📈 economia

Designing Stable ESG Grade Bands: Cut-Point Optimisation and a Quantisation Perspective

Este artigo demonstra, por meio de otimização computacional e análise de estabilidade, que a atual escala de classificação ESG de largura igual oferece uma estabilidade superior contra perturbações de pontuação em comparação com alternativas não uniformes, ao mesmo tempo em que estabelece um arcabouço mostrando que o design ideal das fronteiras depende conjuntamente da distribuição das pontuações e da magnitude das revisões esperadas.

Autores originais: Hira Mahmood, Minh N. Dao, Claudio Conversano

Publicado 2026-10-22

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hira Mahmood, Minh N. Dao, Claudio Conversano

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os investidores dependem cada vez mais de pontuações ambientais, sociais e de governança para decidir onde colocar seu dinheiro. Essas pontuações tentam medir o quão responsável uma empresa opera, transformando dados complexos sobre emissões de carbono, tratamento de trabalhadores e supervisão de conselhos em um único número. Para tornar esses números mais fáceis de ler, as agências de classificação frequentemente os convertem em notas de letras, semelhantes a boletins escolares. Uma empresa pode receber um "A" por excelente desempenho ou um "C" por desempenho médio. No entanto, a linha entre um "A" e um "B" não é uma lei natural; é uma fronteira criada pelo homem desenhada sobre uma escala contínua. Se a pontuação de uma empresa melhora apenas uma fração mínima, ela pode cruzar essa linha e saltar um grau inteiro, ou pode permanecer no mesmo lugar. Isso levanta uma questão crítica para as pessoas que gerenciam bilhões de dólares: onde essas linhas devem ser traçadas para garantir que mudanças pequenas e ruidosas em uma pontuação não causem oscilações selvagens na classificação de uma empresa?

Uma equipe de pesquisadores partiu para responder a isso examinando o sistema de pontuação histórica usado por um grande provedor, a Refinitiv/LSEG. Neste sistema, as empresas recebiam uma pontuação de zero a cem, que era então dividida em doze notas de letras, variando de D-menos a A-mais. Os pesquisadores focaram nas quatro categorias principais — D, C, B e A — que já estavam fixas em pontos específicos da escala. O objetivo deles era testar se as fatias menores dentro dessas categorias, que separavam os "mais" e os "menos", foram desenhadas da melhor maneira possível. Eles perguntaram se mover essas linhas internas poderia tornar as classificações mais estáveis, ou seja, menos propensas a mudar devido a flutuações menores nos dados.

O estudo começou com uma descoberta surpreendente sobre os próprios dados. Os pesquisadores examinaram mais de mil registros de grandes empresas de 2018 a 2023 e descobriram que as pontuações publicadas eram fortemente arredondadas. Quase todas as pontuações caíam exatamente no meio das faixas de notas existentes. Devido a esse arredondamento, os pesquisadores descobriram que, para cinco de seis formas alternativas que tentaram desenhar as linhas, o resultado era idêntico ao sistema atual. Se eles deslocassem os limites ligeiramente, as empresas não mudavam de nota porque as pontuações já estavam sentadas com segurança no centro das antigas. Isso significava que simplesmente olhar para os números publicados não poderia dizer qual design era melhor; os dados eram muito grosseiros para distinguir entre as opções.

Para contornar isso, os pesquisadores usaram um método chamado simulação. Eles pegaram as pontuações existentes e adicionaram ruídos aleatórios e pequenos a elas, mimetizando o tipo de erros ou atualizações minúsculas que ocorrem na vida real. Eles então observaram com que frequência a nota de uma empresa mudaria sob diferentes designs de fronteiras. Eles testaram um design padrão onde cada faixa de nota tinha a mesma largura e o compararam contra outros seis designs onde as faixas centrais eram mais largas e as faixas das extremidades eram mais estreitas. A lógica era que faixas centrais mais largas poderiam agir como um amortecedor, mantendo as empresas em sua nota atual mesmo se sua pontuação oscilasse.

Os resultados mostraram que o design padrão de largura igual era o mais confiável para os tipos de pequenas mudanças que tipicamente ocorrem. Quando os pesquisadores introduziram perturbações pequenas a moderadas, o sistema de largura igual produziu o menor número de mudanças de nota. Ele também manteve as pontuações observadas o mais longe possível das fronteiras, dando às classificações o maior espaço para respirar antes que uma reclassificação fosse acionada. Os pesquisadores testaram isso usando quatro ferramentas diferentes de otimização matemática, e todas apontaram para a mesma conclusão: a abordagem atual de largura igual era a melhor escolha para a estabilidade.

