Loading...
Publication
Decoding ESG risk ratings : insights into financial sector sustainability by using machine learning
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.93 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
With an emphasis credit institutions, this thesis explores the factors that influence environmental, social, and governance (ESG) risk ratings in the financial industry. ESG ratings are now an important tool to assess how financial institutions handle risks associated with sustainability because of the growing social and regulatory demands for transparency and sustainable practices. In addition to bank-specific attributes like market capitalization, the variables of the dataset of financial institutions were organized along the three ESG pillars. In order to guarantee model suitability, data preparation required the methodical handling of missing values and the transformation of relevant variables. To evaluate the predictive power of various machine learning techniques in determining the most significant ESG drivers, the study used ordinary least squares (OLS), LASSO, decision trees, random forests, and gradient boosting. The findings show that Random Forest and Decision Tree models tended toward overfitting, whereas Gradient Boosting and OLS provide the best balanced performance across training and test datasets. Governance-related elements, particularly the existence of a CSR sustainability committee and board diversity, were found to be consistently influential across models by feature importance analysis. OLS specifically highlighted market capitalization, underscoring the significance of financial size. Environmental factors like waste reduction programs and renewable clean energy products also emerged as important drivers. The results validate the usefulness of ESG risk ratings as a tool for both financial risk management and sustainable development, and they are consistent with regulatory frameworks like the EU Taxonomy and international sustainability goals.
Esta dissertação investiga os determinantes das classificações de risco Ambiental, Social e de Governança (ESG) no setor financeiro, com enfoque em bancos e instituições de crédito. Perante exigências regulatórias e sociais crescentes, as classificações ESG tornaram-se referenciais centrais para avaliar como as instituições financeiras gerem riscos de sustentabilidade. Com base em dados de várias instituições financeiras, as variáveis foram organizadas segundo os três pilares ESG e complementadas por características bancárias, como a capitalização de mercado. A preparação dos dados incluiu tratamento de valores ausentes e transformação de variáveis para adequação aos modelos. Foram aplicadas múltiplas abordagens de aprendizagem automática - mínimos quadrados ordinários (OLS), LASSO, árvores de decisão, florestas aleatórias e Gradient Boosting - a fim de avaliar desempenho preditivo e interpretabilidade. Os resultados mostram que Gradient Boosting e OLS oferecem o melhor equilíbrio entre treino e teste, enquanto árvores e florestas revelam maior tendência ao sobreajuste. A análise de importância das variáveis destaca fatores de governança, como a existência de comitê de sustentabilidade e a diversidade de género no conselho de administração, como os mais influentes. Variáveis ambientais, como o uso de energia renovável e iniciativas de redução de resíduos, também emergem como relevantes. OLS evidenciou ainda o papel da dimensão financeira através da capitalização de mercado. Os resultados alinham-se com regulamentos como a Taxonomia Europeia e os Objetivos de Desenvolvimento Sustentável, reforçando a utilidade das classificações ESG para gestão de riscos financeiros e promoção do desenvolvimento sustentável.
Esta dissertação investiga os determinantes das classificações de risco Ambiental, Social e de Governança (ESG) no setor financeiro, com enfoque em bancos e instituições de crédito. Perante exigências regulatórias e sociais crescentes, as classificações ESG tornaram-se referenciais centrais para avaliar como as instituições financeiras gerem riscos de sustentabilidade. Com base em dados de várias instituições financeiras, as variáveis foram organizadas segundo os três pilares ESG e complementadas por características bancárias, como a capitalização de mercado. A preparação dos dados incluiu tratamento de valores ausentes e transformação de variáveis para adequação aos modelos. Foram aplicadas múltiplas abordagens de aprendizagem automática - mínimos quadrados ordinários (OLS), LASSO, árvores de decisão, florestas aleatórias e Gradient Boosting - a fim de avaliar desempenho preditivo e interpretabilidade. Os resultados mostram que Gradient Boosting e OLS oferecem o melhor equilíbrio entre treino e teste, enquanto árvores e florestas revelam maior tendência ao sobreajuste. A análise de importância das variáveis destaca fatores de governança, como a existência de comitê de sustentabilidade e a diversidade de género no conselho de administração, como os mais influentes. Variáveis ambientais, como o uso de energia renovável e iniciativas de redução de resíduos, também emergem como relevantes. OLS evidenciou ainda o papel da dimensão financeira através da capitalização de mercado. Os resultados alinham-se com regulamentos como a Taxonomia Europeia e os Objetivos de Desenvolvimento Sustentável, reforçando a utilidade das classificações ESG para gestão de riscos financeiros e promoção do desenvolvimento sustentável.
Description
Keywords
Aprendizagem automática Classificações ESG ESG ratings Financial institutions Instituições financeiras Machine learning Objetivos de desenvolvimento sustentável Sustainability Sustainable development goals Sustentabilidade
Pedagogical Context
Citation
Publisher
CC License
Without CC licence