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

Resumo Técnico: Integrando Classificações ESG Aprendidas por Máquina em Paridade de Risco Hierárquica

Definição do Problema
A otimização de portfólios sustentáveis exige cada vez mais a integração rigorosa de considerações Ambientais, Sociais e de Governança (ESG) em estruturas de alocação baseadas em risco. No entanto, a literatura existente oferece orientações limitadas sobre como incorporar estruturalmente métricas ESG dentro da Paridade de Risco Hierárquica (HRP), uma alternativa robusta ao framework de média-variância de Markowitz que evita a inversão da matriz de covariância. As abordagens atuais tipicamente impõem restrições de sustentabilidade de forma exógena (ex: triagem de exclusão) em vez de incorporá-las como componentes intrínsecos do processo de alocação de risco. Além disso, a eficácia comparativa de métodos de aprendizado de máquina (ML) para prever classificações ESG a partir de características observáveis das empresas permanece subexplorada, com muitos estudos dependendo de pipelines de modelo único que carecem de benchmarking sistemático, análise de estabilidade de validação cruzada e tratamento rigoroso de desbalanceamento de classes. Isso cria um risco de erro de especificação e limita a generalização através de diferentes condições de mercado.

Metodologia
O estudo propõe um pipeline de dois estágios que integra a classificação de ESG impulsionada por ML diretamente no processo de construção da HRP.

1. Dados e Engenharia de Atributos (Feature Engineering):

   • Conjunto de Dados: O estudo utiliza dados ESG de 866 empresas do S&P 500 provenientes do conjunto de dados de Relatórios de Sustentabilidade S&P 500 ESG. A variável alvo é construída categorizando os scores compostos ESG em três categorias baseadas em quantis: Baixo, Médio e Alto.
   • Atributos (Features): Um conjunto abrangente de 25 atributos foi projetado, compreendendo 10 descritores estatísticos de séries de retornos, 12 indicadores técnicos (momentum, volatilidade, drawdown) e os três scores brutos dos pilares ESG (E, S, G).
   • Desbalanceamento de Classes: Para lidar com o desbalanceamento moderado de classes, a Técnica de Sobreamostragem de Minoria Sintética (SMOTE) é aplicada estritamente dentro das partições de treinamento das dobras (folds) de validação cruzada para evitar vazamento de dados (data leakage).

2. Benchmarking de Aprendizado de Máquina:

   • Algoritmos: Nove algoritmos de classificação abrangendo paradigmas lineares, de ensemble, baseados em kernel, probabilísticos, baseados em instância e neurais são testados. Estes incluem Regressão Logística (LR), Naive Bayes Gaussiano, Random Forest, Extra Trees, Gradient Boosting, LightGBM, SVM (RBF), K-Nearest Neighbors (KNN) e Perceptron Multicamadas (MLP).
   • Protocolo de Validação: Um protocolo rigoroso para evitar vazamento de dados é empregado, apresentando uma divisão estratificada de treino-teste de 80/20, validação cruzada de 5 dobras estratificada e busca de grade (grid search) aninhada para ajuste de hiperparâmetros.
   • Métricas de Avaliação: O desempenho é avaliado via acurácia de teste, F1-score macro, Coeficiente de Correlação de Matthews (MCC), kappa de Cohen, AUC-ROC, AUC-PR e estabilidade de validação cruzada (desvio padrão do F1 entre as dobras).

3. Estratégias de Integração ESG-HRP:
   O estudo projeta e testa quatro mecanismos de integração para incorporar a sustentabilidade na HRP:

   • Estratégia 1 (Pré-triagem Rígida/Hard Pre-screening): Restringe o universo de investimento aos ativos classificados como "ESG Alto".
   • Estratégia 2 (Retornos Ajustados por ESG): Modifica os retornos esperados via um viés de utilidade: $\mu^{ESG}_i = \mu_i + \alpha \cdot (ESG_i - \overline{ESG})$.
   • Estratégia 3 (Distância Modificada por ESG): Mistura a distância de correlação financeira e a distância Euclidiana de ESG na fase de agrupamento hierárquico: $d^{combined}_{ij} = (1-\beta)d^{financial}_{ij} + \beta d^{ESG}_{ij}$.
   • Estratégia 4 (Híbrida): Aplica simultaneamente ajustes de retorno e modificações de distância com parâmetros $\alpha$ e $\beta$ independentemente ajustáveis.

4. Avaliação de Portfólio:
   Backtests são realizados sobre o período de 2020–2023 (abrangendo o crash da COVID-19, a recuperação e o choque inflacionário) em um subconjunto de 48 ativos líquidos. O desempenho é avaliado por meio de métricas de risco ajustado (Sharpe, Sortino, Calmar, Omega), medidas de diversificação (Número Efetivo de Ativos, Índice de Herfindahl, Coeficiente de Gini) e scores de ESG do portfólio.

