A composite risk indicator for the equity market: integrating ESG data into risk assessment

This study aims to develop a holistic risk metric for individual stocks using a composite indicator that combines financial, macroeconomic and sustainability (ESG) factors. The objective is to offer a multidimensional perspective on risk that goes further than traditional measures, capturing the underlying drivers of potential losses. To this end, a wide set of variables commonly used in the literature for stock risk assessment has been collected. Machine learning techniques, including LASSO regression and Random Forest, are employed to identify the most relevant indicators. SHAP values are applied to the Random Forest model to interpret feature importance and assign appropriate weights to each group of variables. The result is a composite risk score that is both interpretable and informative, making it accessible to a broad range of users. While financial indicators remain the most influential, macroeconomic and ESG variables also contribute meaningfully to the final score. Notably, environmental factors have shown growing importance in recent years, reflecting heightened regulatory focus and market sensitivity to sustainability issues. In addition, the indicator demonstrates predictive capabilities when tested against future loss measures such as maximum drawdown. This makes it a useful tool for forward-looking risk analysis and supports more informed investment decisions.

Questo studio mira a sviluppare una metrica olistica del rischio per i singoli titoli azionari utilizzando un indicatore composito che combina fattori finanziari, macroeconomici e di sostenibilità (ESG). L’obiettivo è offrire una prospettiva multidimensionale del rischio che vada oltre le tradizionali metriche, catturando i fattori sottostanti che possono generare perdite potenziali. A tal fine, è stato raccolto un insieme di variabili comunemente utilizzate nella letteratura per la valutazione del rischio azionario. Tecniche di machine learning, tra cui la regressione LASSO e la Random Forest, sono impiegate per identificare gli indicatori più rilevanti. I valori SHAP sono applicati al modello Random Forest per interpretare l’importanza delle variabili e assegnare pesi appropriati a ciascun gruppo. Il risultato è un indicatore composito del rischio che è sia interpretabile che informativo, rendendolo accessibile a un’ampia gamma di utenti. Sebbene gli indicatori finanziari restino i più influenti, anche le componenti macroeconomiche e ESG contribuiscono in modo significativo al punteggio finale. In particolare, i fattori ambientali hanno mostrato una crescente importanza negli ultimi anni, riflettendo una maggiore attenzione normativa e una sensibilità crescente del mercato verso le questioni di sostenibilità. Infine, l’indicatore dimostra capacità predittive quando testato su misure di perdita futura come il massimo drawdown, rivelandosi quindi uno strumento utile per un’analisi del rischio orientata al futuro e per supportare decisioni d’investimento più consapevoli.