A carregar...
Publicação
Pricing climate risk in U.S. equities : evidence from tail risk and stress regimes
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 1.41 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
This study shows how climate risks are priced in U.S. equity markets and whether the pricing varies across different economic-distress regimes. I use nine machine-learning-derived textual factors to capture physical and transition risks, and employ conditional bivariate portfolio sorts to estimate risk premia. A Hidden Markov Model (HMM) categorizes market distress into low, medium, and high regimes for testing regime-based pricing. Portfolios with high exposure to Physical Risk Index (PRI) generate persistent negative alphas during stress periods. Conversely, those with high exposure to transition risks such as U.S. Climate Policy (USCP) and Interna- tional Summits (IS) yield positive premia in all regimes. A new composite textual factor yields larger returns, highlighting a benefit from combined narrative exposures. Narrative indicators of climate stress confirm distinct pricing channels, while tail-risk analysis shows that exposures to the PRI drive losses in severe scenarios, whereas exposures to the Transition Risk Index (TRI) are resilient. First, these insight inform and urge for robust dynamic risk-management strategies, but also suggest how climate-related narratives are shaping investors’ perceptions and pricing dynamics.
Este estudo examina a precificação de riscos climáticos nos mercados de ações dos EUA sob diferentes regimes de distress econômico, utilizando nove fatores textuais derivados de machine learning para riscos físicos e de transição, além de empregar classificações condicionais bivariadas de carteiras para estimar prêmios de risco. Um Modelo Oculto de Markov (HMM) categoriza o mercado em regimes baixo, médio e alto para testar precificação baseada em regimes. Portfólios com alta exposicão ao Índice de Risco Físico (PRI) geram alphas negativos persistentes em stress, enquanto alta exposição a riscos de transição como Política Climática dos EUA (USCP) e Cúpulas Internacionais (IS) geram prêmios positivos em todos os regimes. Um fator textual composto gera retornos maiores, destacando benefícios de exposições combinadas. Indicadores narrativos confirmam canais de precificação distintos, com exposições ao PRI impulsionando perdas em severo distress, enquanto o Índice de Risco de Transição (TRI) é mais resiliente. Insights baseadas em regimes informam estratégias de gestão de risco dinâmico e sugerem como narrativas climáticas moldam percepções de investidores e a precificação de ativos.
Este estudo examina a precificação de riscos climáticos nos mercados de ações dos EUA sob diferentes regimes de distress econômico, utilizando nove fatores textuais derivados de machine learning para riscos físicos e de transição, além de empregar classificações condicionais bivariadas de carteiras para estimar prêmios de risco. Um Modelo Oculto de Markov (HMM) categoriza o mercado em regimes baixo, médio e alto para testar precificação baseada em regimes. Portfólios com alta exposicão ao Índice de Risco Físico (PRI) geram alphas negativos persistentes em stress, enquanto alta exposição a riscos de transição como Política Climática dos EUA (USCP) e Cúpulas Internacionais (IS) geram prêmios positivos em todos os regimes. Um fator textual composto gera retornos maiores, destacando benefícios de exposições combinadas. Indicadores narrativos confirmam canais de precificação distintos, com exposições ao PRI impulsionando perdas em severo distress, enquanto o Índice de Risco de Transição (TRI) é mais resiliente. Insights baseadas em regimes informam estratégias de gestão de risco dinâmico e sugerem como narrativas climáticas moldam percepções de investidores e a precificação de ativos.
Descrição
Palavras-chave
Análise textual Asset pricing Climate risks Cross-section of stock returns Downside risk Hidden Markov Model Incerteza Modelo de Markov oculto Precificação de activos Risco de queda Riscos climáticos Secção transversal dos retornos das acções Textual analysis Uncertainty
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC