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

Résumé Technique : Intégration des notations ESG issues de l'apprentissage automatique dans la Parité de Risque Hiérarchique

Énoncé du Problème
L'optimisation de portefeuilles durables nécessite de plus en plus l'intégration rigoureuse des considérations Environnementales, Sociales et de Gouvernance (ESG) dans les cadres d'allocation basés sur le risque. Cependant, la littérature existante offre des orientations limitées sur l'intégration structurelle des métriques ESG au sein de la Parité de Risque Hiérarchique (HRP), une alternative robuste au cadre moyenne-variance de Markowitz qui évite l'inversion de la matrice de covariance. Les approches actuelles imposent généralement des contraintes de durabilité de manière exogène (par exemple, par filtrage d'exclusion) plutôt qu'en les incorporant comme composantes intrinsèques du processus d'allocation des risques. De plus, l'efficacité comparative des méthodes d'apprentissage automatique (ML) pour prédire les notations ESG à partir de caractéristiques observables des entreprises reste peu explorée, de nombreuses études s'appuyant sur des pipelines à modèle unique qui manquent de benchmarking systématique, d'analyse de stabilité de la validation croisée et d'une gestion rigoureuse du déséquilibre des classes. Cela crée un risque d'erreur de spécification et limite la généralisabilité à travers différentes conditions de marché.

Méthodologie
L'étude propose un pipeline en deux étapes qui intègre la classification ESG pilotée par le ML directement dans le processus de construction de l'HRP.

1. Données et Ingénierie des Caractéristiques :

   • Jeu de données : L'étude utilise des données ESG pour 866 entreprises du S&P 500 issues du jeu de données des rapports de durabilité ESG du S&P 500. La variable cible est construite en segmentant les scores composites ESG en trois catégories basées sur les quantiles : Faible, Moyen et Élevé.
   • Caractéristiques : Un ensemble complet de 25 caractéristiques est élaboré, comprenant 10 descripteurs statistiques de séries de rendements, 12 indicateurs techniques (momentum, volatilité, drawdown) et les trois scores bruts des piliers ESG (E, S, G).
   • Déséquilibre des classes : Pour traiter le déséquilibre modéré des classes, la technique SMOTE (Synthetic Minority Oversampling Technique) est appliquée strictement au sein des partitions d'entraînement des plis de validation croisée afin d'éviter toute fuite de données (data leakage).

2. Benchmarking de l'Apprentissage Automatique :

   • Algorithmes : Neuf algorithmes de classification couvrant les paradigmes linéaires, d'ensemble, à noyau, probabilistes, par instances et neuronaux sont comparés. Ceux-ci incluent la Régression Logistique (LR), le Naive Bayes Gaussien, la Forêt Aléatoire (Random Forest), l'Extra Trees, le Gradient Boosting, le LightGBM, le SVM (RBF), les K-plus proches voisins (KNN) et le Perceptron Multicouche (MLP).
   • Protocole de Validation : Un protocole rigoureux évitant la fuite de données est employé, présentant une division stratifiée 80/20 pour l'entraînement/test, une validation croisée stratifiée à 5 plis et une recherche par grille imbriquée (nested grid search) pour l'optimisation des hyperparamètres.
   • Métriques d'Évaluation : La performance est évaluée via la précision de test, le score F1 macro, le coefficient de corrélation de Matthews (MCC), le kappa de Cohen, l'AUC-ROC, l'AUC-PR et la stabilité de la validation croisée (écart-type du F1 à travers les plis).

3. Stratégies d'Intégration ESG-HRP :
   L'étude conçoit et teste quatre mécanismes d'intégration pour incorporer la durabilité dans l'HRP :

   • Stratégie 1 (Pré-filtrage Strict) : Restreint l'univers d'investissement aux actifs classés comme « ESG Élevé ».
   • Stratégie 2 (Rendements Ajustés par l'ESG) : Modifie les rendements attendus via un biais d'utilité : $\mu^{ESG}_i = \mu_i + \alpha \cdot (ESG_i - \overline{ESG})$.
   • Stratégie 3 (Distance Modifiée par l'ESG) : Mélange la distance de corrélation financière et la distance euclidienne ESG lors de la phase de regroupement hiérarchique (clustering) : $d^{combined}_{ij} = (1-\beta)d^{financial}_{ij} + \beta d^{ESG}_{ij}$.
   • Stratégie 4 (Hybride) : Applique simultanément les ajustements de rendement et les modifications de distance avec des paramètres $\alpha$ et $\beta$ indépendamment ajustables.

4. Évaluation du Portefeuille :
   Les tests rétroactifs (backtests) sont menés sur la période 2020–2023 (englobant le krach lié au COVID-19, la reprise et le choc inflationniste) sur un sous-ensemble de 48 actifs liquides. La performance est évaluée via des métriques ajustées au risque (Sharpe, Sortino, Calmar, Omega), des mesures de diversification (Nombre effectif d'actifs, indice de Herfindahl, coefficient de Gini) et des scores ESG au niveau du portefeuille.

