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

기술 요약: 계층적 리스크 패리티(HRP)에 머신러닝 기반 ESG 등급 통합

문제 제기
지속 가능한 포트폴리오 최적화는 리스크 기반 배분 프레임워크 내에 환경(E), 사회(S), 지배구조(G) 고려 사항을 엄격하게 통합하는 것을 점점 더 요구하고 있다. 그러나 기존 문헌은 공분산 행렬의 역행렬 계산을 피하는 마코위츠의 평균-분산 프레임워크에 대한 강력한 대안인 계층적 리스크 패리티(HRP) 내에 ESG 지표를 구조적으로 내재화하는 방법에 대한 구체적인 지침을 제한적으로 제공한다. 현재의 접근 방식은 지속 가능성을 내재적 리스크 배분 프로세스의 구성 요소로 포함하기보다는 주로 외부적(예: 배제적 스크리닝)으로 부과하는 경향이 있다. 또한, 관측 가능한 기업 특성으로부터 ESG 등급을 예측하기 위한 머신러닝(ML) 방법론의 상대적 효과성은 충분히 탐구되지 않았으며, 많은 연구가 체계적인 벤치마킹, 교차 검증 안정성 분석, 엄격한 클래스 불균형 처리가 결여된 단일 모델 파이프라인에 의존하고 있다. 이는 명세 오류(specification error)의 위험을 초래하고 다양한 시장 상황에서의 일반화 가능성을 제한한다.

방법론
본 연구는 ML 기반 ESG 분류를 HRP 구축 프로세스에 직접 통합하는 2단계 파이프라인을 제안한다.

1. 데이터 및 피처 엔지니어링:

   • 데이터셋: 본 연구는 S&P 500 ESG 지속가능성 보고서 데이터셋의 S&P 500 기업 866개에 대한 ESG 데이터를 활용한다. 타겟 변수는 복합 ESG 점수를 분위수 기반의 세 가지 범주(Low, Medium, High)로 나누어 생성한다.
   • 피처(특성): 10개의 수익률 시리즈 통계적 기술자, 12개의 기술적 지표(모멘텀, 변동성, 드로다운), 그리고 3개의 원시 ESG 필러 점수(E, S, G)를 포함하여 총 25개의 포괄적인 피처를 엔지니어링한다.
   • 클래스 불균형: 중간 정도의 클래스 불균형을 해결하기 위해, 데이터 누수를 방지하고자 교차 검증 폴드 내의 훈련 파티션 내에서만 SMOTE(Synthetic Minority Oversampling Technique)를 적용한다.

2. 머신러닝 벤치마킹:

   • 알고리즘: 선형, 앙상블, 커널 기반, 확률적, 인스턴스 기반 및 신경망 패러다임을 아우르는 9가지 분류 알고리즘을 벤치마킹한다. 여기에는 로지스틱 회귀(LR), 가우시안 나이브 베이즈, 랜덤 포레스트, 엑스트라 트리, 그래디언트 부스팅, LightGBM, SVM(RBF), K-최근접 이웃(KNN), 그리고 다층 퍼셉트론(MLP)이 포함된다.
   • 검증 프로토콜: 80/20 층화 추출(stratified) 훈련-테스트 분할, 층화 5-폴드 교차 검증, 그리고 하이퍼파라미터 튜닝을 위한 중첩 그리드 서치(nested grid search)를 특징으로 하는 엄격한 누수 방지 프로토콜을 채택한다.
   • 평가 지표: 테스트 정확도, 매크로 F1-스코어, 매튜스 상관계수(MCC), 코헨 카파(Cohen's kappa), AUC-ROC, AUC-PR, 그리고 교차 검증 안정성(폴드 간 F1 표준 편차)을 통해 성능을 평가한다.

3. ESG-HRP 통합 전략:
   본 연구는 ESG를 HRP에 내재화하기 위한 네 가지 통합 메커니즘을 설계하고 테스트한다.

   • 전략 1 (강한 사전 스크리닝): 투자 유니버스를 "High ESG"로 분류된 자산으로 제한한다.
   • 전략 2 (ESG 조정 수익률): 효용 틸트(utility tilt)를 통해 기대 수익률을 수정한다: $\mu^{ESG}_i = \mu_i + \alpha \cdot (ESG_i - \overline{ESG})$.
   • 전략 3 (ESG 수정 거리): 계층적 클러스터링 단계에서 금융 상관관계 거리와 ESG 유클리드 거리를 혼합한다: $d^{combined}_{ij} = (1-\beta)d^{financial}_{ij} + \beta d^{ESG}_{ij}$.
   • 전략 4 (하이브리드): 독립적으로 조절 가능한 파라미터 $\alpha$와 $\beta$를 사용하여 수익률 조정과 거리 수정을 동시에 적용한다.

4. 포트폴리오 평가:
   백테스트는 48개의 유동 자산 서브셋을 대상으로 2020~2023년 기간(COVID-19 폭락, 회복, 인플레이션 충격을 포함) 동안 수행된다. 성능은 리스크 조정 지표(Sharpe, Sortino, Calmar, Omega), 분산 측정치(유효 자산 수, 허핀달 지수, 지니 계수), 그리고 포트폴리오 수준의 ESG 점수를 통해 평가된다.

