DOI: https://doi.org/10.1186/s40854-023-00604-0
تاريخ النشر: 2024-07-08
المؤلف: Hum Nath Bhandari وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
لقد اكتسب دمج العوامل البيئية والاجتماعية والحوكمة (ESG) في استراتيجيات الاستثمار زخمًا كبيرًا بين المستثمرين الأفراد والمؤسسات. تتناول هذه الورقة التعقيدات المرتبطة بتوقع تقلبات محافظ ESG، التي تتأثر بعوامل مختلفة تزيد من عدم قابليتها للتنبؤ مقارنة بمؤشرات السوق الأوسع. لمواجهة هذا التحدي، يقترح المؤلفون إطارًا حسابيًا يستخدم هياكل التعلم العميق، وبشكل خاص الذاكرة طويلة وقصيرة الأجل (LSTM)، ووحدة التكرار المغلقة (GRU)، والشبكة العصبية التلافيفية (CNN)، لتوقع تقلبات مؤشر ESG. تم إجراء تحليل شامل لاختيار مجموعة متوازنة من ميزات الإدخال من البيانات الأساسية، والمؤشرات الفنية، والعوامل الاقتصادية الكلية، بهدف تحسين توقعات تقلبات السوق.
تؤكد الدراسة على أهمية توقعات التقلب الدقيقة لتخصيص الأصول في المالية والتحديات الكامنة التي تطرحها الطبيعة الضوضائية وغير الخطية للأسواق المالية. باستخدام عشرة متنبئين مصنفة إلى بيانات أساسية، واقتصادية كلية، وفنية، أجرى المؤلفون تحليلًا مقارنًا لتقلبات مؤشر ESG الخاص بـ S&P 500 باستخدام نماذج التعلم العميق المذكورة. تم تقييم أداء هذه النماذج بدقة من خلال مقاييس مثل جذر متوسط مربع الخطأ (RMSE)، ومتوسط نسبة الخطأ المطلق (MAPE)، ومعامل الارتباط (R). أظهرت النتائج أن نموذج LSTM ذو الطبقة الواحدة مع عشرة خلايا عصبية تفوق على النماذج الأكثر تعقيدًا، محققًا أعلى دقة في التنبؤ، تلاه GRU مع خمسين خلية عصبية وCNN مع مئة خلية عصبية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على تحول كبير في استراتيجيات الاستثمار، حيث أصبح المستثمرون التقليديون يأخذون في الاعتبار بشكل متزايد العوامل البيئية والاجتماعية والحوكمة (ESG) جنبًا إلى جنب مع العوائد المالية. يعكس هذا التغيير توقعًا مجتمعيًا أوسع لمسؤولية الشركات، كما يتضح من الزيادة الكبيرة في الاستثمارات في صناديق ESG، التي وصلت إلى مستوى قياسي قدره 69.2 مليار دولار في الولايات المتحدة في عام 2021. على الرغم من الشعبية المتزايدة للاستثمار في ESG، فإن عدم وجود إطار مقبول عالميًا لتقييم أداء ESG يطرح تحديات لكل من المستثمرين والشركات. توجد مؤشرات ومعايير مختلفة، ولكن التباينات في منهجيات التقييم تعقد المقارنات عبر الأطر.
تحدد الورقة فجوة حاسمة في الأدبيات المتعلقة بتوقع تقلبات مؤشر ESG، حيث تركز معظم الدراسات الحالية على توقع الأسعار. يقترح المؤلفون معالجة هذه الفجوة من خلال تطوير إطار تعلم عميق قوي يدمج مجموعة شاملة من ميزات الإدخال، بما في ذلك البيانات الأساسية، والبيانات الاقتصادية الكلية، والبيانات الفنية. يؤكدون على أهمية ضبط المعلمات الفائقة والتحقق من النموذج لتعزيز موثوقية التوقعات. تهدف الدراسة إلى تقديم نهج منهجي لتوقع تقلبات مؤشر ESG، مما يساعد أصحاب المصلحة في اتخاذ قرارات استثمارية مستنيرة وسط تعقيدات السوق المالية.
طرق
في هذه الدراسة، هدف المؤلفون إلى مقارنة أداء نماذج الذاكرة طويلة وقصيرة الأجل (LSTM)، ووحدة التكرار المغلقة (GRU)، والشبكة العصبية التلافيفية (CNN) في توقع التقلبات. شمل التصميم التجريبي تحليل التقلبات السنوية المتدحرجة لمؤشر ESG الخاص بـ S&P 500، كما هو موضح في الشكل 10. أظهرت النتائج مستويات متفاوتة من الدقة التنبؤية بين النماذج، مما يبرز نقاط القوة والضعف لكل نهج في التقاط ديناميات التقلب. يوفر هذا التحليل المقارن رؤى حول فعالية هياكل الشبكات العصبية المختلفة في مهام التنبؤ المالي.
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الأهمية المتزايدة لمعايير البيئة والاجتماعية والحوكمة (ESG) في استراتيجيات الاستثمار، لا سيما في بناء المحافظ وتحسينها. أظهرت دراسات مختلفة التأثير الإيجابي لعوامل ESG على الأداء المالي، مع منهجيات تتراوح بين نماذج التعلم العميق إلى تقنيات التحسين. على سبيل المثال، طور Vo وآخرون (2019) نموذج متوسط-تباين معدل يدمج تقييمات ESG، بينما استخدم Xidonas وEssner (2022) نهج تحسين الحد الأدنى لتعزيز أداء المحفظة. تدعم التحليلات التجريبية التي أجراها Berg وآخرون (2023) وDe Lucia وآخرون (2020) العلاقة بين مقاييس ESG وتحسين النتائج المالية، مما يشير إلى أن الاستثمارات في ESG يمكن أن تحقق عوائد أفضل معدلة حسب المخاطر.
