Integrating Machine-Learned ESG Ratings into Hierarchical Risk Parity: Evidence from Classification Benchmarking and Sustainable Portfolio Optimization

Resumen Técnico: Integración de Calificaciones ESG Aprendidas mediante Aprendizaje Automático en la Paridad de Riesgo Jerárquica

Planteamiento del Problema
La optimización de carteras sostenibles requiere cada vez más la integración rigurosa de consideraciones Ambientales, Sociales y de Gobernanza (ESG, por sus siglas en inglés) dentro de los marcos de asignación basados en el riesgo. Sin embargo, la literatura existente ofrece una guía limitada sobre cómo integrar estructuralmente las métricas ESG dentro de la Paridad de Riesgo Jerárquica (HRP), una alternativa robusta al marco de media-varianza de Markowitz que evita la inversión de la matriz de covarianza. Los enfoques actuales suelen imponer restricciones de sostenibilidad de forma exógena (por ejemplo, mediante el filtrado de exclusión) en lugar de incorporarlas como componentes intrínsecos del proceso de asignación de riesgo. Además, la efectividad comparativa de los métodos de aprendizaje automático (ML) para predecir las calificaciones ESG a partir de características observables de las empresas permanece poco explorada, con muchos estudios que dependen de procesos de un solo modelo que carecen de un benchmarking sistemático, de un análisis de estabilidad de validación cruzada y de un manejo riguroso del desequilibrio de clases. Esto crea un riesgo de error de especificación y limita la generalizabilidad a través de distintas condiciones de mercado.

Metodología
El estudio propone un proceso de dos etapas que integra la clasificación de ESG impulsada por ML directamente en la construcción de la HRP.

1. Datos e Ingeniería de Características:

   • Conjunto de Datos: El estudio utiliza datos ESG de 866 empresas del S&P 500 provenientes del conjunto de datos de Informes de Sostenibilidad S&P 500 ESG. La variable objetivo se construye agrupando las puntuaciones compuestas de ESG en tres categorías basadas en cuantiles: Baja, Media y Alta.
   • Características: Se han diseñado un conjunto exhaustivo de 25 características, que comprende 10 descriptores estadísticos de series de retornos, 12 indicadores técnicos (momentum, volatilidad, drawdown) y las tres puntuaciones brutas de los pilares ESG (E, S, G).
   • Desequilibrio de Clases: Para abordar el desequilibrio moderado de clases, se aplica la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) estrictamente dentro de las particiones de entrenamiento de los pliegues de validación cruzada para evitar la fuga de datos (data leakage).

2. Benchmarking de Aprendizaje Automático:

   • Algoritmos: Se evalúan nueve algoritmos de clasificación que abarcan paradigmas lineales, de ensamble, basados en núcleos, probabilísticos, basados en instancias y neuronales. Estos incluyen Regresión Logística (LR), Naive Bayes Gaussiano, Random Forest, Extra Trees, Gradient Boosting, LightGBM, SVM (RBF), K-Vecinos Más Cercanos (KNN) y Perceptrón Multicapa (MLP).
   • Protocolo de Validación: Se emplea un protocolo riguroso que evita la fuga de datos, que cuenta con una división estratificada de entrenamiento-prueba de 80/20, validación cruzada de 5 pliegues estratificada y búsqueda de cuadrícula anidada (nested grid search) para el ajuste de hiperparámetros.
   • Métricas de Evaluación: El rendimiento se evalúa mediante la precisión de la prueba, el F1-score macro, el Coeficiente de Correlación de Matthews (MCC), el kappa de Cohen, el AUC-ROC, el AUC-PR y la estabilidad de la validación cruzada (desviación estándar del F1 entre pliegues).

3. Estrategias de Integración ESG-HRP:
   El estudio diseña y prueba cuatro mecanismos de integración para incorporar la sostenibilidad en la HRP:

   • Estrategia 1 (Pre-filtrado Rígido): Restringe el universo de inversión a activos clasificados como "ESG Alto".
   • Estrategia 2 (Retornos Ajustados por ESG): Modifica los retornos esperados mediante un sesgo de utilidad: $\mu^{ESG}_i = \mu_i + \alpha \cdot (ESG_i - \overline{ESG})$.
   • Estrategia 3 (Distancia Modificada por ESG): Mezcla la distancia de correlación financiera y la distancia euclidiana de ESG en la fase de agrupamiento jerárquico: $d^{combined}_{ij} = (1-\beta)d^{financial}_{ij} + \beta d^{ESG}_{ij}$.
   • Estrategia 4 (Híbrida): Aplica simultáneamente ajustes de retornos y modificaciones de distancia con parámetros ajustables de forma independiente, $\alpha$ y $\beta$.

4. Evaluación de la Cartera:
   Los backtests se realizan durante el periodo 2020–2023 (que abarca el desplome del COVID-19, la recuperación y el choque inflacionario) sobre un subconjunto de 48 activos líquidos. El rendimiento se evalúa mediante métricas de riesgo ajustado (Sharpe, Sortino, Calmar, Omega), medidas de diversificación (Número Efectivo de Activos, Índice de Herfindahl, Coeficiente de Gini) y puntuaciones de ESG a nivel de cartera.

