📈 economía

Designing Stable ESG Grade Bands: Cut-Point Optimisation and a Quantisation Perspective

Este artículo demuestra, mediante la optimación computacional y el análisis de estabilidad, que la escala de calificación ESG de ancho uniforme actual ofrece una estabilidad superior frente a las perturbaciones de las puntuaciones en comparación con las alternativas no uniformes, estableciendo al mismo tiempo un marco que muestra que el diseño óptimo de los límites depende conjuntamente de la distribución de las puntuaciones y de la magnitud de las revisiones esperadas.

Autores originales: Hira Mahmood, Minh N. Dao, Claudio Conversano

Publicado 2026-10-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hira Mahmood, Minh N. Dao, Claudio Conversano

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los inversores dependen cada vez más de las puntuaciones ambientales, sociales y de gobernanza para decidir dónde colocar su dinero. Estas puntuaciones intentan medir qué tan responsablemente opera una empresa, convirtiendo datos complejos sobre emisiones de carbono, trato a los trabajadores y supervisión de la junta en un único número. Para que estos números sean más fáciles de leer, las agencias de calificación suelen convertirlos en calificaciones de letras, similares a las boletas de calificaciones escolares. Una empresa podría recibir una "A" por un desempeño excelente o una "C" por un desempeño promedio. Sin embargo, la línea entre una "A" y una "B" no es una ley natural; es un límite creado por el hombre trazado sobre una escala continua. Si la puntuación de una empresa mejora apenas una fracción mínima, podría cruzar esa línea y saltar un grado de letra completo, o podría quedarse estancada. Esto plantea una pregunta crítica para las personas que gestionan miles de millones de dólares: ¿dónde deberían trazarse estas líneas para asegurar que cambios pequeños y ruidosos en una puntuación no provoquen oscilaciones salvajes en la calificación de una empresa?

Un equipo de investigadores se propuso responder a esto examinando el sistema de puntuación histórico utilizado por un importante proveedor, Refinitiv/LSEG. En este sistema, las empresas recibían una puntuación de cero a cien, que luego se dividía en doce grados de letras, que iban desde la D menos hasta la A más. Los investigadores se centraron en las cuatro categorías principales —D, C, B y A— que ya estaban fijas en puntos específicos de la escala. Su objetivo era probar si las divisiones más pequeñas dentro de esas categorías, que separaban los signos más y menos, estaban trazadas de la mejor manera posible. Se preguntaron si mover estas líneas internas podría hacer que las calificaciones fueran más estables, es decir, menos propensas a cambiar debido a fluctuaciones menores en los datos.

El estudio comenzó con un descubrimiento sorprendente sobre los datos mismos. Los investigadores analizaron más de mil registros de grandes empresas de 2018 a 2023 y descubrieron que las puntuaciones publicadas estaban fuertemente redondeadas. Casi todas las puntuaciones aterrizaban exactamente en la mitad de las bandas de calificación existentes. Debido a este redondeo, los investigadores encontraron que para cinco de las seis formas alternativas en que intentaron trazar las líneas, el resultado era idéntico al sistema actual. Si desplazaban los límites ligeramente, las empresas no pasaban a un nuevo grado porque las puntuaciones ya estaban situadas de forma segura en el centro de las anteriores. Esto significaba que simplemente observar los números publicados no podía decirles qué diseño era mejor; los datos eran demasiado gruesos para distinguir entre las opciones.

Para sortear esto, los investigadores utilizaron un método llamado simulación. Tomaron las puntuaciones existentes y les añadieron ruido aleatorio y pequeño, imitando el tipo de errores o actualizaciones diminutas que ocurren en la vida real. Luego observaron con qué frecuencia cambiaba el grado de una empresa bajo diferentes diseños de límites. Probaron un diseño estándar donde cada banda de calificación tenía el mismo ancho, y lo compararon con otros seis diseños donde las bandas centrales eran más anchas y las bandas de los extremos más estrechas. La lógica era que las bandas centrales más anchas podrían actuar como un amortiguador, manteniendo a las empresas en su grado actual incluso si su puntuación oscilaba.

Los resultados mostraron que el diseño estándar de ancho igual era el más fiable para los tipos de cambios pequeños que ocurren habitualmente. Cuando los investigadores introdujeron perturbaciones pequeñas o moderadas, el sistema de ancho igual produjo la menor cantidad de cambios de grado. También mantuvo las puntuaciones observadas lo más alejadas posible de los límites, dando a las calificaciones el mayor espacio para respirar antes de que se activara una reclasificación. Los investigadores probaron esto utilizando cuatro herramientas diferentes de optimización matemática, y todas ellas apuntaron a la misma conclusión: el enfoque actual de ancho igual era la mejor opción para la estabilidad.