주요 기여

1. 체계적 모델 선택: 본 연구는 ESG 분류를 위한 9가지 ML 알고리즘의 포괄적인 비교 평가를 제공하며, 로지스틱 회귀가 최적의 모델임을 식별한다. 또한, 완벽한 교차 검증 점수를 달성하지만 테스트 세트에서 상당한 성능 저하를 겪는 고용량 앙상블 방법(Gradient Boosting, LightGBM)의 과적합 위험을 명시적으로 기록한다.
2. 구조적 ESG 통합: 단순한 배제적 스크리닝을 넘어, 기대 수익률 및 계층적 클러스터링 거리에 대한 구조적 수정을 통해 ESG 데이터를 HRP에 내재화하는 네 가지 메커즘을 제안하고 검증한다.
3. 경험적 트레이드오프 분석: 연구는 "ESG-Sharpe-분산 프런티어"를 정량화하여, 소프트 통합 메커니즘이 리스크 조정 성능과 분산을 유지하면서도 포트폴리오 ESG 점수를 유의미하게 높일 수 있는 반면, 강한 사전 스크리닝은 심각한 집중도와 성과 비용을 초래함을 입증한다.
4. 방법론적 엄밀성: 모델 신뢰성을 확보하기 위해(기관 배치를 위한 AUC-PR 및 MCC 포함) 교차 검증 안정성, 폴드 내 클래스 균형, 다중 지표 평가를 강조한다.

결과

• 분류 성능: 로지스틱 회귀가 가장 우수한 분류기로 나타났으며, 89.58%의 테스트 정확도, 0.8836의 매크로 F1-스코어, 그리고 0.844의 MCC를 달성했다. 또한 뛰어난 교차 검증 안정성(CV F1 = 0.9809 ± 0.0044)을 보여주었다.
• 과적합 탐지: 그래디언트 부스팅과 LightGBM은 완벽한 교차 검증 F1-스코어(1.000)를 달eric했으나, 테스트 정확도는 약 79%로 저하되어 폴드별 패턴에 대한 심각한 과적합을 드러냈다. 이는 검증 지표에만 의존하는 것의 위험성을 강조한다.
• 피처 중요도: 세 가지 ESG 필러 점수(E, S, G)가 지배적인 예측 변수였으며, 특히 환경(E)과 사회(S) 점수가 가장 높은 가중치를 가졌다. 기술적 지표, 특히 단기 변동성과 모멘텀은 보완적인 예측 신호를 제공했다.
• 포트폴리오 성과 (2020–2023):
  • 강한 사전 스크리닝: 평균 포트폴리오 ESG 점수를 86% 증가(72.5로)시켰으나, 샤프 지수를 85% 감소(0.352로)시켰고 유효 자산 수를 6.5로 급감시켰다.
  • 소프트 통합 (하이브리드/조정): 평균 ESG 점수를 6~12% 개선(약 4244로)하는 동시에, 샤프 지수를 **0.500.54 범위**로 유지하고 유효 자산 수를 약 47개 수준으로 보존했다.
  • 전통적 HRP: 샤프 지수 0.786, 평균 ESG 점수 39.0의 베이스라인 역할을 했다.
  • 평균-분산: 가장 높은 샤프 지수(2.375)를 달성했으나, 극단적인 집중도(유효 N = 2.77)를 보였으며 고(High) ESG 자산에 대한 노출이 전혀 없었다.

의의 및 주장
본 논문은 투명하고 안정적인 기반을 구축한다고 주장한다. 주요 논지는 다음과 같다:

1. 단순함이 승리한다: 복잡한 비선형 모델이 금융 예측을 지배할 것이라는 가정과 달리, 선형 모델(로지스틱 회귀)이 ESG 분류 작업에서 더 우수한 일반화 능력, 안정성 및 해석력을 제공한다.
2. 소프트 통합이 우월하다: "소프트" 통합 메커니즘(수익률 또는 클러스터링 거리 조정)은 분산 손실을 최소화하면서 지속 가능성 목표를 수용할 수 있게 한다. 반면, "강한" 배제적 스크리닝은 현저한 집중도 증가와 리스크 조정 성과 저하를 대가로 강력한 규범적 제약을 부과한다.
3. 실무적 배치 가능성: 제안된 프레임워크는 투자자의 선호에 따라 통합 강도를 보정할 수 있는 정량적 근거를 제공함으로써, 수탁자 책임과 ESG 요구 사항 사이의 균형을 맞추는 기관 포트폴리오 관리를 위한 실무적 솔루션을 제공한다.

본 연구는 ESG가 강화된 HRP의 개념 증명(proof-of-concept)으로서 자리매김하며, 연구 결과가 S&P 500 대형주 유니버스 및 단일 ESG 제공업체에 특화되어 있음을 명시하는 동시에, 더 넓은 유니버스와 다양한 데이터 소스로 확장 가능한 모듈형 프레임워크를 제시한다.