Contribuciones Clave

1. Selección Sistemática de Modelos: El estudio proporciona una evaluación comparativa exhaustiva de nueve algoritmos de ML para la clasificación de ESG, identificando la Regresión Logística como el modelo óptimo. Documenta explícitamente el riesgo de sobreajuste en los métodos de ensamble de alta capacidad (Gradient Boosting, LightGBM) que logran puntuaciones perfectas en la validación cruzada pero sufren una degradación significativa en el conjunto de prueba.
2. Integración Estructural de ESG: Propone y valida cuatro mecanismos distintos para embeber los datos ESG en la HRP, yendo más allá del simple filtrado de exclusión hacia modificaciones estructurales de las expectativas de retorno y las distancias de agrupamiento jerárquico.
3. Análisis de Compromiso Empírico: La investigación cuantifica la "frontera ESG–Sharpe–diversificación", demostrando que los mecanismos de integración "suave" pueden elevar significativamente las puntuaciones ESG de la cartera mientras preservan el rendimiento ajustado por riesgo y la diversificación, mientras que el pre-filtrado rígido impone costos severos de concentración y rendimiento.
4. Rigor Metodológico: El estudio enfatiza la estabilidad de la validación cruzada, el equilibrio de clases dentro de los pliegues y la evaluación de múltiples métricas (incluyendo AUC-PR y MCC) para asegurar la fiabilidad del modelo para el despliegue institucional.

Result Resultados

• Desempeño de Clasificación: La Regresión Logística emergió como el clasificador superior, logrando una precisión de prueba del 89.58%, un F1-score macro de 0.8836 y un MCC de 0.844. Demostró una estabilidad excepcional en la validación cruzada (CV F1 = 0.9809 ± 0.0044).
• Detección de Sobreajuste: Gradient Boosting y LightGBM lograron F1-scores perfectos en la validación cruzada (1.000) pero se degradaron a aproximadamente un 79% de precisión de prueba, revelando un severo sobreajuste a los patrones específicos de los pliegues. Esto resalta el peligro de confiar únicamente en las métricas de validación.
• Importancia de las Características: Las tres puntuaciones de los pilares ESG (E, S, G) fueron los predictores dominantes, con las puntucciones Ambiental y Social cargando los pesos más altos. Los indicadores técnicos, particularmente la volatilidad y el momentum de corto plazo, proporcionaron señales predictivas complementarias.
• Desempeño de la Cartera (2020–2023):
  • Pre-filtrado Rígido: Aumentó la puntuación ESG promedio de la cartera en un 86% (a 72.5) pero redujo el ratio de Sharpe en un 85% (a 0.352) y colapsó el número efectivo de activos a 6.5.
  • Integración Suave (Híbrida/Ajustada): Mejoró las puntuaciones ESG promedio en un 6–12% (a ~42–44) mientras mantenía ratios de Sharpe en el rango de 0.50–0.54 y preservaba conteos de activos efectivos cercanos a 47.
  • HRP Tradicional: Sirvió como línea base con un ratio de Sharpe de 0.786 y una puntuación ESG promedio de 39.0.
  • Media-Varianza: Logró el ratio de Sharpe más alto (2.375) pero con una concentración extrema (N Efectivo = 2.77) y cero exposición a activos de alto ESG.

Significancia y Reivindicaciones
El artículo afirma establecer una base transparente y estable para la HRP informada por ESG. Argumenta que:

1. La Simplicidad Prevalece: Contrario a la suposición de que los modelos no lineales complejos dominan la predicción financiera, un modelo lineal (Regresión Logística) ofrece una generalización, estabilidad e interpretabilidad superiores para las tareas de clasificación de ESG.
2. La Integración Suave es Superior: Los mecanismos de integración "suave" (ajustando retornos o distancias de agrupamiento) permiten a los inversores acomodar objetivos de sostenibilidad con una pérdida de diversificación limitada y compromisos de rendimiento manejables. En contraste, el filtrado de exclusión "rígido" impone fuertes restricciones normativas al costo de un aumento marcado en la concentración y una reducción del rendimiento ajustado por riesgo.
3. Desplegabilidad Práctica: El marco propuesto ofrece una solución prácticamente desplegable para la gestión de carteras institucionales, equilibrando los deberes fiduciarios con los mandatos ESG. Proporciona una base cuantitativa para calibrar la intensidad de la integración según las preferencias del inversor, mostrando que se pueden lograr mejoras marginales en las puntuaciones ESG con reducciones moderadas en los retornos ajustados por riesgo.

El estudio se posiciona como una prueba de concepto para la HRP aumentada por ESG, enfatizando que sus hallazgos son específicos para el universo de gran capitalización del S&P 500 y un único proveedor de datos, ofreciendo al mismo tiempo un marco modular adaptable a universos más amplios y múltiples fuentes de datos.