Integrating Machine-Learned ESG Ratings into Hierarchical Risk Parity: Evidence from Classification Benchmarking and Sustainable Portfolio Optimization
यह अध्ययन प्रदर्शित करता है कि ESG रेटिंग के लिए एक मशीन-लर्निंग-अनुकूलित लॉजिस्टिक रिग्रेशन क्लासिफायर को पदानुक्रमित जोखिम समानता (Hierarchical Risk Parity) ढांचे में एकीकृत करना "सॉफ्ट" पोर्टफोलियो एकीकरण को सक्षम बनाता है जो "हार्ड" बहिष्करण स्क्रीनिंग के विपरीत, जो विविधीकरण और रिटर्न को नाटकीय रूप से कम कर देती है, जोखिम-समायोजित प्रदर्शन को संरक्षित करते हुए ESG स्कोर में महत्वपूर्ण सुधार करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल जहाज, पोर्टफोलियो (Portfolio) के कप्तान हैं, जो शेयर बाजार की ऊबड़-खाबड़ लहरों में चल रहा है। आपका लक्ष्य जहाज को तेज गति से आगे बढ़ाना (पैसा बनाना) है, जबकि इसे स्थिर भी रखना है (बड़े क्रैश से बचना) और यह सुनिश्चित करना है कि आप खराब पर्यावरणीय या सामाजिक प्रथाओं (ESG) से बने किसी हिमखंड (iceberg) की ओर न बढ़ रहे हों।
लंबे समय तक, कप्तानों के पास इसे संभालने के दो मुख्य तरीके थे:
- "केवल गति" वाला चालक दल (The "Speed-Only" Crew): उन्होंने केवल इस बात पर ध्यान दिया कि जहाज कितनी तेजी से चल सकता है। उन्होंने डेक को सबसे तेज, सबसे आक्रामक नाविकों से भर दिया। इससे जहाज तो तेजी से दौड़ने लगा, लेकिन यह खतरनाक रूप से भीड़भाड़ वाला हो गया, और यदि एक भी नाविक लड़खड़ाया, तो पूरा जहाज पलट जाता।
- "केवल शुद्धता" वाला चालक दल (The "Purity-Only" Crew): उन्होंने उन सभी को जहाज से बाहर फेंक दिया जिनके पास "ग्रीन बैज" नहीं था। इससे जहाज बहुत साफ और नैतिक तो बन गया, लेकिन उसमें इतने कम नाविक बचे कि जहाज बहुत छोटा, धीमा और तूफानों को झेलने में अक्षम हो गया।
यह शोध पत्र एक नए, चतुर कप्तान को पेश करता है जो एक मध्य मार्ग खोजने के लिए एक मशीन लर्निंग (Machine Learning) टूल का उपयोग करता है। उन्होंने इसे कैसे किया, उन्होंने क्या पाया, और उन्होंने निश्चित रूप से क्या नहीं पाया, यहाँ बताया गया है।
जादुई उपकरण: नाविकों को छाँटना
सबसे पहले, शोधकर्ताओं को 866 कंपनियों को तीन समूहों में वर्गीकृत करने की आवश्यकता थी: कम (Low), मध्यम (Medium), और उच्च (High) ESG रेटिंग। उन्होंने नौ अलग-अलग "सॉर्टिंग एल्गोरिदम" (सोचिए कि ये अलग-अलग प्रकार के सुपर-स्मार्ट रोबोट हैं) का परीक्षण किया ताकि यह देखा जा सके कि कौन सा रोबोट किसी कंपनी के वित्तीय डेटा और उसके विशिष्ट पर्यावरणीय, सामाजिक और शासन (ESG) स्कोर के आधार पर उसकी रेटिंग का सबसे अच्छी तरह से अनुमान लगा सकता है।
बड़ा आश्चर्य:
