Carbon-Penalised Portfolio Insurance Strategies in a Stochastic Factor Model with Partial Information

Titel: Carbon-gestrafte Portefeuilleverzekeringstrategieën in een Stochastisch Factor-model met Partiele Informatie

Auteurs: Katia Colaneri, Federico D'Amario, en Daniele Mancinelli.

1. Probleemstelling

De paper onderzoekt hoe institutionele beleggers, zoals pensioenfondsen en verzekeringsmaatschappijen, klimaatrisico's (specifiek gerelateerd aan koolstofintensiteit) kunnen integreren in Proportionele Portefeuilleverzekering (PPI) strategieën.

• Context: PPI-strategieën zijn ontworpen om een ondergrens (floor) voor het vermogen te garanderen terwijl deelname aan marktoptrekkings mogelijk blijft. Ze worden vaak gebruikt voor kapitaalbescherming.
• Uitdaging: Bestaande literatuur richt zich vaak op het uitsluiten van "bruine" (koolstofintensieve) activa of het opleggen van harde beperkingen. Dit kan de financiële prestaties onnodig beperken of de dynamische aard van PPI-strategieën verstoren.
• Informatie-tekort: Beleggers hebben vaak geen directe toegang tot de onderliggende macro-economische factoren die de rendementen van activa beïnvloeden (bijv. conjunctuur, monetair beleid). Ze moeten deze factoren schatten op basis van waarneembare aandelenprijzen (partiele informatie).
• Doel: Het ontwikkelen van een optimale PPI-strategie die de verwachte nut van het eindvermogen maximaliseert, waarbij een strafterm wordt ingebouwd voor blootstelling aan koolstofintensieve sectoren, rekening houdend met onvolledige informatie.

2. Methodologie

De auteurs hanteren een continue-tijd stochastisch controlekader met de volgende kerncomponenten:

• Marktomgeving:

  • Een markt met $n$ risicovolle activa (aandelen) en één risicovrije activa.
  • De drift (verwacht rendement) van de aandelen wordt gemoduleerd door een onwaarneembare gemeenschappelijke stochastische factor $Y_t$.
  • De factor $Y_t$ volgt een Ornstein-Uhlenbeck (OU) proces, wat mean-reverting gedrag simuleert (typisch voor macro-factoren).
  • Partiele Informatie: De belegger observeert alleen de aandelenprijzen $S_t$, niet de factor $Y_t$. De drift moet worden geschat via stochastische filtering (Kalman-filtering), wat leidt tot een geschatte factor $\Gamma_t = E[Y_t | \mathcal{F}_t]$.

• Carbon-Penalised PPI Strategie:

  • De belegger verdeelt het vermogen tussen een risicovrije reserve en een risicovolle referentieportefeuille $X$.
  • De blootstelling aan de risicovolle portefeuille is evenredig met het "kussen" ($C_t = V_t - F_t$, het verschil tussen hedenwaarde en garantie).
  • De Strafterm: In plaats van een harde uitsluiting, wordt het eindkussen $C_T$ gestraft met een term die evenredig is aan de gerealiseerde variantie van de "bruine" aandelen.
  • De gepenaliseerde kussen $\hat{C}_T$ wordt gedefinieerd als:
    $$\hat{C}_T = C_T \exp\left( -\frac{1}{2} \int_0^T m_s^2 \pi_s^\top (\Sigma_S \Sigma_S^\top \odot e) \pi_s \, ds \right)$$
    Waarbij $e$ een vector is die de koolstofaversion ($\varepsilon$) vertegenwoordigt voor bruine activa. Dit verhoogt effectief de risicopremie voor koolstofintensieve activa in de doelstellingsfunctie.

• Optimalisatie:

  • Het doel is het maximaliseren van de verwachte CRRA-utility (Constant Relative Risk Aversion) van het gepenaliseerde eindkussen.
  • Het probleem wordt opgelost via de Hamilton-Jacobi-Bellman (HJB) vergelijking.
  • Er worden twee scenario's onderscheiden:
    1. Volledige Informatie: De belegger observeert $Y_t$ direct.
    2. Partiele Informatie: De belegger gebruikt de gefilterde schatting $\Gamma_t$ en de conditionele variantie $P_t$.