No entanto, o estudo também descobriu que essa preferência não é absoluta. Quando os pesquisadores simularam mudanças grandes e caóticas nas pontuações, a situação se inverteu. Sob essas condições extremas, um design com uma banda central muito larga teve um desempenho melhor, mantendo mais empresas em suas notas originais. Isso sugere que a melhor maneira de desenhar as linhas depende inteiramente de que tipo de mudanças o sistema deve enfrentar. Se o objetivo é proteger contra o ruído pequeno e cotidiano, faixas iguais são superiores. Se o objetivo é resistir a choques massivos, um formato diferente pode ser necessário.

Em última análise, o artigo conclui que o atual sistema de largura igual é uma escolha robusta para os dados que examinou, mas não é uma regra universal para todos os tempos. Os pesquisadores também destacaram uma lição mais ampla para a indústria: como as pontuações publicadas são frequentemente arredondadas, pode ser impossível dizer se um novo sistema de classificação é verdadeiramente melhor apenas olhando para os números finais. A estabilidade de uma classificação depende da mecânica oculta de como as fronteiras são definidas, um detalhe que é frequentemente invisível ao público, mas crucial para a confiabilidade dos mercados financeiros.

Resumo Técnico: Projetando Bandas de Notas ESG Estáveis

Definição do Problema
As classificações de ESG (Ambiental, Social e Governança) são frequentemente comunicadas aos investidores como notas de letras discretas, derivadas de pontuações numéricas contínuas por meio de pontos de corte. Embora exista uma extensa literatura sobre a divergência de pontuações entre diferentes provedores de classificação, o desenho metodológico dos próprios pontos de corte — especificamente o posicionamento das fronteiras dentro das bandas de notas de letras — permanece pouco explorado. O posicionamento dessas fronteiras é um problema de design discreto com implicações diretas na estabilidade da classificação; revisões pequenas de pontuação que cruzam uma fronteira desencadeiam uma reclassificação, enquanto movimentos dentro de uma banda deixam a nota reportada inalterada.

Este estudo foca na escala de ESG legada da Refinitiv/LSEG (pontuação de 0 a 100, mapeada para 12 notas de D− a A+). O problema principal é determinar se estruturas de pontos de corte alternativas (especificamente larguras de banda não uniformes) oferecem uma estabilidade superior em comparação com a estrutura de largura igual incumbente, dadas as restrições dos dados publicados e a natureza das perturbações de pontuação.

Metodologia
Os autores formulam o design da banda de notas como um problema de quantização escalar restrito. A análise mantém as principais fronteiras A/B/C/D fixas em 25, 50 e 75, enquanto varia as larguras das três subnotas dentro de cada quartil.

Escalas Candidatas: A escala incumbente utiliza larguras iguais ( $e = c \approx 8,33$ ). Seis escalas alternativas (S1–S6) foram construídas estreitando as subnotas das extremidades ( $e$ ) e alargando a subnota central ( $c = 25 - 2e$ ).
Dados: O estudo utiliza um painel de 177 empresas de grande capitalização observadas de 2018 a 2023 (1.048 observações empresa-ano). Uma característica crítica dos dados é a alta quantização: 99,9% das pontuações correspondem exatamente aos pontos médios das bandas de notas incumbentes, resultando em apenas 11 valores de pontuação distintos.
Teste de Identificação Estática: Os autores testam primeiro se escalas alternativas podem ser distinguidas da incumbente usando dados estáticos. Eles provam que, se nenhuma pontuação observada estiver entre uma fronteira da escala incumbente e uma fronteira candidata, as duas escalas produzem atribuições de notas idênticas.
Avaliação de Estabilidade (Monte Carlo): Como os dados estáticos não podem distinguir a maioria das alternativas, a estabilidade é avaliada via simulações de Monte Carlo. As pontuações observadas são perturbadas com ruído Gaussiano de média zero ( $\epsilon \sim N(0, \sigma^2)$ ) para $\sigma$ variando de 0,5 a 5,0. A "taxa de migração" (probabilidade de uma mudança de nota) é calculada para cada escala.
Otimização: O estudo emprega quatro procedimentos de otimização numérica (busca em grade, busca de seção áurea, simulated annealing e algoritmo genético) para minimizar uma função de perda composta $L(e)$ . Esta função pondera a migração média (em $\sigma = 1, 2, 3$ ) em 60% e a distorção do ponto médio em 40%.
Segurança de Fronteira: A distância mínima entre qualquer pontuação observada e a fronteira mais próxima é calculada para medir o "amortecimento" (buffer) contra reclassificação.