हर कोई उम्मीद कर रहा था कि सबसे जटिल, उच्च-तकनीकी रोबट (जैसे ग्रेडिएंट बूस्टिंग (Gradient Boosting) और न्यूरल नेटवर्क (Neural Networks)) जीतेंगे। आखिर वे AI की दुनिया के "भारी वजन उठाने वाले" (heavy lifters) हैं।
- जिस विचार का यह शोध पत्र विरोध करता है: यह विचार कि "अधिक जटिल होना हमेशा बेहतर होता है।"
- वास्तविकता: सबसे सरल रोबोट, लॉजिस्टिक्स रिग्रेशन (Logistic Regression), दौड़ में विजेता रहा। इसने 89.58% बार सही अनुमान लगाया।
- जाल (The Trap): जटिल रोबोट (ग्रेडिएंट बूस्टिंग) अभ्यास परीक्षणों के दौरान एकदम सही लग रहे थे, जिनका स्कोर 100% (एक पूर्ण 1.000 क्रॉस-वैलिडेशन F1-स्कोर) था। लेकिन जब उनका वास्तविक परीक्षण हुआ, तो वे क्रैश हो गए, और उनकी सटीकता गिरकर लगभग 79% रह गई। शोध पत्र इसे "अभ्यास के प्रश्नों को रटने" के बजाय "वास्तव में सीखने" की कमी के रूप में समझाता है। उन्होंने डेटा को 'ओवरफिट' (overfit) कर दिया। हालाँकि, सरल रोबोट स्थिर और विश्वसनीय बना रहा, जिससे यह सिद्ध हुआ कि कभी-कभी उलझी हुई गांठ के बजाय एक सीधी रेखा बेहतर होती है।
नया नेविगेशन सिस्टम: HRP
एक बार जब रोबोट ने कंपनियों को छाँट लिया, तो कप्तान को जहाज बनाने की आवश्यकता थी। उन्होंने Hierarchical Risk Parity (HRP) का उपयोग किया।
- उपमा (Analogy): कल्पना कीजिए कि ब्लॉक्स (blocks) का एक टॉवर बना रहे हैं। उन्हें बेतरतीब ढंग से रखने के बजाय, आप समान ब्लॉक्स को एक साथ समूहबद्ध करते हैं (जैसे सभी लाल ब्लॉक्स, सभी नीले ब्लॉक्स) और वजन को संतुलित करते हैं ताकि टॉवर पलटे नहीं। HRP पैसों के साथ यही करता है, उन कंपनियों को समूहबद्ध करता है जो एक साथ चलती हैं और जोखिम को संतुलित करता है ताकि कोई एक समूह पूरे पोर्टफोलियो को गिरा न दे।
"ग्रीन" मिलाने के चार तरीके
शोधकर्ताओं ने ESG रेटिंग को इस संतुलन प्रक्रिया में मिलाने के चार तरीकों का परीक्षण किया:
- "हार्ड फिल्टर" (Hard Filter - प्री-स्क्रीनिंग): केवल "उच्च ESG" वाले नाविकों को ही जहाज पर आने दें।
- परिणाम: जहाज अविश्वसनीय रूप से हरा-भरा हो गया (ESG स्कोर 86% बढ़ गया), लेकिन यह छोटा और नाजुक हो गया। जहाज की गति (शार्प रेशियो/Sharpe ratio) 85% गिर गई। यह बहुत अधिक केंद्रित और जोखिम भरा था।
- "सॉफ्ट टिल्ट" (Soft Tilt - रिटर्न को समायोजित करना): "उच्च ESG" वाले नाविकों की गति को थोड़ा बोनस दें, लेकिन किसी को बाहर न निकालें।
- परिणाम: जहाज थोड़ा और हरा-भरा हुआ (ESG स्कोर 6–12% बढ़ा) लेकिन इसने अपनी गति और स्थिरता बनाए रखी। जोखिम-समायोजित प्रदर्शन लगभग 0.50–0.54 के आसपास रहा।
- "ग्रुपिंग ट्वीक" (Grouping Tweak - दूरियों को समायोजित करना): रोबोट को निर्देश दें कि टॉवर बनाते समय "उच्च ESG" कंपनियों को एक-दूसरे के करीब समूहबद्ध करे।
- परिणाम: सॉफ्ट टिल्ट के समान, इसने जहाज के संतुलन को बिगाड़े बिना ग्रीन स्कोर में सुधार किया।