3. Belangrijkste Bijdragen

1. Nieuw Modellering Framework: De paper introduceert een methode om duurzaamheid direct in de doelstellingsfunctie van een PPI-strategie te integreren via een straffunctie op de gerealiseerde variantie, in plaats van via ex-ante uitsluiting of harde constraints. Dit behoudt de flexibiliteit van PPI.
2. Analytische Oplossing onder Partiele Informatie: De auteurs leiden expliciete formules af voor de optimale strategie en de waardefunctie in een omgeving met onwaarneembare factoren. Ze gebruiken stochastische filtering om het probleem te scheiden in een schattingsprobleem en een controleprobleem.
3. Karakterisering van de Optimale Strategie: Ze tonen aan dat de optimale strategie bestaat uit een myopische vraag (momentane risico-rendement afweging) en een intertemporele hedging-component (om te hedgen tegen veranderingen in investeringsmogelijkheden en parameterschattingsrisico).
4. Waarde van Informatie: De paper kwantificeert het "verlies aan nut" (utility loss) en de efficiëntie van een belegger met partiele informatie ten opzichte van een volledig geïnformeerde belegger.

4. Resultaten

• Invloed van Koolstofaversion ($\varepsilon$):

  • Een toename van $\varepsilon$ leidt tot een systematische vermindering van de blootstelling aan "bruine" (koolstofintensieve) activa en een toename van de blootstelling aan "groene" activa.
  • Dit gebeurt endogeen: activa met een hoog Sharpe-ratio kunnen toch worden gehouden als hun financiële voordelen de straf compenseren, maar de blootstelling wordt wel aangepast.
  • De strategie reduceert de variantie van het eindvermogen aanzienlijk, vooral in scenario's waar bruine activa volatiel zijn of onderpresteren.

• Volledige vs. Partiele Informatie:

  • De optimale strategie onder partiele informatie behoudt dezelfde structurele vorm als onder volledige informatie, maar gebruikt de geschatte factor $\Gamma_t$ in plaats van $Y_t$.
  • Er verschijnt een extra correctieterm in de optimale multiplier die rekening houdt met de onzekerheid over de factor (de conditionele variantie $P_t$).
  • Numerieke bevinding: Het verschil in prestatie (vermogen en multiplier) tussen de volledig en de deels geïnformeerde belegger is klein. De strategie onder partiele informatie is robuust.

• Efficiëntie en Verlies aan Nut:

  • Het verlies aan nut door partiele informatie is positief maar neemt af naarmate de risicovoorkeur (risicoaversie) of de koolstofaversion toeneemt.
  • Opvallend is dat carbon-penalisation de relatieve efficiëntie van de deels geïnformeerde belegger verbetert. De kloof met de volledig geïnformeerde belegger wordt kleiner. Dit suggereert dat voorzichtigheid (door straf en hoge risicoaversie) het nadeel van onvolledige informatie kan compenseren.

• Numerieke Simulaties:

  • Simulaties tonen aan dat de strategie succesvol de koolstofintensiteit verlaagt zonder de verwachte rendementen drastisch te verlagen.
  • De strategie is minder gevoelig voor schokken in bruine activa dan een traditionele PPI-strategie.

5. Betekenis en Conclusie

De paper levert een belangrijke bijdrage aan de literatuur over duurzaam beleggen en actuariale wetenschap:

• Praktische Toepasbaarheid: Het biedt een mechanisme voor verzekeraars en pensioenfondsen om klimaatrisico's te internaliseren in hun kapitaalbeschermingsproducten, wat overeenkomt met toezichtvereisten (zoals Solvency II en ORSA).
• Theoretische Innovatie: Het combineert portfolio insurance, stochastische filtering en ESG-preferenties in één analytisch hanteerbaar model.
• Beleid: De resultaten suggereren dat het niet nodig is om bruine activa volledig te verbannen om duurzaam te beleggen; een gepaste straffunctie in de optimalisatie leidt tot een natuurlijke herverdeling van het portfolio.
• Informatie-tekort: Het benadrukt dat beleggers die geen perfecte inzichten hebben in macro-factoren toch effectieve strategieën kunnen volgen, en dat duurzaamheidsvoorkeuren zelfs kunnen helpen om de negatieve impact van informatie-tekort te mitigeren.

Kortom, de auteurs tonen aan dat carbon-gestrafte PPI-strategieën een robuust instrument zijn om financiële bescherming te combineren met klimaatdoelstellingen, zelfs in complexe marktomgevingen met onzekerheid.