The importance of ESG factors on sovereign bonds in the Euro Zone. The application of tree-based machine learning algorithms to predict the spread of sovereign bonds in the Euro Zone countries using ESG performance measures - Medina Lazcano, Elena

Abstract

El presente trabajo investiga el impacto que tiene el desempeño de un país en aspectos medioambientales, sociales y de gobernanza (ESG) en el diferencial de sus bonos de Estado. El nivel de rendimiento ESG de un país se mide según la puntuación que el mismo ha recibido según su nivel de cumplimiento de los Objetivos de Desarrollo Sostenible (ODS) de la ONU. Además, el presente trabajo se centra en el estudio de los países fundadores de la Unión Económica y Monetaria Europea durante el período posterior a la crisis económica de 2009. En este trabajo se emplean dos algoritmos de machine learning: random forest y boosting; para resolver un problema de predicción desde dos perspectivas distintas: un problema de regresión que busca predecir el diferencial del bono y un problema de clasificación que busca predecir la dirección del mismo con el paso del tiempo. Los resultados indican que el algoritmo de random forest es superior al de boosting en el problema de regresión, identificando las Puntuaciones ODS como la variable más importante. Por otro lado, cuando se plantea un problema de clasificación, los algoritmos boosting muestran una mejor capacidad de predicción, al tener el random forest una clara tendencia al sobreajuste. En este caso, factores como la inflación, el tipo de cambio efectivo real, y la ratio cuenta corriente/PIB se muestran como los principales determinantes del resultado. El presente trabajo trata la importancia de considerar el desempeño ESG al predecir la evolución de los bonos del estado y subraya la necesidad de una medida unificada de dicho desempeño para asegurar la coherencia y comparabilidad de los resultados obtenidos en distintos los distintos estudios realizados en este ámbito.

This paper investigates the impact of Environmental, Social, and Governance (ESG) performance, measured by the Sustainable Development Goals (SDG) Scores, on the spread of government bonds, focusing on the founding countries of the European Economic and Monetary Union during the post-European debt crisis period. Leveraging both random forest and boosting algorithms, the study explores the problem from two perspectives: as a regression task to predict the bond spread and as a classification task to forecast the direction of the spread over time. The findings indicate that random forests outperform boosting models in regression tasks, with SDG Scores identified as the most influential variable. Conversely, in classification tasks, boosting algorithms surpass random forests, which suffer from significant overfitting, and factors such as inflation, real effective exchange rate, and current account ratio to gross domestic product (CA/GDP) emerge as the primary determinants of spreads. The research underscores the relevance of ESG performance in predicting government bond spreads and highlights the need for unified ESG performance measures to enhance the consistency and comparability of results across studies.