Publicação
Tail-risk and sustainability : can ESG scores accurately predict value at risk? : a machine learning based approach
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | pt_PT |
| dc.contributor.advisor | Karehnke, Paul | |
| dc.contributor.author | Mohme, Ulrich | |
| dc.date.accessioned | 2024-09-30T16:38:04Z | |
| dc.date.available | 2024-09-30T16:38:04Z | |
| dc.date.issued | 2024-06-25 | |
| dc.date.submitted | 2024-05-20 | |
| dc.description.abstract | I, Ulrich Mohme, find in the scope of the master thesis: “Tail-Risk and Sustainability: Can ESG scores accurately predict Value at Risk? – A machine learning based approach“ that predicting Value at Risk at the 1% and 5% confidence level by applying various machine learning algorithms onto ESG scores show low degrees of accuracy. Random Forest Regressors show the highest degree of accuracy from the algorithms used and the ESG as well as Environmental Score correlate most strongly with Value at Risk indicating the most significant predictive power. Data from companies listed in the S&P500 are used from the year 2000 to 2024. The findings imply ESG scores alone not to be a reliable predictor of Value at Risk at various significance levels. Yet a slightly linear correlation is detected and machine learning algorithms outperform benchmark linear regression models. | pt_PT |
| dc.description.abstract | Eu, Ulrich Mohme, no âmbito da tese de mestrado: “Tail-Risk and Sustainability: Can ESG scores accurately predict Value at Risk? – A machine learning based approach“ encontro que prever o Valor em Risco (Value at Risk) nos níveis de confiança de 1% e 5%, aplicando vários algoritmos de aprendizado de máquina nas pontuações ESG (ambientais, sociais e de governança), mostra baixos graus de precisão. Os modelos de Regressão de Floresta Aleatória apresentam o maior grau de precisão entre os algoritmos utilizados, e as pontuações ESG, bem como a Pontuação Ambiental, correlacionam-se mais fortemente com o Valor em Risco, indicando o poder preditivo mais significativo. Foram utilizados dados de empresas listadas no S&P500 do ano 2000 a 2024. Os resultados implicam que as pontuações ESG sozinhas não são um indicador confiável do Valor em Risco em vários níveis de significância. No entanto, foi detectada uma ligeira correlação linear e os algoritmos de aprendizado de máquina superam os modelos de regressão linear de referência. | pt_PT |
| dc.identifier.tid | 203664302 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.14/46784 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Tail risk | pt_PT |
| dc.subject | Value at risk | pt_PT |
| dc.subject | Sustainability | pt_PT |
| dc.subject | ESG | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.title | Tail-risk and sustainability : can ESG scores accurately predict value at risk? : a machine learning based approach | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Finanças (mestrado internacional) | pt_PT |