Bayesian optimization of ESG (Environmental Social Governance) financial investments

Abstract

Los expertos financieros buscan predecir la variabilidad de los mercados financieros para garantizar inversiones exitosas por parte de los inversores. Sin embargo, en los últimos años se ha producido una gran tendencia en el ámbito financiero: los criterios ESG (Económicos, Sociales y de Gobernanza), debido a la creciente importancia de que las inversiones sean socialmente responsables y al impacto financiero que sufren las empresas cuando no cumplen con dichos criterios. En consecuencia, la creación de una cartera de acciones debe considerar no solo su rendimiento financiero, sino también el cumplimiento de los criterios ESG.

Las técnicas de optimización de carteras (Portfolio Optimization, PO) aplicadas previamente a carteras ESG son todas analíticas y de forma cerrada. No obstante, el mundo real se asemeja más a una caja negra con expresiones analíticas desconocidas. Por ello, en este artículo utilizamos la optimización bayesiana (Bayesian Optimization, BO), una estrategia de diseño secuencial de vanguardia para optimizar cajas negras con expresiones analíticas desconocidas y costosas de calcular, con el fin de maximizar el rendimiento de una cartera de acciones bajo la presencia de restricciones suaves de criterios ESG incorporadas en la función objetivo. Asimismo, la comparamos con otras dos técnicas de caja negra ampliamente utilizadas para la optimización de carteras “convencionales” (no ESG): las metaheurísticas del algoritmo genético (Genetic Algorithm, GA) y el recocido simulado (Simulated Annealing, SA).

Aunque la BO presenta numerosas ventajas teóricas frente a GA y SA, nunca se ha aplicado previamente a la optimización de carteras. Por tanto, este trabajo investiga si la BO puede emplearse en el marco de la optimización de carteras ESG como alternativa y la compara con GA y SA. Este es el vacío de investigación al que responde este artículo. Para mostrar el rendimiento empírico de la BO, llevamos a cabo cuatro experimentos ilustrativos y encontramos evidencia de que la BO supera a los métodos de referencia. De este modo, añadimos un enfoque de optimización diferente al mundo de la inversión ESG: un enfoque de optimización de caja negra no heurístico mediante BO.

Nuestro estudio es el primer trabajo que integra la optimización bayesiana y las puntuaciones ESG en una técnica de optimización de carteras. Este artículo abre la puerta a numerosas nuevas líneas de investigación en la optimización de carteras (ESG).

Financial experts seek to predict the variability of financial markets to ensure investors' successful investments. However, there has been a big trend in finance in the last few years, which are the ESG (Economic, Social and Governance) criteria, due to the growing importance of investments being socially responsible, and because of the financial impact companies suffer when not complying with them. Consequently, creating a stock portfolio should consider not only its financial performance but compliance with ESG criteria. Portfolio optimization (PO) techniques previously applied to ESG portfolios, are all closed-form analytical ones. But the real world is rather a black box with unknown analytical expressions. Thus, in this paper we use Bayesian optimization (BO), a sequential state-of-the-art design strategy to optimize black-boxes with unknown analytical and costly-to-compute expressions, to maximize the performance of a stock portfolio under the presence of ESG criteria soft constraints incorporated into the objective function. And we compare it to two other black-box techniques widely applied for the optimization of 'conventional portfolios' (non-ESG ones): the metaheuristics Genetic algorithm (GA) and Simulated Annealing (SA). Although BO has many theoretical advantages over GA and SA, it has never been applied to PO. Thus, this paper investigates whether BO can be used in the ESG PO framework as an alternative and compares it with GA and SA. This is the research gap to which this paper responds. To show the empirical performance of BO, we carry out four illustrative experiments and find evidence of BO outperforming the baselines. Thus we add another different optimization approach to the world of ESG investing: a black-box non-heuristic optimization approach through BO. Our study is the first paper that leverages BO and ESG scores into a PO technique. This paper opens the door to many new research lines in (ESG) portfolio optimization.