Sustainable Investment: ESG Impacts on Large Portfolio

Titel: Duurzame Investering: ESG-impact op een groot portefeuille

Auteurs: Ruike Wu, Yonghe Lu, Yanrong Yang
Context: Onderzoek naar optimalisatie van portefeuilles in een hoog-dimensionale setting (waar het aantal activa $p$ vergelijkbaar is met of groter is dan het aantal waarnemingen $T$) met integratie van ESG-beperkingen.

---

1. Probleemstelling

De klassieke Mean-Variance (MV) optimalisatie van Markowitz staat bekend om zijn onbetrouwbaarheid in hoog-dimensionale omgevingen. Wanneer het aantal activa ($p$) groot is ten opzichte van de historische steekproefgrootte ($T$), leiden schattingsfouten in het gemiddelde rendement ($\mu$) en de covariantiematrix ($\Sigma$) tot instabiele portefeuilles en slechte uit-sample (OOS) prestaties.

In de huidige markt moeten investeerders bovendien duurzaamheidsdoelen (ESG: Environment, Social, Governance) integreren. Dit wordt vaak gemodelleerd als een beperking waarbij het gemiddelde ESG-score van de portefeuille een bepaalde drempel ($\bar{s}$) moet overschrijden.
De kernuitdagingen in dit artikel zijn:

1. Estimatiefouten: De onzekerheid in het schatten van de gemiddelde ESG-score van activa verergert de prestatieverlies in hoge dimensies.
2. Ill-conditionaliteit: De steekproefcovariantiematrix is vaak niet-inverteerbaar of instabiel als $p \geq T$.
3. Trade-off: Hoe kan men een hoge Sharpe-ratio behalen terwijl men tegelijkertijd strikte ESG-beperkingen naleeft zonder dat de prestaties instorten door schattingsfouten?

2. Methodologie

Het artikel introduceert een geregulariseerde ESG-beperkte Mean-Variance portefeuille in een hoog-dimensionale setting.

A. Het Optimisatieprobleem

In plaats van de standaard MV-problematiek, wordt een probleem opgelost waarbij een positief-definiete regularisatiematrix $Q$ wordt toegevoegd aan de steekproefcovariantiematrix $\hat{\Sigma}$. Het probleem wordt geformuleerd als:
$$\max_w w^\top \hat{\mu} - \frac{\gamma}{2} w^\top (\hat{\Sigma} + \eta Q) w$$
onder de beperking:
$$w^\top \hat{\tilde{s}} = 0$$
waarbij $\hat{\tilde{s}}$ de gecentreerde schatting is van de ESG-scores en $\eta$ de regularisatieparameter is.

Economische interpretatie: Het toevoegen van $Q$ aan $\hat{\Sigma}$ is wiskundig equivalent aan het opleggen van een extra kwadratische beperking op de portefeuillegewichten ($w^\top Q w = \delta$). Als $Q$ de covariantiematrix van de ESG-scores is, beperkt dit de variantie van de ESG-scores van de portefeuille.

B. Asymptotische Analyse (Random Matrix Theory)

De auteurs gebruiken de theorie van willekeurige matrices (Random Matrix Theory) om de limiet van de Out-of-Sample (OOS) Sharpe-ratio af te leiden wanneer $p, T \to \infty$ en $p/T \to c \in (0, \infty)$.

• Ze leiden een gesloten vorm af voor de limiet van de OOS Sharpe-ratio ($\theta^*$).
• Ze kwantificeren specifiek de impact van de schattingsfout van de gemiddelde ESG-score. Een verrassende bevinding is dat in bepaalde gevallen (bij grote $Q$) de schattingsfout van de ESG-score de Sharpe-ratio juist kan verbeteren in plaats van verslechteren.

C. Schatter voor de OOS Sharpe-ratio

Omdat de ware parameters ($\mu, \Sigma$) onbekend zijn, kunnen investeerders de optimale regularisatiematrix niet direct kiezen. De auteurs ontwikkelen een consistent schatter voor de OOS Sharpe-ratio ($\hat{\theta}^*$) die uitsluitend gebruikmaakt van steekproefgegevens.

• Dit stelt investeerders in staat om voor verschillende kandidaat-matrices $Q$ en parameters $\eta$ de verwachte OOS Sharpe-ratio te schatten.
• Ze bewijzen dat deze schatter asympotisch consistent is met de ware waarde.

