underscores the practical relevance of ESG data in enhancing financial decision-making. It shows how businesses and investors can better anticipate market movements, manage risks, and align corporate strategies with global sustainability goals. For academics, this thesis contributes original insights into the integration of ESG factors in financial modeling, offering new perspectives on how non-financial data can enhance the predictive power of existing models.

Negli ultimi anni, l’emergere dei fattori ambientali, sociali e di governance (ESG) ha profondamente trasformato il panorama della ricerca accademica e delle applicazioni finanziarie pratiche. Con l’aumento delle pressioni affinché le imprese operino in modo sostenibile, le considerazioni ESG sono diventate centrali per investitori, stakeholder e regolatori. Dal punto di vista accademico, le metriche ESG offrono una lente preziosa per analizzare il valore a lungo termine delle imprese e prevedere la loro performance finanziaria. Per i professionisti, questi fattori influenzano le decisioni di investimento, le valutazioni dei rischi e le strategie di governance aziendale, spostando l'attenzione dai guadagni a breve termine alla sostenibilità di lungo periodo. L'interazione tra ESG e performance finanziaria rappresenta una sfida complessa sia per i ricercatori che per gli operatori del settore. I modelli finanziari tradizionali, spesso basati su dati storici, faticano a cogliere la natura dinamica e multifattoriale dei fattori ESG, i quali possono influenzare sia asset tangibili che intangibili. Per questo motivo, una crescente letteratura sta cercando di integrare machine learning, big data e metriche ESG nei framework finanziari esistenti, al fine di migliorare i processi decisionali. Parallelamente, le imprese devono bilanciare la redditività di breve periodo con la sostenibilità a lungo termine, una sfida resa ancora più complessa dalla crescente attenzione ai rischi climatici e alla responsabilità sociale d’impresa. Questa tesi di dottorato contribuisce al dibattito attuale esplorando come i fattori ESG e i rischi climatici possano essere integrati sistematicamente nei modelli finanziari. Attraverso una raccolta di tre saggi, affronta il problema generale dell'inclusione di metriche non finanziarie, come il sentiment ESG e l’esposizione ai rischi climatici, nelle tecniche tradizionali di previsione finanziaria e di gestione di portafoglio. La tesi utilizza modelli avanzati di machine learning e nuove metodologie empiriche per dimostrare il valore dei dati ESG nella previsione dei prezzi azionari, nella costruzione di portafogli efficienti e nella comprensione dell’impatto dei rischi climatici sul capitale di marca delle imprese. Dal punto di vista operativo, la ricerca evidenzia la rilevanza pratica dei dati ESG nel migliorare i processi decisionali finanziari. Dimostra come imprese e investitori possano anticipare meglio i movimenti di mercato, gestire i rischi e allineare le strategie aziendali agli obiettivi globali di sostenibilità. Sul piano accademico, questa tesi apporta contributi originali all'integrazione dei fattori ESG nella modellizzazione finanziaria, offrendo nuove prospettive su come i dati non finanziari possano potenziare il potere predittivo dei modelli esistenti.