علاوة على ذلك، أظهر دمج عوامل ESG في نماذج التعلم الآلي وعدًا في توقع تقلبات أسعار الأسهم والعوائد. توضح دراسات Chen وآخرون (2020) وMagrot وآخرون (2021) فعالية خوارزميات التعلم الآلي في تحديد الأنماط بين ملفات ESG والأداء المالي. بالإضافة إلى ذلك، تؤكد الأبحاث على ضرورة دمج اعتبارات ESG في نماذج توقع التقلبات، خاصة خلال الأزمات النظامية، كما يتضح من أعمال Sabbaghi (2020) وGuo وآخرون (2020). بشكل عام، بينما تم إحراز تقدم كبير في فهم دور ESG في استراتيجيات الاستثمار، تؤكد الورقة على الحاجة إلى نماذج أكثر كفاءة توازن بين التعقيد واختيار الميزات لتعزيز الدقة التنبؤية في محافظ ESG.
DOI: https://doi.org/10.1186/s40854-023-00604-0
Publication Date: 2024-07-08
Author(s): Hum Nath Bhandari et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The integration of environmental, social, and governance (ESG) factors into investment strategies has gained significant traction among both individual and institutional investors. This paper addresses the complexities associated with predicting the volatility of ESG portfolios, which are influenced by various factors that heighten their unpredictability compared to broader market indices. To tackle this challenge, the authors propose a computational framework utilizing deep learning architectures, specifically long short-term memory (LSTM), gated recurrent unit (GRU), and convolutional neural network (CNN), to forecast the volatility of the ESG index. A thorough analysis was conducted to select a balanced set of input features from fundamental data, technical indicators, and macroeconomic factors, aiming to refine the predictions of market volatility.
The study emphasizes the importance of accurate volatility predictions for asset allocation in finance and the inherent challenges posed by the noisy and nonlinear nature of financial markets. Utilizing ten predictors categorized into fundamental, macroeconomic, and technical data, the authors performed a comparative analysis of the S&P 500 ESG index volatility using the aforementioned deep learning models. The performance of these models was rigorously evaluated through metrics such as root mean square error (RMSE), mean absolute percentage error (MAPE), and correlation coefficient (R). The results indicated that the single-layer LSTM model with ten neurons outperformed the more complex models, achieving the highest prediction accuracy, followed by the GRU with fifty neurons and the CNN with one hundred neurons.
Introduction
The introduction of the research paper highlights a significant shift in investment strategies, with traditional investors increasingly considering environmental, social, and governance (ESG) factors alongside financial returns. This change reflects a broader societal expectation for corporate responsibility, as evidenced by a substantial increase in investments in ESG funds, which reached a record $69.2 billion in the U.S. in 2021. Despite the growing popularity of ESG investing, the lack of a universally accepted framework for evaluating ESG performance poses challenges for both investors and companies. Various indices and standards exist, but discrepancies in scoring methodologies complicate comparisons across frameworks.
The paper identifies a critical gap in the literature regarding the prediction of ESG index volatility, as most existing studies focus on price prediction. The authors propose to address this gap by developing a robust deep learning framework that incorporates a comprehensive set of input features, including fundamental, macroeconomic, and technical data. They emphasize the importance of hyperparameter tuning and model validation to enhance the reliability of predictions. The study aims to provide a systematic approach to predicting ESG index volatility, thereby assisting stakeholders in making informed investment decisions amidst the complexities of the financial market.
Methods
In this study, the authors aimed to compare the performance of Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Convolutional Neural Network (CNN) models in predicting volatility. The experimental design involved analyzing the annualized rolling volatility of the S&P 500 ESG index, as illustrated in Figure 10. The results indicated varying levels of predictive accuracy among the models, highlighting the strengths and weaknesses of each approach in capturing volatility dynamics. This comparative analysis provides insights into the effectiveness of different neural network architectures in financial forecasting tasks.
Discussion
The discussion section of the research paper highlights the growing significance of Environmental, Social, and Governance (ESG) criteria in investment strategies, particularly in portfolio construction and optimization. Various studies have demonstrated the positive impact of ESG factors on financial performance, with methodologies ranging from deep learning models to optimization techniques. For instance, Vo et al. (2019) developed a modified mean-variance model integrating ESG ratings, while Xidonas and Essner (2022) employed a minimax optimization approach to enhance portfolio performance. Empirical analyses by Berg et al. (2023) and De Lucia et al. (2020) further support the correlation between ESG metrics and improved financial outcomes, indicating that ESG investments can yield better risk-adjusted returns.
Moreover, the integration of ESG factors into machine learning models has shown promise in predicting stock price volatility and returns. Studies by Chen et al. (2020) and Magrot et al. (2021) illustrate the effectiveness of machine learning algorithms in identifying patterns between ESG profiles and financial performance. Additionally, the research underscores the necessity of incorporating ESG considerations into volatility prediction models, especially during systemic crises, as evidenced by the work of Sabbaghi (2020) and Guo et al. (2020). Overall, while significant advancements have been made in understanding the role of ESG in investment strategies, the paper emphasizes the need for more efficient models that balance complexity and feature selection to enhance predictive accuracy in ESG-related portfolios.