Principais Contribuições

1. Seleção Sistemática de Modelos: O estudo fornece uma avaliação comparativa abrangente de nove algoritmos de ML para classificação ESG, identificando a Regressão Logística como o modelo ideal. Ele documenta explicitamente o risco de overfitting em métodos de ensemble de alta capacidade (Gradient Boosting, LightGBM) que alcançam escores perfeitos de validação cruzada, mas sofrem degradação significativa no conjunto de teste.
2. Integração Estrutural de ESG: Propõe e valida quatro mecanismos distintos para incorporar dados ESG na HRP, indo além da simples triagem de exclusão para modificações estruturais nas expectativas de retorno e nas distâncias de agrupamento hierárquico.
3. Análise de Trade-off Empírico: A pesquisa quantifica a "fronteira ESG–Sharpe–diversificação", demonstrando que mecanismos de integração suave podem elevar significativamente os scores de ESG do portfólio enquanto preservam o desempenho ajustado ao risco e a diversificação, enquanto a pré-triagem rígida impõe custos severos de concentração e de desempenho.
4. Rigor Metodológico: O estudo enfatiza a estabilidade da validação cruzada, o balanceamento de classes dentro das dobras e a avaliação de múltiplas métricas (incluindo AUC-PR e MCC) para garantir a confiabilidade do modelo para implantação institucional.

Resultos

• Desempenho de Classificação: A Regressão Logística emergiu como o classificador superior, alcançando 89,58% de acurácia de teste, um F1-score macro de 0,8836 e um MCC de 0,844. Demonstrou excepcional estabilidade de validação cruzada (CV F1 = 0,9809 ± 0,0044).
• Detecção de Overfitting: Gradient Boosting e LightGBM alcançaram F1-scores perfeitos de validação cruzada (1,000), mas degradaram para cerca de 79% de acurácia de teste, revelando um overfitting severo a padrões específicos das dobras. Isso destaca o perigo de confiar apenas em métricas de validação.
• Importância dos Atributos: Os três pilares de scores ESG (E, S, G) foram os preditores dominantes, com os scores Ambientais e Sociais carregando os pesos mais altos. Indicadores técnicos, particularmente volatilidade de curto horizonte e momentum, forneceram sinais preditivos complementares.
• Desempenho do Portfólio (2020–2023):
  • Pré-triagem Rígida (Hard Pre-screening): Aumentou o score médio de ESG do portfólio em 86% (para 72,5), mas reduziu o índice de Sharpe em 85% (para 0,352) e colapsou o número efetivo de ativos para 6,5.
  • Integração Suave (Híbrida/Ajustada): Melhorou os scores médios de ESG em 6–12% (para ~42–44), mantendo os índices de Sharpe na faixa de 0,50–0,54 e preservando a contagem de ativos efetivos próxima a 47.
  • HRP Tradicional: Serviu como baseline com um índice de Sharpe de 0,786 e um score médio de ESG de 39,0.
  • Média-Variância: Alcançou o maior índice de Sharpe (2,375), mas com concentração extrema (N Efetivo = 2,77) e exposição zero a ativos de alto ESG.

Significância e Alegações
O artigo afirma estabelecer uma base transparente e estável para a HRP informada por ESG. Argumenta-se que:

1. A Simplicidade Prevalece: Contrário à suposição de que modelos não lineares complexos dominam a previsão financeira, um modelo linear (Regressão Logística) oferece superior generalização, estabilidade e interpretabilidade para tarefas de classificação ESG.
2. A Integração Suave é Superior: Mecanismos de integração "suave" (ajustando retornos ou distâncias de agrupamento) permitem que investidores acomodem objetivos de sustentabilidade com perda limitada de diversificação e trade-offs de desempenho gerenciáveis. Em contraste, a triagem de exclusão "rígida" impõe fortes restrições normativas ao custo de um aumento acentuado na concentração e redução do desempenho ajustado ao risco.
3. Capacidade de Implementação Prática: O framework proposto oferece uma solução praticável para a gestão de portfólios institucionais, equilibrando deveres fiduciários com mandatos de ESG. Fornece uma base quantitativa para calibrar a intensidade de integração com base nas preferências do investidor, mostrando que melhorias marginais nos scores de ESG podem ser alcançadas com reduções moderadas nos retornos ajustados ao risco.

O estudo posiciona-se como uma prova de conceito para a HRP aumentada por ESG, enfatizando que suas descobertas são específicas para o universo de grandes empresas do S&P 500 e um único provedor de ESG, oferecendo um framework modular adaptável a universos mais amplos e múltiplas fontes de dados.