Sin embargo, el estudio también encontró que esta preferencia no es absoluta. Cuando los investigadores simularon cambios muy grandes y caóticos en las puntuaciones, la situación se invirtió. Bajo estas condiciones extremas, un diseño con una banda central muy ancha funcionó mejor, manteniendo a más empresas en sus grados originales. Esto sugiere que la mejor manera de trazar las líneas depende enteramente del tipo de cambios que se espera que enfrente el sistema. Si el objetivo es protegerse contra el ruido pequeño y cotidiano, las bandas iguales son superiores. Si el objetivo es resistir choques masivos, podría ser necesario un diseño diferente.

En última instancia, el artículo concluye que el sistema actual de ancho igual es una elección robusta para los datos que examinó, pero no es una regla universal para todos los tiempos. Los investigadores también destacaron una lección más amplia para la industria: debido a que las puntuaciones publicadas suelen estar redondeadas, puede ser imposible determinar si un nuevo sistema de calificación es realmente mejor solo mirando los números finales. La estabilidad de una calificación depende de la mecánica oculta de cómo se establecen los límites, un detalle que a menudo es invisible para el público pero crucial para la confiabilidad de los mercados financieros.

Resumen Técnico: Diseño de Bandas de Calificación ESG Estables

Planteamiento del Problema
Las calificaciones de ESG (Ambiental, Social y de Gobernanza) se comunican frecuentemente a los inversores como calificaciones de letras discretas derivadas de puntuaciones numéricas continuas mediante puntos de corte. Si bien existe una literatura extensa sobre la divergencia de las puntuaciones entre diferentes proveedores de calificaciones, el diseño metodológico de los propios puntos de corte —específicamente la ubicación de los límites dentro de las bandas de calificación de letras— sigue siendo poco explorado. La ubicación de estos límites es un problema de diseño discreto con implicaciones directas en la estabilidad de la calificación; las pequeñas revisiones de la puntuación que cruzan un límite provocan una reclasificación, mientras que los movimientos dentro de una banda dejan la calificación reportada sin cambios.

Este estudio se centra en la escala heredada de Refinitiv/LSEG (puntuación de 0–100, mapeada a 12 calificaciones de D− a A+). El problema principal es determinar si estructuras de puntos de corte internas alternativas (específicamente anchuras de banda no uniformes) ofrecen una estabilidad superior en comparación con la estructura de anchura igual de la escala actual, dadas las restricciones de los datos publicados y la naturaleza de las perturbaciones de las puntuaciones.

Metodología
Los autores formulan el diseño de la banda de calificación como un problema de cuantización escalar con restricciones. El análisis mantiene fijos los límites principales de A/B/C/D en 25, 50 y 75, mientras varía las anchuras de las tres sub-calificaciones dentro de cada cuartil.

Escalas Candidatas: La escala actual utiliza anchuras iguales ( $e = c \approx 8.33$ ). Se construyeron seis escalas alternativas (S1–S6) estrechando las sub-calificaciones de los extremos ( $e$ ) y ensanchando la sub-calificación central ( $c = 25 - 2e$ ).
Datos: El estudio utiliza un panel de 177 empresas de gran capitalización observadas de 2018 a 2023 (1,048 observaciones de empresa-año). Una característica crítica de los datos es la alta cuantización: el 99.9% de las puntuaciones corresponden exactamente a los puntos medios de las bandas de calificación de la escala actual, lo que resulta en solo 11 valores de puntuación distintos.
Prueba de Identificación Estática: Los autores primero prueban si las escalas alternativas pueden distinguirse de la actual utilizando datos estáticos. Demuestran que si ninguna puntuación observada se encuentra entre un límite de la escala actual y un límite de una escala candidata, las dos escalas producen asignaciones de calificación idénticas.
Evaluación de Estabilidad (Monte Carlo): Dado que los datos estáticos no pueden distinguir la mayoría de las alternativas, la estabilidad se evalúa mediante simulaciones de Monte Carlo. Las puntuaciones observadas se perturban con ruido gaussiano de media cero ( $\epsilon \sim N(0, \sigma^2)$ ) para $\sigma$ que oscila entre 0.5 y 5.0. Se calcula la "tasa de migración" (probabilidad de un cambio de calificación) para cada escala.
Optimización: El estudio emplea cuatro procedimientos de optimización numérica (búsqueda de cuadrícula, búsqueda de la sección áurea, recocido simulado y algoritmo genético) para minimizar una función de pérdida compuesta $L(e)$ . Esta función pondera la migración promedio (en $\sigma = 1, 2, 3$ ) al 60% y la distorsión del punto medio al 40%.
Seguridad de los Límites: Se calcula la distancia mínima entre cualquier puntuación observada y el punto de corte más cercano para medir el "margen de seguridad" contra la reclasificación.

