Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Οικονομικών Επιστημών / School of Economics Τμήμα Οικονομικής Επιστήμης / Department of Economics Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Machine learning for ESG equity portfolio optimization

Εναλλακτικός τίτλος :	Βελτιστοποίηση ESG χαρτοφυλακίου μετοχών με μηχανική μάθηση

Δημιουργός :	Boikos, Charalampos Μπόικος, Χαράλαμπος

Συντελεστής :	Vrontos, Ioannis (Επιβλέπων καθηγητής) Pagratis, Spyridon (Εξεταστής) Dendramis, Yiannis (Εξεταστής) Athens University of Economics and Business, Department of Economics (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	63p.

Γλώσσα :	en

Περίληψη :	The inclusion of Environmental, Social, and Governance (ESG) criteria in financial investment approaches signifies a significant advancement in the global financial landscape. This thesis delves into the optimization of ESG equity portfolios using machine learning and comparing the performance between a high and a low ESG portfolio. We begin providing the theoretical background and literature review for ESG investing and portfolio optimization with and without the use of machine learning for stock market prediction and then perform our analysis. Specifically, we perform an ESG based screening on stocks of the S&P500 and assign the stocks with a steadily high ESG rating over a four year period in a High ESG portfolio and these with low ESG rating in the low ESG portfolio. We then use random forests and extreme gradient boost to predict the stocks’ returns, which are used in Mean-Variance optimization method to obtain the optimal portfolios. Finally, these portfolios are compared in terms of risk adjusted returns as measured by the Sharpe ratio. The evaluation indicates that the Low ESG portfolio outperformed the High ESG portfolio; nevertheless, the method requires several enhancements. Η απόδοση των εταιριών σχετικά με θέματα που αφορούν το περιβάλλον, την κοινωνία και τις πρακτικές διακυβέρνησής τους (ESG), μπορεί να έχει επίδραση στην χρηματοοικονομική τους απόδοση και συνεπώς η συμπερίληψη τους στη λήψη επενδυτικών αποφάσεων είναι ένα σημαντικό εγχείρημα. Η παρούσα μεταπτυχιακή εργασία επικεντρώνεται στην αριστοποίηση ESG χαρτοφυλακίων μετοχών, όπου μετοχές του S&P500 με σταθερά καλή απόδοση για μία περίοδο τεσσάρων ετών σε αυτούς τους ESG παράγοντες, λαμβάνονται υπόψιν στην κατασκευή ενός χαρτοφυλακίου με υψηλή ESG απόδοση, ενώ αυτές με σταθερά χαμηλή απόδοση για την ίδια περίοδο στην κατασκευή ενός χαμηλού ESG χαρτοφυλακίου. Στην αρχή παρουσιάζουμε το θεωρητικό υπόβαθρο και βιβλιογραφία σχετικά με τις ESG επενδύσεις και την αριστοποίηση χαρτοφυλακίων με και χωρίς τη χρήση μηχανικής μάθησης για την πρόβλεψη των μελλοντικών αποδόσεων των μετοχών και στη συνέχεια ακολουθεί η εμπειρική ανάλυση. Μετά την ομαδοποίηση των μετοχών στα δύο χαρτοφυλάκια, χρησιμοποιούμε δύο μοντέλα μηχανικής μάθησης (random forests και extreme gradient boost-XGBoost), ώστε να προβλέψουμε τις αναμενόμενες αποδόσεις των μετοχών, που θα χρησιμοποιηθούν στην αριστοποίηση μέσου-διακύμανσης. Τα αποτελέσματα δείχνουν καλύτερη απόδοση αναλογικά με τον κίνδυνο, όπως αποτυπώνεται από το Sharpe ratio, για το χαρτοφυλάκιο με τις μετοχές χαμηλής απόδοσης στους ESG παράγοντες, ωστόσο η ανάλυση δέχεται πολλές βελτιώσεις.

Περίληψη :

The inclusion of Environmental, Social, and Governance (ESG) criteria in financial investment approaches signifies a significant advancement in the global financial landscape. This thesis delves into the optimization of ESG equity portfolios using machine learning and comparing the performance between a high and a low ESG portfolio. We begin providing the theoretical background and literature review for ESG investing and portfolio optimization with and without the use of machine learning for stock market prediction and then perform our analysis. Specifically, we perform an ESG based screening on stocks of the S&P500 and assign the stocks with a steadily high ESG rating over a four year period in a High ESG portfolio and these with low ESG rating in the low ESG portfolio. We then use random forests and extreme gradient boost to predict the stocks’ returns, which are used in Mean-Variance optimization method to obtain the optimal portfolios. Finally, these portfolios are compared in terms of risk adjusted returns as measured by the Sharpe ratio. The evaluation indicates that the Low ESG portfolio outperformed the High ESG portfolio; nevertheless, the method requires several enhancements.
Η απόδοση των εταιριών σχετικά με θέματα που αφορούν το περιβάλλον, την κοινωνία και τις πρακτικές διακυβέρνησής τους (ESG), μπορεί να έχει επίδραση στην χρηματοοικονομική τους απόδοση και συνεπώς η συμπερίληψη τους στη λήψη επενδυτικών αποφάσεων είναι ένα σημαντικό εγχείρημα. Η παρούσα μεταπτυχιακή εργασία επικεντρώνεται στην αριστοποίηση ESG χαρτοφυλακίων μετοχών, όπου μετοχές του S&P500 με σταθερά καλή απόδοση για μία περίοδο τεσσάρων ετών σε αυτούς τους ESG παράγοντες, λαμβάνονται υπόψιν στην κατασκευή ενός χαρτοφυλακίου με υψηλή ESG απόδοση, ενώ αυτές με σταθερά χαμηλή απόδοση για την ίδια περίοδο στην κατασκευή ενός χαμηλού ESG χαρτοφυλακίου. Στην αρχή παρουσιάζουμε το θεωρητικό υπόβαθρο και βιβλιογραφία σχετικά με τις ESG επενδύσεις και την αριστοποίηση χαρτοφυλακίων με και χωρίς τη χρήση μηχανικής μάθησης για την πρόβλεψη των μελλοντικών αποδόσεων των μετοχών και στη συνέχεια ακολουθεί η εμπειρική ανάλυση. Μετά την ομαδοποίηση των μετοχών στα δύο χαρτοφυλάκια, χρησιμοποιούμε δύο μοντέλα μηχανικής μάθησης (random forests και extreme gradient boost-XGBoost), ώστε να προβλέψουμε τις αναμενόμενες αποδόσεις των μετοχών, που θα χρησιμοποιηθούν στην αριστοποίηση μέσου-διακύμανσης. Τα αποτελέσματα δείχνουν καλύτερη απόδοση αναλογικά με τον κίνδυνο, όπως αποτυπώνεται από το Sharpe ratio, για το χαρτοφυλάκιο με τις μετοχές χαμηλής απόδοσης στους ESG παράγοντες, ωστόσο η ανάλυση δέχεται πολλές βελτιώσεις.

Λέξη κλειδί :	Machine learning Forecasting Mean variance theory Portfolio optimization Performance evaluation Equity portfolios Environmental, social, and governance (ESG) Μηχανική μάθηση Πρόβλεψη Θεωρία μέσου-διακύμανσης Βελτιστοποίηση χαρτοφυλακίου

Ημερομηνία έκδοσης :	02-04-2024

Ημερομηνία κατάθεσης :	2024-04-04 23:51:16

Ημερομηνία αποδοχής :	2024-04-10 18:30:05

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Boikos_2024.pdf

Τύπος: application/pdf

Είσοδος