Designing Stable ESG Grade Bands: Cut-Point Optimisation and a Quantisation Perspective
Questo articolo dimostra, attraverso l'ottimizzazione computazionale e l'analisi della stabilità, che l'attuale scala di classificazione ESG a larghezza uniforme offre una stabilità superiore contro le perturbazioni dei punteggi rispetto alle alternative non uniformi, stabilendo al contempo un quadro in cui la progettazione ottimale dei confini dipende congiuntamente dalla distribuzione dei punteggi e dall'entità delle revisioni attese.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Gli investitori si affidano sempre più ai punteggi ambientali, sociali e di governance per decidere dove collocare i propri capitali. Questi punteggi tentano di misurare quanto un'azienda operi in modo responsabile, trasformando dati complessi su emissioni di carbonio, trattamento dei lavoratori e supervisione del consiglio di amministrazione in un unico numero. Per rendere questi numeri più facili da leggere, le agenzie di rating spesso li convertono in voti letterali, simili alle pagelle scolastiche. Un'azienda potrebbe ricevere una "A" per un'eccellente prestazione o una "C" per una prestazione media. Tuttavia, la linea tra una "A" e una "B" non è una legge naturale; è un confine creato dall'uomo su una scala continua. Se il punteggio di un'azienda migliora anche solo di una frazione infinitesimale, potrebbe attraversare quella linea e saltare un intero voto letterale, oppure potrebbe rimanere fermo. Ciò solleva una domanda critica per coloro che gestiscono miliardi di dollari: dove dovrebbero essere tracciate queste linee per garantire che piccole variazioni rumorose in un punteggio non causino oscillazioni selvagge nella valutazione di un'azienda?
Un team di ricercatori si è posto l'obiettivo di rispondere a questo quesito esaminando il sistema di punteggio storico utilizzato da un importante fornitore, Refinitiv/LSEG. In questo sistema, le aziende ricevevano un punteggio da zero a cento, che veniva poi suddiviso in dodici voti letterali, che andavano dalla D-meno alla A-più. I ricercatori si sono concentrati sulle quattro categorie principali — D, C, B e A — che erano già fissate in punti specifici della scala. Il loro obiettivo era testare se le fette più piccole all'interno di quelle categorie, che separavano i "più" e i "meno", fossero state tracciate nel modo migliore possibile. Si sono chiesti se spostando queste linee interne si potesse rendere i rating più stabili, ovvero meno soggetti a cambiare a causa di piccole fluttuazioni nei dati.
Lo studio è iniziato con una scoperta sorprendente riguardo ai dati stessi. I ricercatori hanno esaminato oltre mille record di grandi aziende dal 2018 al 2023 e hanno scoperto che i punteggi pubblicati erano pesantemente arrotondati. Quasi tutti i punteggi cadevano esattamente nel mezzo delle bande di voto esistenti. A causa di questo arrotondamento, i ricercatori hanno scoperto che, per cinque dei sei modi alternativi in cui avevano provato a tracciare le linee, il risultato era identico al sistema attuale. Se avessero spostato leggermente i confini, le aziende non sarebbero passate a un nuovo voto perché i punteggi si trovavano già al sicuro nel centro di quelli vecchi. Ciò significava che guardare semplicemente i numeri pubblicati non poteva dire loro quale design fosse migliore; i dati erano troppo grossolani per distinguere tra le opzioni.
Per aggirare questo problema, i ricercatori hanno utilizzato un metodo chiamato simulazione. Hanno preso i punteggi esistenti e hanno aggiunto piccole quantità casuali di rumore, imitando il tipo di errori o aggiornamenti minimi che avvengono nella realtà. Hanno poi osservato quante volte il voto di un'azienda cambierebbe sotto diversi design di confini. Hanno testato un design standard in cui ogni banda di voto aveva la stessa ampiezza e lo hanno confrontato con altri sei design in cui le bande centrali erano più larghe e le bande esterne più strette. La logica era che bande centrali più larghe avrebbero potuto agire come un cuscinetto, mantenendo le aziende nel loro voto attuale anche se il loro punteggio oscillava.
I risultati hanno mostrato che il design standard a ampiezza uguale era il più affidabile per il tipo di piccoli cambiamenti che tipicamente si verificano. Quando i ricercatori hanno introdotto disturbi da piccoli a moderati, il sistema a ampiezza uguale ha prodotto il minor numero di cambi di voto. Ha anche mantenuto i punteggi osservati il più lontano possibile dai confini, dando ai rating il massimo spazio di manovra prima che venisse innesse una riclassificazione. I ricercatori hanno testato questo utilizzando quattro diversi strumenti di ottimizzazione matematica e tutti hanno indicato la stessa conclusione: l'attuale approccio a ampiezza uguale era la scelta migliore per la stabilità.
Tuttavia, lo studio ha anche rilevato che questa preferenza non è assoluta. Quando i ricercatori hanno simulato cambiamenti molto grandi e caotici nei punteggi, la situazione è ribaltata. In queste condizioni estreme, un design con una banda centrale molto larga si è rivelato più efficace, mantenendo più aziende nei loro voti originali. Ciò suggerisce che il modo migliore per tracciare le linee dipende interamente dal tipo di cambiamenti che il sistema è chiamato ad affrontare. Se l'obiettivo è proteggere contro il rumore quotidiano e limitato, le bande di uguale ampiezza sono superiori. Se l'obiettivo è resistere a shock massicci, potrebbe servire una forma diversa.
In definitiva, il documento conclude che l'attuale sistema a ampiezza uguale è una scelta robusta per i dati esaminati, ma non è una regola universale valida per sempre. I ricercatori hanno inoltre evidenziato una lezione più ampia per il settore: poiché i punteggi pubblicati sono spesso arrotondati, può essere impossibile capire se un nuovo sistema di rating sia realmente migliore guardando solo i numeri finali. La stabilità di un rating dipende dalla meccanica nascosta di come vengono impostati i confini, un dettaglio che è spesso invisibile al pubblico ma cruciale per l'affidabilità dei mercati finanziari.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.