Trung, Tran HieuBurman, Axel Fredric Larsson Bure2022-09-022023-01-032022-01-242022-01http://hdl.handle.net/10400.14/38686This dissertation studies the application of ordinary least squares regressions and supervised machine learning classification models on emission indicator integration on listed share investments. A large set of emission and financial variables are gathered from STOXX600 constituents stretching 2011 - 2020. Implementing a backward elimination feature selection narrow down 60 emission indicators to Internal Carbon Pricing and NOx and SOx Emissions Reduction Initiatives showing statistically significant relations with next quarter returns. The selected emission indicators are complemented by a set of control variables and used in three approaches to forming investment portfolios. A comparative analysis of the approaches through - a rolling window OLS regression, kNN classification and Gradient Boosting classification - show that a kNN approach to forming percentile portfolios outperform both the regression and Gradient Boosting approach. Both the kNN and Gradient Boosting approaches provide next quarter Up/Down return signal prediction higher than 50%. No approach outperforms a 1/N strategy composed of the source index constituents and only the best ranked percentile portfolio shows statistically significant 3 and 5 factor model alphas in all portfolio creation approaches.Esta dissertação estuda a aplicação de regressões de mínimos quadrados ordinários e modelos de classificação de aprendizado de máquina supervisionado na integração de indicadores de emissão em investimentos listados. Uma seleção de recursos de eliminação para trás restringe 60 indicadores de emissão para Preço interno de carbono e Iniciativas de redução de emissões de NOx e SOx, mostrando uma relação estatisticamente significativa com os retornos do próximo trimestre. Os indicadores de emissões significativas são complementados por um conjunto de variáveis de controle e implementados em três estratégias de investimento. Uma análise comparativa das estratégias de investimento formadas usando regressões OLS de período de tempo rolando, classificação kNN e classificação Gradient Boosting mostram que uma abordagem kNN para formar carteiras percentuais supera tanto a regressão quanto a abordagem Gradient Boosting. Ambas as abordagens kNN e Gradient Boosting fornecem previsão de sinal de retorno Up / Down para o próximo trimestre superior a 50%. Nenhuma abordagem supera uma estratégia 1 / N composta pelos constituintes do índice de origem e apenas o portfólio de percentil melhor classificado mostra alfas de modelo de 3 e 5 fatores estatisticamente significativos em todas as abordagens de criação de portfólioengESG indicatorsEmissionsEnvironmentalSTOXX600EuropeMachine learningK-Nearest neighboursGradient boosting classificationInternal Carbon PricingIndicadores ESGEmissõesMeio ambienteEuropaAprendizado de máquinaK-vizinhos mais próximosClassificação de aumento de gradientePreço interno de carbonomaster thesis202964485