Designing Stable ESG Grade Bands: Cut-Point Optimisation and a Quantisation Perspective
Diese Arbeit demonstriert durch computergestützte Optimierung und Stabilitätsanalyse, dass die bestehende gleichbreite ESG-Gradskala im Vergleich zu nicht-uniformen Alternativen eine überlegene Stabilität gegenüber Score-Perturbationen bietet, während sie gleichzeitig ein Framework etabliert, das zeigt, dass das optimale Design der Grenzen gemeinsam von der Score-Verteilung und dem Ausmaß der erwarteten Revisionen abhängt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Investoren verlassen sich zunehmend auf ESG-Scores (Umwelt-, Sozial- und Governance-Bewertungen), um zu entscheiden, wohin sie ihr Geld anlegen. Diese Scores versuchen zu messen, wie verantwortungsvoll ein Unternehmen operiert, indem sie komplexe Daten über Kohlenstoffemissionen, die Behandlung von Arbeitnehmern und die Aufsicht durch den Vorstand in eine einzige Zahl umwandeln. Um diese Zahlen lesbarer zu machen, wandeln Ratingagenturen sie oft in Buchstabennoten um, ähnlich wie Schulzeugnisse. Ein Unternehmen kann ein „A“ für exzellente Leistungen oder ein „C“ für durchschnittliche Leistungen erhalten. Die Grenze zwischen einem „A“ und einem „B“ ist jedoch kein Naturgesetz; sie ist eine menschengemachte Grenze, die auf einer kontinuierlichen Skala gezogen wurde. Wenn sich der Score eines Unternehmens auch nur um einen winzigen Bruchteil verbessert, kann es diese Linie überschreiten und eine ganze Note springen, oder es bleibt unverändert. Dies wirft eine entscheidende Frage für diejenigen auf, die Milliarden von Dollar verwalten: Wo sollten diese Linien gezogen werden, um sicherzustellen, dass kleine, verrauschte Änderungen in einem Score keine wilden Schwankungen in der Bewertung eines Unternehmens verursachen?
Ein Forscherteam setzte sich zum Ziel, dies zu untersuchen, indem es das historische Bewertungssystem eines großen Anbieters, Refinitiv/LSEG, analysierte. In diesem System erhielten Unternehmen einen Score von null bis hundert, der dann in zwölf Buchstabennoten unterteilt wurde, die von D-minus bis A-plus reichten. Die Forscher konzentrierten sich auf die vier Hauptkategorien – D, C, B und A –, die bereits an spezifischen Punkten auf der Skala festgelegt waren. Ihr Ziel war es zu testen, ob die kleineren Abschnitte innerhalb dieser Kategorien, die die Plus- und Minus-Varianten voneinander trennten, auf die bestmögliche Weise gezeichnet wurden. Sie fragten sich, ob die Verschiebung dieser internen Linien die Bewertungen stabiler machen könnte, was bedeutete, dass sie weniger wahrscheinlich aufgrund geringfügiger Schwankungen in den Daten geändert würden.
Die Studie begann mit einer überraschenden Entdeckung über die Daten selbst. Die Forscher untersuchten über tausend Datensätze großer Unternehmen aus den Jahren 2018 bis 2023 und stellten fest, dass die veröffentlichten Scores stark gerundet waren. Fast alle Scores lagen genau in der Mitte der bestehenden Notenbereiche. Aufgrund dieser Rundung stellten die Forscher fest, dass für fünf von sechs alternativen Wegen, die sie zur Zeichnung der Linien ausprobierten, das Ergebnis identisch mit dem aktuellen System war. Wenn sie die Grenzen leicht verschoben, wechselten die Unternehmen nicht zu einer neuen Note, da die Scores bereits sicher in der Mitte der alten lagen. Dies bedeutete, dass man allein durch die Betrachtung der veröffentlichten Zahlen nicht feststellen konnte, welches Design besser war; die Daten waren zu grob, um zwischen den Optionen zu unterscheiden.
Um dies zu umgehen, nutzten die Forscher eine Methode namens Simulation. Sie nahmen die bestehenden Scores und fügten ihnen zufällige, kleine Mengen an Rauschen hinzu, um die Art von winzigen Fehlern oder Aktualisierungen nachzuahmen, die im wirklichen Leben vorkommen. Dann beobachteten sie, wie oft sich die Note eines Unternehmens unter verschiedenen Grenzdesign-Modellen ändern würde. Sie testeten ein Standarddesign, bei dem jedes Notenband die gleiche Breite hatte, und verglichen es mit sechs anderen Designs, bei denen die mittleren Bänder breiter und die Randbänder schmaler waren. Die Logik dahinter war, dass breitere mittlere Bänder als Puffer dienen könnten, um Unternehmen in ihrer aktuellen Note zu halten, selbst wenn ihr Score schwankt.
Die Ergebnisse zeigten, dass das Standarddesign mit gleicher Breite am zuverlässigsten für die Arten von kleinen Änderungen war, die typischerweise auftreten. Wenn die Forscher kleine bis moderate Störungen einführten, erzeugte das System mit gleicher Breite die wenigsten Notenänderungen. Es hielt die beobachteten Scores zudem am weitesten von den Grenzen entfernt, was den Bewertungen den meisten Raum zum Atmen gab, bevor eine Neuklassifizierung ausgelöst wurde. Die Forscher testeten dies unter Verwendung von vier verschiedenen mathematischen Optimierungswerkzeugen, und alle zeigten auf dasselbe Ergebnis: Der aktuelle Ansatz der gleichen Breite war die beste Wahl für die Stabilität.
Die Studie fand jedoch auch, dass diese Präferenz nicht absolut ist. Als die Forscher sehr große, chaotische Änderungen der Scores simulierten, kehrte sich die Situation um. Unter diesen extremen Bedingungen schnitt ein Design mit einem sehr breiten zentralen Band tatsächlich besser ab und hielt mehr Unternehmen in ihren ursprünglichen Noten. Dies deutet darauf hin, dass die beste Art, die Linien zu ziehen, vollständig davon abhängt, welche Art von Veränderungen das System zu bewältigen erwartet wird. Wenn das Ziel darin besteht, sich gegen kleines, alltägliches Rauschen zu schützen, sind gleiche Bänder überlegen. Wenn das Ziel darin besteht, massiven Schocks standzuhalten, ist eine andere Form erforderlich.
Letztlich kommt das Paper zu dem Schluss, dass das aktuelle System der gleichen Breite eine robuste Wahl für die untersuchten Daten ist, aber keine universelle Regel für alle Zeiten darstellt. Die Forscher hoben auch eine breitere Lektion für die Branche hervor: Da veröffentlichte Scores oft gerundet werden, kann es unmöglich sein, allein durch die Betrachtung der endgültigen Zahlen festzustellen, ob ein neues Bewertungssystem wirklich besser ist. Die Stabilität eines Ratings hängt von den verborgenen Mechanismen ab, wie die Grenzen gesetzt werden – ein Detail, das der Öffentlichkeit oft unsichtbar bleibt, aber entscheidend für die Zuverlässigkeit der Finanzmärkte ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.