Optimización de carteras ESG: Desarrollo de procedimientos en Python para la Gestión de Activos Financieros - Anaya Ortega, Sergio

Abstract

Este Trabajo de Fin de Grado desarrolla e implementa un conjunto de modelos cuantitativos para la optimización de carteras con integración explícita de criterios ESG (Environmental, Social and Governance). A partir del marco clásico de Markowitz, se plantean tres variantes metodológicas: una penalización estructural del riesgo atribuible a bajos scores ESG, una modificación directa de la función objetivo para incentivar activos sostenibles y una formulación mixta que combina ambos mecanismos. El estudio se basa en datos mensuales del índice S&P 500 y en métricas ESG extraídas de la base de datos de Truvalue Labs vía FactSet, aplicando filtros por capitalización, momentum y exclusión de emisores con bajo desempeño sostenibilidad. La validación empírica se realiza a través de métricas ex ante (rentabilidad esperada, volatilidad, Sharpe, ESG medio) y backtesting fuera de muestra, complementado con un análisis estructural de las carteras resultantes. Los resultados muestran que la penalización del riesgo ESG mejora el perfil eficiencia-riesgo sin necesidad de modificar la función objetivo. El modelo de incentivo, si bien eleva el sesgo sostenible, genera mayor volatilidad y pérdida de diversificación. Por su parte, el modelo mixto no aporta mejora marginal significativa respecto al penalizado, lo que sugiere redundancia cuando la penalización está calibrada de forma óptima. El trabajo concluye que la incorporación de sostenibilidad mediante ajustes en la estructura de riesgo es más eficaz y robusta que su introducción como preferencia directa en la función objetivo. Esta evidencia empírica refuerza la utilidad de enfoques estructurados y replicables para integrar criterios ESG en modelos de optimización, respetando al mismo tiempo los principios fundamentales de la teoría financiera moderna.

This Bachelor’s Thesis develops and implements a set of quantitative models for portfolio optimization with explicit integration of Environmental, Social and Governance (ESG) criteria. Building upon the classical Markowitz framework, three methodological extensions are proposed: a structural penalization of ESG-related risk through adjusted covariance matrices, a direct modification of the objective function to incentivize sustainable assets, and a mixed formulation combining both mechanisms. The analysis is conducted using monthly data from the S&P 500 index and ESG metrics provided by Truvalue Labs via the FactSet platform, incorporating filtering by market capitalization, ESG momentum, and exclusion of low-rated issuers. Empirical validation is carried out through ex ante performance metrics (expected return, volatility, Sharpe ratio, and average ESG score), out-of-sample backtesting, and a structural analysis of the resulting portfolios. The results show that penalizing ESG risk enhances risk adjusted efficiency without the need to modify the objective function. While the incentive-based model increases sustainability exposure, it also leads to higher volatility and reduced sector diversification. The mixed model does not provide significant marginal improvement over the penalized approach, suggesting redundancy when the penalization is properly calibrated. The study concludes that integrating ESG through risk structure adjustments is more effective and robust than incorporating sustainability preferences directly into the objective function. These empirical findings support the use of structured and replicable approaches to ESG integration in optimization models, while preserving the core principles of modern portfolio theory.