D. Adaptieve Strategie

Op basis van deze schatter wordt een adaptieve regularisatiestrategie voorgesteld:

1. Definieer een set van kandidaat-regularisatiematrices (bijv. Identiteitsmatrix, diagonale matrix van $\hat{\Sigma}$, niet-lineaire shrinkage schatters).
2. Bereken op elk beslismoment de geschatte OOS Sharpe-ratio voor elke kandidaat.
3. Selecteer de matrix die de hoogste geschatte Sharpe-ratio oplevert.

3. Belangrijkste Resultaten

Simulatiestudies

• Accuraatheid van de schatter: De voorgestelde schatter voor de OOS Sharpe-ratio presteert zeer nauwkeurig en komt dicht in de buurt van de "oracle"-waarde (de waarde die men zou krijgen met perfecte kennis van de populatieparameters).
• Keuze van $Q$:
  • De ideale keuze ($Q = \Sigma$, de ware populatiecovariantie) is in de praktijk onmogelijk.
  • Onder haalbare opties presteert het gebruik van de diagonale matrix van de steekproefcovariantie ($\hat{\Sigma}_d$) en niet-lineaire shrinkage schatters (Ledoit & Wolf, 2017) het beste.
  • Het gebruik van de ESG-covariantiematrix als regularisatiematrix ($Q = \Omega_{esg}$) leverde geen significante verbetering op in de Sharpe-ratio, wat suggereert dat de bestaande covariantiestructuur van ESG-scores weinig toevoegt aan de prestatieverbetering onder deze specifieke beperkingen.
• Prestaties: De geoptimaliseerde portefeuille (Re-MV) bereikt een hoge Sharpe-ratio terwijl de ESG-drempel wordt gehaald, zelfs in scenario's waar $p > T$.

Empirische Analyse (S&P 500)

De methode werd getest op data van de S&P 500 (januari 2010 - december 2024) met rollende vensters.

• Financiële Prestaties: De adaptieve Re-MV portefeuille behaalde consistent de hoogste OOS Sharpe-ratio onder alle ESG-beperkte strategieën, zowel met als zonder transactiekosten.
• ESG-Prestaties: De portefeuille hield de ESG-score zeer stabiel rond de gestelde drempel (bijv. 0.8 of 0.9) met een lage standaardafwijking. Andere strategieën (zoals M-MV-S) vertoonden vaak grote afwijkingen van de doelwaarde.
• Transactiekosten: De adaptieve strategie had een zeer lage omloopsnelheid (turnover), wat resulteerde in lagere transactiekosten en een netto prestatie die aanzienlijk beter was dan concurrerende methoden (zoals lineaire shrinkage modellen die vaak hoge omloopsnelheden hebben).

4. Bijdragen aan de Literatuur

1. Theoretische Kwantificering: Het is de eerste studie die de asymptotische limiet van de OOS Sharpe-ratio afleidt voor een ESG-beperkte portefeuille in een hoog-dimensionale setting, inclusief de impact van schattingsfouten in ESG-data.
2. Nieuwe Schatter: Ontwikkeling van een consistent schatter voor de OOS Sharpe-ratio die het mogelijk maakt om regularisatiematrices empirisch te selecteren zonder kennis van de ware populatieparameters.
3. Praktische Richtlijnen: Het biedt concrete richtlijnen voor de keuze van regularisatiematrices. Het toont aan dat eenvoudige structuren (zoals diagonale matrices) vaak beter presteren dan complexe ESG-gebaseerde matrices voor dit specifieke doel.
4. Adaptieve Implementatie: De introductie van een adaptieve portefeuille die dynamisch de beste regularisatiematrix kiest op basis van historische data, wat leidt tot robuuste prestaties in de praktijk.

5. Significatie en Conclusie

Dit artikel biedt een statistisch onderbouwde en praktisch toepasbare oplossing voor het integreren van duurzaamheid in grote portefeuilles. Het lost het fundamentele probleem op van onbetrouwbare schattingen in hoge dimensies door regularisatie en biedt een methode om de trade-off tussen financiële rendementen en ESG-doelen te optimaliseren.

De conclusie is dat een adaptieve, gregulariseerde ESG-beperkte portefeuille niet alleen voldoet aan strikte duurzaamheidseisen, maar ook financieel superieur is ten opzichte van traditionele benaderingen, vooral in markten met veel activa en beperkte historische data. Dit maakt de methode zeer relevant voor institutionele beleggers en fondsbeheerders die duurzaamheid willen combineren met risicobeheer en rendement.