Sustainable Investment: ESG Impacts on Large Portfolio

Título: Investimento Sustentável: Impactos do ESG em Carteiras de Grande Dimensão

1. O Problema

O artigo aborda o desafio de otimizar carteiras de investimento que integram critérios Ambientais, Sociais e de Governança (ESG) em ambientes de alta dimensão, onde o número de ativos ($p$) é comparável ou superior ao número de observações históricas ($T$).

• Contexto: A otimização média-variância (MV) clássica de Markowitz falha em grandes dimensões devido a erros de estimação severos na matriz de covariância amostral e no vetor de retornos esperados.
• Desafio Específico: A imposição de restrições de ESG (exigindo que a pontuação média de ESG da carteira atinja um limiar $\bar{s}$) em um ambiente de alta dimensão agrava a instabilidade estatística. Erros na estimação da média dos escores de ESG podem distorcer o desempenho financeiro, comprometendo tanto os objetivos de sustentabilidade quanto os retornos financeiros.
• Objetivo: Desenvolver uma metodologia estatisticamente fundamentada para construir carteiras ESG-constrangidas que maximizem o Índice de Sharpe fora da amostra (OOS - Out-of-Sample) enquanto satisfazem restrições de sustentabilidade, mesmo quando $p \geq T$.

2. Metodologia

Os autores propõem uma abordagem baseada em Teoria de Matrizes Aleatórias e Regularização:

• Problema de Otimização Regularizado:
  Eles modificam o problema de otimização média-variância com restrição de ESG adicionando uma matriz de regularização positiva definida ($Q$) à matriz de covariância amostral ($\hat{\Sigma}$). O problema torna-se:
  $$\max_w w^\top \hat{\mu} - \frac{\gamma}{2} w^\top (\hat{\Sigma} + \eta Q) w \quad \text{suj. a} \quad w^\top \hat{\tilde{s}} = 0$$
  Onde $\eta$ controla a intensidade da penalização.

  • Interpretação Econômica: A adição de $Q$ na covariância é matematicamente equivalente a impor uma restrição quadrática adicional sobre os pesos da carteira (limitando a norma $A$ dos pesos). Se $Q$ for a matriz de covariância dos escores de ESG, isso impõe um limite superior à variância dos escores de ESG da carteira.

• Análise Assintótica:
  Derivam resultados assintóticos para o Índice de Sharpe fora da amostra (OOS SR) quando $p, T \to \infty$ e $p/T \to c$.

  • Quantificam o impacto da restrição de ESG e do erro de estimação da média dos escores de ESG.
  • Demonstram que, em certas condições (especificamente quando $Q$ é proporcional à matriz de covariância populacional), o erro de estimação da média de ESG pode, paradoxalmente, melhorar o desempenho do Sharpe, permitindo o uso seguro da média amostral como proxy.

• Estimador do Índice de Sharpe OOS:
  Desenvolvem um estimador consistente para o Índice de Sharpe OOS ($\hat{\theta}^*$) que não depende de parâmetros populacionais desconhecidos ($\mu, \Sigma$).

  • Este estimador permite que os investidores avaliem o desempenho esperado de diferentes matrizes de regularização $Q$ e coeficientes $\eta$ usando apenas dados históricos.

• Estratégia Adaptativa:
  Propõem uma carteira "adaptativa" onde, em cada nó de decisão, selecionam a matriz de regularização (de um conjunto de candidatos) que maximiza o estimador $\hat{\theta}^*$.

3. Principais Contribuições

1. Fundamentação Teórica em Alta Dimensão: Fornecem a primeira análise assintótica rigorosa de carteiras com restrição de ESG em cenários onde $p$ diverge com $T$, quantificando os efeitos de viés e variância.
2. Novo Estimador de Desempenho: Desenvolvem um estimador consistente do Índice de Sharpe OOS para carteiras regularizadas com restrição de ESG, permitindo a seleção prática de hiperparâmetros.
3. Guia para Escolha de Regularização: Investigam empiricamente várias formas de matrizes $Q$ (Identidade, Diagonal da Covariância, Shrinkage Não Linear, Covariância de ESG, etc.) e identificam quais são mais eficazes na prática.
4. Solução Prática Adaptativa: Apresentam uma estratégia que seleciona dinamicamente a melhor regularização, superando abordagens estáticas.

4. Resultados

• Simulações (Monte Carlo):

  • O estimador proposto de Sharpe OOS ($\hat{\theta}^*$) performa muito próximo ao nível "oráculo" (conhecimento perfeito dos parâmetros).
  • Escolha de $Q$:
    • A matriz de covariância populacional ($\Sigma$) é a melhor, mas inatingível na prática.
    • Entre as opções viáveis, a matriz diagonal da covariância amostral ($\hat{\Sigma}_d$) e a matriz de identidade ($I_p$) ou o estimador de shrinkage não linear (Ledoit & Wolf, 2017) oferecem os melhores resultados de Sharpe OOS.
    • Insight Crucial: Usar a matriz de covariância dos escores de ESG ($\Omega_{esg}$) como regularização não melhora significativamente o desempenho financeiro em comparação com outras regularizações, indicando que a estrutura de covariância dos escores de ESG por si só não é o fator determinante para a melhoria do Sharpe quando uma restrição de variância de ESG é imposta.
  • A estratégia regularizada (Re-MV) supera a carteira amostral não regularizada, especialmente quando $p > T$.

• Aplicação Empírica (S&P 500):

  • Utilizando dados mensais de 2010 a 2024 (com janelas de rolagem), a carteira adaptativa proposta (Re-MV) alcançou o maior Índice de Sharpe OOS entre todas as estratégias com restrição de ESG testadas.
  • Estabilidade de ESG: A carteira proposta não apenas atingiu a meta de ESG (ex: 0.8 ou 0.9), mas manteve uma variabilidade muito baixa nos escores de ESG (baixo desvio padrão e percentil 25 próximo ao alvo), superando outras estratégias que oscilavam muito.
  • Custos de Transação: A estratégia apresentou uma taxa de giro (turnover) muito baixa (comparável à estratégia de peso igual), tornando-a robusta mesmo após a aplicação de custos de transação (10 pontos base).

5. Significância e Conclusão

O artigo oferece uma solução estatisticamente rigorosa e pragmaticamente eficaz para o dilema entre sustentabilidade e desempenho financeiro em grandes carteiras.

• Para Investidores: Demonstra que é possível satisfazer restrições éticas/ESG sem sacrificar excessivamente o retorno ajustado ao risco, desde que se utilize a regularização adequada e se evite a "maldição da dimensionalidade".
• Para a Academia: Estabelece a base teórica para a otimização de portfólios com restrições de características não financeiras em alta dimensão, utilizando a teoria de matrizes aleatórias.
• Implicação Prática: A estratégia adaptativa proposta permite que gestores de fundos implementem investimentos sustentáveis complexos em grandes universos de ativos (como o S&P 500 inteiro) com confiança estatística e desempenho superior.

Em resumo, o trabalho valida que a integração de ESG em carteiras de alta dimensão é viável e lucrativa, desde que se utilize métodos de regularização avançados e estimadores robustos de desempenho fora da amostra.