Contribuciones Clave

Distinción Metodológica: El documento aisla el diseño de los límites de calificación como una elección metodológica distinta, separada de la construcción de la puntuación ESG subyacente o la divergencia entre proveedores.
Invarianza de Cuantización: Demuestra que las reglas de calificación alternativas pueden ser estadísticamente inidentificables utilizando las puntuaciones publicadas si dichas puntuaciones ya están redondeadas a la rejilla actual. Los autores proporcionan una proposición formal (Proposición 1) y una prueba de cuándo las escalas alternativas no pueden distinguirse mediante datos estáticos.
Marco de Cuantización: El estudio vincula la calificación ESG con la teoría de la cuantización escalar (condiciones de Lloyd–Max), sugiriendo que para las puntuaciones de rango percentil (que son aproximadamente uniformes dentro de los grupos de pares), las bandas de anchura igual son teóricamente óptimas para minimizar la distorsión.

Resultados

Indistinguibilidad Estática: Cinco de las seis escalas alternativas (S1–S5) produjeron asignaciones de calificación idénticas a la escala actual para las 1,048 observaciones. Solo la alternativa más extrema (S6, con una banda central muy ancha) resultó en reclasificaciones. Esto confirma que los datos estáticos por sí solos no pueden validar diseños alternativos debido a la cuantización de las puntuaciones publicadas.
Estabilidad de Migración: Bajo perturbaciones pequeñas o moderadas ( $\sigma \leq 4$ ), la escala de anchura igual actual exhibió las tasas de migración de calificación más bajas o cercanas a las más bajas. Por ejemplo, con $\sigma = 2$ , la tasa de migración de la escala actual fue del 3.90%, frente al 4.14% de S3 y tasas significativamente más altas para las escalas con bandas de los extremos más estrechas (por ejemplo, S6 con 32.96%).
Seguridad de los Límites: La escala actual proporcionó el mayor margen mínimo (4.14 puntos) entre las puntuaciones observadas y los límites. Las escalas no uniformes con bandas centrales más anchas acercaron los puntos de corte a los puntos de masa observados, reduciendo la seguridad.
Convergencia de Optimización: Los cuatro algoritmos de optimización convergieron en un ancho de extremo ( $e$ ) muy cercano al valor actual de $25/3$ (aprox. 8.33).
Excepción de Gran Perturbación: En la mayor perturbación considerada ( $\sigma = 5$ ), la escala más extrema de centro ancho (S6) exhibió una migración menor que la escala actual. Esto indica que el diseño "óptimo" depende de la magnitud de las revisiones de la puntuación.

Significancia y Reclamaciones
El documento afirma proporcionar un marco computacional para diseñar límites de calificación ESG discretos. Su conclusión principal es que la partición preferida depende conjuntamente de la distribución de las puntuaciones y de la magnitud de las revisiones de las puntuaciones esperadas.

Robustez Local: Para la distribución cuantizada observada y para revisiones de puntuación pequeñas o moderadas (hasta ~4 puntos), la escala uniforme (de anchura igual) es el diseño más estable. Maximiza la distancia de las puntuaciones respecto a los límites y minimiza la migración.
Preferencia Condicional: La preferencia por las bandas uniformes es condicional. Si el objetivo de diseño cambia hacia la protección contra choques muy grandes (por ejemplo, $\sigma = 5$ ), un diseño no uniforme con una banda central más ancha puede ser más estable.
Limitaciones: Los autores declaran explícitamente que estos hallazgos se basan en una muestra histórica de empresas de gran capitalización y en puntuaciones publicadas cuantizadas. El estudio no pretende que la puntuación actual sea una medida completa de la sostenibilidad, ni examina el impacto financiero de los cambios de calificación. Los resultados se presentan como evidencia metodológica para el sistema heredado, señalando que preguntas de diseño similares podrían aplicarse a las nuevas escalas de 0–5 si se dispusiera de datos no redondeados.

En resumen, el estudio argumenta que, si bien la ubicación de los puntos de corte es una elección de diseño crítica, la estructura actual de anchura igual es robusta para las características de los datos y las magnitudes de perturbación analizadas, y que los diseños alternativos no pueden validarse utilizando las puntuaciones ESG redondeadas actualmente disponibles.

Más como este