Principales Contributions

1. Sélection Systématique de Modèle : L'étude fournit une évaluation comparative complète de neuf algorithmes de ML pour la classification ESG, identifiant la Régression Logistique comme le modèle optimal. Elle documente explicitement le risque de surapprentissage (overfitting) des méthodes d'ensemble à haute capacité (Gradient Boosting, LightGBM) qui atteignent des scores de validation croisée parfaits mais souffrent d'une dégradation significative sur l'ensemble de test.
2. Intégration Structurelle de l'ESG : Elle propose et valide quatre mécanismes distincts pour intégrer les données ESG dans l'HRP, allant au-delà du simple filtrage d'exclusion pour proposer des modifications structurelles des attentes de rendement et des distances de regroupement hiérarchique.
3. Analyse des Compromis Empiriques : La recherche quantifie la « frontière ESG–Sharpe–diversification », démontrant que les mécanismes d'intégration « douce » peuvent augmenter significativement les scores ESG du portefeuille tout en préservant la performance ajustée au risque et la diversification, tandis que le pré-filtrage « dur » impose des coûts sévères de concentration et de performance.
4. Rigueur Méthodologique : L'étude met l'accent sur la stabilité de la validation croisée, l'équilibrage des classes au sein des plis et l'évaluation multi-métrique (incluant l'AUC-PR et le MCC) pour garantir la fiabilité du modèle pour un déploiement institutionnel.

Résultats

• Performance de Classification : La Régression Logistique est apparue comme le classificateur supérieur, atteignant une précision de test de 89,58 %, un score F1 macro de 0,8836 et un MCC de 0,844. Elle a démontré une stabilité exceptionnelle de la validation croisée (CV F1 = 0,9809 ± 0,0044).
• Détection du Surapprentissage : Le Gradient Boosting et le LightGBM ont atteint des scores F1 de validation croisée parfaits (1,000) mais ont chuté à environ 79 % de précision de test, révélant un surapprentissage sévère des motifs spécifiques aux plis. Cela souligne le danger de se fier uniquement aux métriques de validation.
• Importance des Caractéristiques : Les trois scores des piliers ESG (E, S, G) étaient les prédicteurs dominants, les scores Environnementaux et Sociaux portant les poids les plus élevés. Les indicateurs techniques, particulièrement la volatilité et le momentum à court terme, fournissaient un signal prédictif complémentaire.
• Performance du Portefeuille (2020–2023) :
  • Pré-filtrage Strict : A augmenté le score ESG moyen du portefeuille de 86 % (à 72,5) mais a réduit le ratio de Sharpe de 85 % (à 0,352) et a fait s'effondrer le nombre effectif d'actifs à 6,5.
  • Intégration Douce (Hybride/Ajustée) : A amélioré les scores ESG moyens de 6 à 12 % (à ~42–44) tout en maintenant des ratios de Sharpe dans la plage de 0,50–0,54 et en préservant des comptes d'actifs effectifs proches de 47.
  • HRP Traditionnelle : A servi de base de référence avec un ratio de Sharpe de 0,786 et un score ESG moyen de 39,0.
  • Moyenne-Variance : A obtenu le ratio de Sharpe le plus élevé (2,375) mais avec une concentration extrême (N effectif = 2,77) et une exposition nulle aux actifs à ESG élevé.

Signification et Revendications
L'article affirme établir une base transparente et stable pour une HRP informée par l'ESG. Il soutient que :

1. La Simplicité Prévaut : Contrairement à l'hypothion selon laquelle les modèles non linéaires complexes dominent la prédiction financière, un modèle linéaire (Régression Logistique) offre une généralisation, une stabilité et une interprétabilité supérieures pour les tâches de classification ESG.
2. L'Intégration Douce est Supérieure : Les mécanismes d'intégration « douce » (ajustement des rendements ou des distances de regroupement) permettent aux investisseurs de répondre à des objectifs de durabilité avec une perte de diversification limitée et des compromis de performance gérables. En revanche, le filtrage d'exclusion « dur » impose des contraintes normatives fortes au prix d'une augmentation marquée de la concentration et d'une réduction de la performance ajustée au risque.
3. Déployabilité Pratique : Le cadre proposé offre une solution pratiquement déployable pour la gestion de portefeuille institutionnelle, équilibrant les devoirs fiduciaires avec les mandats ESG. Il fournit une base quantitative pour calibrer l'intensité de l'intégration en fonction des préférences de l'investisseur, montrant que des améliorations marginales des scores ESG peuvent être obtenues avec des réductions modérées des rendements ajustés au risque.

L'étude se positionne comme une preuve de concept pour une HRP augmentée par l'ESG, soulignant que ses conclusions sont spécifiques à l'univers des grandes capitalisations du S&P 500 et à un seul fournisseur de données ESG, tout en offrant un cadre modulaire adaptable à des univers plus larges et à des sources de données multiples.