Principais Contribuições

Distinção Metodológica: O artigo isola o design das fronteiras de notas como uma escolha metodológica distinta, separada da construção da pontuação ESG subjacente ou da divergência entre provedores.
Invariância de Quantização: Demonstra que regras de graduação alternativas podem ser estatisticamente não identificáveis usando pontuações publicadas se essas pontuações já estiverem arredondadas para a grade incumbente. Os autores fornecem uma proposição formal (Proposição 1) e um teste para quando escalas alternativas não podem ser distinguidas em dados estáticos.
Estrutura de Quantização: O estudo faz a ponte entre a graduação ESG e a teoria da quantização escalar (condições de Lloyd–Max), sugerindo que, para pontuações de ranking percentil (que são aproximadamente uniformes dentro de grupos de pares), bandas de largura igual são teoricamente ótimas para minimizar a distorção.

Resultados

Indistinguibilidade Estática: Cinco das seis escalas alternativas (S1–S5) produziram atribuições de notas idênticas à escala incumbente para todas as 1.048 observações. Apenas a alternativa mais extrema (S6, com uma banda central muito larga) resultou em reclassificações. Isso confirma que dados estáticos sozinhos não podem validar designs alternativos devido à quantização das pontuações publicadas.
Estabilidade de Migração: Sob perturbações pequenas a moderadas ( $\sigma \leq 4$ ), a escala de largura igual incumbente exibiu as taxas de migração de nota mais baixas ou próximas das mais baixas. Por exemplo, em $\sigma = 2$ , a taxa de migração da escala incumbente foi de 3,90%, comparada a 4,14% para a S3 e taxas significativamente mais altas para escalas com bandas de extremidade mais estreitas (ex: S6 com 32,96%).
Segurança de Fronteira: A escala incumbente forneceu o maior amortecimento mínimo (4,14 pontos) entre as pontuações observadas e as fronteiras. Escalas não uniformes com bandas centrais mais largas aproximaram os pontos de corte das massas observadas, reduzindo a segurança.
Convergência de Otimização: Todos os quatro algoritmos de otimização convergiram para uma largura de extremidade ( $e$ ) muito próxima do valor incumbente de $25/3$ (aprox. 8,33).
Exceção de Grande Perturbação: Na maior perturbação considerada ( $\sigma = 5$ ), a escala de centro largo mais extrema (S6) exibiu menor migração que a incumbente. Isso indica que o design "ótimo" depende da magnitude das revisões de pontuação.

Significância e Alegações
O artigo afirma fornecer um framework computacional para projetar fronteiras discretas de graduação ESG. Sua conclusão primária é que a partição preferida depende conjuntamente da distribuição de pontuação e da magnitude das revisões de pontuação esperadas.

Robustez Local: Para a distribuição quantizada observada e para revisões de pontuação pequenas a moderadas (até ~4 pontos), a escala uniforme (largura igual) é o design mais estável. Ela maximiza a distância das pontuações em relação às fronteiras e minimiza a migração.
Preferência Condicional: A preferência por bandas uniformes é condicional. Se o objetivo de design mudar para proteger contra choques muito grandes (ex: $\sigma = 5$ ), um design não uniforme com uma banda central mais larga pode se tornar mais estável.
Limitações: Os autores declaram explicitamente que estes achados baseiam-se em uma amostra histórica de empresas de grande capitalização e pontuações publicadas quantizadas. O estudo não afirma que a pontuação existente é uma medida completa de sustentabilidade, nem examina o impacto financeiro das mudanças de grau. Os resultados são apresentados como evidência metodológica para o sistema legado, observando que questões de design semelhantes poderiam ser aplicadas a novas escalas de 0–5 se dados não arredondados estivessem disponíveis.

Em resumo, o estudo argumenta que, embora o posicionamento dos pontos de corte seja uma escolha de design crítica, a estrutura de largura igual incumbente é robusta para as características de dados e magnitudes de perturbação analisadas, e designs alternativos não podem ser validados usando as pontuações ESG arredondadas atualmente disponíveis.

Mais como este