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

Sintesi Tecnica: Integrazione di Rating ESG Appresi tramite Machine Learning in un Modello di Hierarchical Risk Parity

Definizione del Problema
L'ottimizzazione di portafogli sostenibili richiede sempre più l'integrazione rigorosa delle considerazioni ESG (Ambientali, Sociali e di Governance) all'interno dei framework di allocazione basati sul rischio. Tuttavia, la letteratura esistente offre una guida limitata su come incorporare strutturalmente le metriche ESG all'interno dell'HRP (Hierarchical Risk Parity), un'alternativa robusta al framework media-varianza di Markowitz che evita l'inversione della matrice di covarianza. Gli approcci attuali tipicamente impongono vincoli di sostenibilità in modo esogeno (ad esempio, tramite lo screening escludente) piuttosto che integrarli come componenti intrinseche del processo di allocazione del rischio. Inoltre, l'efficacia comparativa dei metodi di machine learning (ML) per predire i rating ESG partendo da caratteristiche osservabili delle imprese rimane poco esplorata, con molti studi che si affidano a pipeline a modello singolo prive di un benchmarking sistematico, analisi della stabilità della cross-validazione e gestione rigorosa dello sbilanciamento delle classi. Ciò crea un rischio di errore di specificazione e limita la generalizzabilità attraverso diverse condizioni di mercato.

Metodologia
Lo studio propone una pipeline a due stadi che integra la classificazione ESG guidata dal ML direttamente nel processo di costruzione dell'HRP.

1. Dati e Ingegneria delle Caratteristiche (Feature Engineering):

   • Dataset: Lo studio utilizza dati ESG per 866 aziende dell'S&P 500 dal dataset S&P 500 ESG Sustainability Reports. La variabile target è costruita raggruppando i punteggi compositi ESG in tre categorie basate sui quantili: Low (Basso), Medium (Medio) e High (Alto).
   • Caratteristiche: È stato progettato un set completo di 25 caratteristiche, che comprende 10 descrittori statistici delle serie di rendimenti, 12 indicatori tecnici (momentum, volatilità, drawdown) e i tre punteggi grezzi dei pilastri ESG (E, S, G).
   • Sbilanciamento delle Classi: Per affrontare il moderato sbilanciamento delle classi, viene applicata la tecnica SMOTE (Synthetic Minority Oversampling Technique) rigorosamente all'interno delle partizioni di addestramento dei fold della cross-validazione per prevenire il data leakage.

2. Benchmarking del Machine Learning:

   • Algoritmi: Vengono messi a confronto nove algoritmi di classificazione che spaziano tra paradigmi lineari, ensemble, basati su kernel, probabilistici, basati su istanze e neurali. Questi includono la Regressione Logistica (LR), Gaussian Naive Bayes, Random Forest, Extra Trees, Gradient Boosting, LightGBM, SVM (RBF), K-Nearest Neighbors (KNN) e Multi-Layer Perceptron (MLP).
   • Protocollo di Validazione: Viene impiegato un protocollo rigoroso per evitare il leakage, caratterizzato da un split train-test stratificato 80/20, cross-validazione stratificata a 5 fold e ricerca a griglia nidificata (nested grid search) per la sintonizzazione degli iperparametri.
   • Metriche di Valutazione: Le prestazioni sono valutate tramite accuratezza del test, macro F1-score, coefficiente di correlazione di Matthews (MCC), kappa di Cohen, AUC-ROC, AUC-PR e stabilità della cross-validazione (deviazione standard dell'F1 tra i fold).

3. Strategie di Integrazione ESG-HRP:
   Lo studio progetta e testa quattro meccanismi di integrazione per incorporare la sostenibilità nell'HRP:

   • Strategia 1 (Pre-screening Rigido): Restringe l'universo di investimento agli asset classificati come "High ESG".
   • Strategia 2 (Rendimenti Corretti per l'ESG): Modifica i rendimenti attesi tramite un tilt di utilità: $\mu^{ESG}_i = \mu_i + \alpha \cdot (ESG_i - \overline{ESG})$.
   • Strategia 3 (Distanza Modificata dall'ESG): Mescola la distanza di correlazione finanziaria con la distanza euclidea ESG nella fase di clustering gerarchico: $d^{combined}_{ij} = (1-\beta)d^{financial}_{ij} + \beta d^{ESG}_{ij}$.
   • Strategia 4 (Ibrida): Applica simultaneamente aggiustamenti dei rendimenti e modifiche delle distanze con parametri $\alpha$ e $\beta$ indipendentemente sintonizzabili.

4. Valutazione del Portafoglio:
   I backtest sono condotti nel periodo 2020–2023 (che comprende il crash del COVID-19, la ripresa e lo shock inflattivo) su un sottoinsieme di 48 asset liquidi. Le prestazioni sono valutate tramite metriche corrette per il rischio (Sharpe, Sortino, Calmar, Omega), misure di diversificazione (Numero Effettivo di Asset, Indice di Herfindahl, Coefficiente di Gini) e punteggi ESG a livello di portafoglio.