- "हाइब्रिड" (Hybrid - दोनों का मिश्रण): गति बोनस और ग्रुपिंग ट्वीक दोनों को करें।
- परिणाम: यह सबसे सटीक बिंदु (sweet spot) था। इसने ESG स्कोर में 6–12% का सुधार किया और साथ ही जहाज की स्थिरता (शार्प रेशियो) को 0.50 और 0.54 के बीच बनाए रखा।
निष्कर्ष: "स्वीट स्पॉट" फ्रंटियर
शोध पत्र एक "फ्रंटियर" (संभावनाओं का मानचित्र) बनाता है।
- एक छोर पर, आपके पास "शुद्ध गति" (Pure Speed) वाला जहाज है: तेज, लेकिन भीड़भाड़ वाला और जोखिम भरा।
- दूसरे छोर पर, आपके पास "शुद्ध हरा" (Pure Green) जहाज है: बहुत साफ, लेकिन धीमा और नाजुक।
- बीच में: "सॉफ्ट इंटीग्रेशन" (Soft Integration) वाले जहाज हैं। ये जहाज दिखाते हैं कि आप अपनी सुरक्षा या गति से समझौता किए बिना अपने पोर्टफोलियो को काफी अधिक हरा-भरा (6-12% द्वारा) बना सकते हैं।
जिस बारे में शोध पत्र निश्चित है:
- इन कंपनियों को छाँटने के लिए लॉजिस्टिक्स रिग्रेशन (Logistic Regression) सबसे अच्छा उपकरण है, जो जटिल AI मॉडलों को पीछे छोड़ देता है जो डेटा को ओवरफिट कर देते हैं।
- यदि आप अपने पोर्टफोलियो को सुरक्षित और विविध रखना चाहते हैं, तो "हार्ड एक्सक्लूजन" (लोगों को बाहर निकालना) की तुलना में "सॉफ्ट इंटीग्रेशन" (नियमों को थोड़ा बदलना) बहुत बेहतर है।
- "हार्ड फिल्टर" रणनीति एक ऐसा जहाज बनाती है जो बहुत छोटा है (केवल 6.51 प्रभावी संपत्ति) जबकि संतुलित जहाजों के पास 28 से 48 प्रभावी संपत्तियां होती हैं।
जो शोध पत्र सुझाता है लेकिन पूरी दुनिया के लिए सिद्ध नहीं करता:
- परिणाम 48 बड़ी अमेरिकी कंपनियों के एक विशिष्ट समूह (2020–2023) पर आधारित हैं। इस अवधि में महामारी का संकट और मुद्रास्फीति का झटका शामिल था। लेखक सुझाव देते हैं कि अन्य बाजारों या समय में ये निष्कर्ष अलग दिख सकते हैं, लेकिन इस परीक्षण के भीतर, "सॉफ्ट टिल्ट" सबसे अच्छा काम कर गया।
- उन्होंने पाया कि रोबोट के लिए पर्यावरणीय (Environmental) और सामाजिक (Social) स्कोर सबसे महत्वपूर्ण सुराग थे, जबकि इस विशिष्ट डेटासेट में शासन (Governance) स्कोर का महत्व कम था।
एक जिज्ञासु किशोर के लिए सीख
यदि आप एक ऐसा पोर्टफोलियो बनाना चाहते हैं जो ग्रह की देखभाल करता है लेकिन डूबता या क्रैश नहीं होता, तो केवल "बुरे" कंपनियों को प्रतिबंधित न करें (इससे आपका जहाज बहुत छोटा हो जाएगा)। इसके बजाय, कंपनियों को छाँटने के लिए एक सरल, विश्वसनीय AI का उपयोग करें, और फिर अपने निवेश रणनीति को "अच्छे" वालों के पक्ष में धीरे से मोड़ें, जबकि पूरे जहाज को संतुलित रखें। यह पर्यावरण के अनुकूल इंजनों में थोड़ा अतिरिक्त ईंधन डालने जैसा है बिना सुरक्षा रेलिंग को हटाए। शोध पत्र दिखाता है कि आप ऐसा कर सकते हैं और फिर भी अपने जहाज को सुचारू रूप से चलते रह सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।