Contributi Chiave

1. Selezione Sistematica del Modello: Lo studio fornisce una valutazione comparativa completa di nove algoritmi di ML per la classificazione ESG, identificando la Regressione Logistica come il modello ottimale. Documenta esplicitamente il rischio di overfitting nei metodi ensemble ad alta capacità (Gradient Boosting, LightGBM) che ottengono punteggi perfetti in cross-validazione ma subiscono una significativa degradazione nel test set.
2. Integrazione Strutturale dell'ESG: Propone e valida quattro meccanismi distinti per incorporare i dati ESG nell'HRP, andando oltre il semplice screening escludente verso modifiche strutturali delle aspettative di rendimento e delle distanze di clustering gerarchico.
3. Analisi Empirica dei Trade-off: La ricerca quantifica la "frontiera ESG–Sharpe–diversificazione", dimostrando che i meccanismi di integrazione "soft" possono aumentare significativamente i punteggi ESG del portafoglio preservando al contempo le prestazioni corrette per il rischio e la diversificazione, mentre lo screening rigido impone gravi costi di concentrazione e di performance.
4. Rigore Metodologico: Lo studio enfatizza la stabilità della cross-validazione, il bilanciamento delle classi all'interno dei fold e la valutazione multi-metrica (inclusi AUC-PR e MCC) per garantire l'affidabilità del modello per l'impiego istituzionale.

Risultati

• Performance di Classificazione: La Regressione Logistica è emersa come il classificatore superiore, raggiungendo un'accuratezza del test dell'89,58%, un macro F1-score di 0,8836 e un MCC di 0,844. Ha dimostrato un'eccezionale stabilità della cross-validazione (CV F1 = 0,9809 ± 0,0044).
• Rilevamento dell'Overfitting: Gradient Boosting e LightGBM hanno ottenuto F1-score perfetti in cross-validazione (1,000) ma sono degradati a circa il 79% di accuratezza nel test, rivelando un grave overfitting ai pattern specifici dei fold. Ciò evidenzia il pericolo di affidarsi esclusivamente alle metriche di validazione.
• Importanza delle Caratteristiche: I tre pilastri ESG (E, S, G) sono stati i predittori dominanti, con i punteggi Ambientali e Sociali che portano i pesi più elevati. Gli indicatori tecnici, in particolare la volatilità e il momentum a breve termine, forniscono un segnale predittivo complementare.
• Performance del Portafoglio (2020–2023):
  • Pre-screening Rigido: Ha aumentato il punteggio ESG medio del portafoglio dell'86% (portandolo a 72,5) ma ha ridotto lo Sharpe ratio dell'85% (portandolo a 0,352) e ha fatto crollare il numero effettivo di asset a 6,5.
  • Integrazione Soft (Ibrida/Aggiustata): Ha migliorato i punteggi ESG medi del 6–12% (portandoli a ~42–44) mantenendo gli Sharpe ratio nell'intervallo 0,50–0,54 e preservando il conteggio degli asset effettivi vicino a 47.
  • HRP Tradizionale: Ha servito come baseline con uno Sharpe ratio di 0,786 e un punteggio ESG medio di 39,0.
  • Media-Varianza: Ha ottenuto lo Sharpe ratio più elevato (2,375) ma con una concentrazione estrema (N Effettivo = 2,77) e zero esposizione ad asset ad alto ESG.

Significatività e Rivendicazioni
Il documento sostiene di aver stabilito una base trasparente e stabile per l'HRP informato dall'ESG. Argomenta che:

1. La Semplicità Prevale: Contrariamente all'assunto che i modelli non lineari complessi dominino la previsione finanziaria, un modello lineare (Regressione Logistica) offre una generalizzazione, una stabilità e un'interpretabilità superiori per i compiti di classificazione ESG.
2. L'Integrazione "Soft" è Superiore: I meccanismi di integrazione "soft" (aggiustamento dei rendimenti o delle distanze di clustering) permettono agli investitori di soddisfare gli obiettivi di sostenibilità con una perdita di diversificazione limitata e trade-off di performance gestibili. Al contrario, lo screening escludente "hard" impone forti vincoli normativi a costo di un aumento marcato della concentrazione e di una riduzione delle performance corrette per il rischio.
3. Implementabilità Pratica: Il framework proposto offre una soluzione praticamente implementabile per la gestione di portafogli istituzionali, bilanciando i doveri fiduciari con i mandati ESG. Fornisce una base quantitativa per calibrare l'intensità dell'integrazione in base alle preferenze dell'investitore, mostrando che miglioramenti marginali nei punteggi ESG possono essere ottenuti con riduzioni moderate dei rendimenti corretti per il rischio.

Lo studio si pone come una prova di concetto per l'HRP aumentato dall'ESG, sottolineando che i suoi risultati sono specifici per l'universo large-cap dell'S&P 500 e per un singolo provider ESG, offrendo al contempo un framework modulare adattabile ad universi più ampi e molteplici fonti di dati.