| Περίληψη : | Η επανεξέταση του παραδοσιακού στόχου των εταιρειών για μεγιστοποίηση των κερδών, η συνεχώς αναδυόμενη πίεση των ρυθμιστικών αρχών προς τις εταιρείες για πιο βιώσιμη διαχείριση και συμπεριφορά και το ενδιαφέρον των επενδυτών για επιχειρησιακή κουλτούρα χωρίς αποκλεισμούς όσον αφορά τα ζητήματα του περιβάλλοντος και του ανθρώπινου κεφαλαίου, έχει μετατοπίσει τις εταιρείες προς άλλες κατευθύνσεις από τη μεγιστοποίηση των κερδών. Σε αυτή τη διατριβή, στοχεύουμε να δημιουργήσουμε μια σύνδεση μεταξύ της Περιβαλλοντικής, Κοινωνικής αξιολόγησης, της αξιολόγησης Διακυβέρνησης (ESG) των εταιρειών και της κερδοφορίας τους. Ο πρωταρχικός μας στόχος είναι να χρησιμοποιήσουμε τεχνικές Μηχανικής Μάθησης για να αναλύσουμε διεξοδικά εάν οι ESG μεταβλητές μπορούν να προβλέψουν την απόδοση ιδίων κεφαλαίων (ROE) και την απόδοση περιουσιακών στοιχείων (ROA) των εταιρειών στην αγορά των ΗΠΑ. Επιπλέον, εξετάζουμε αν οι εταιρείες με υψηλό δείκτη σε όρους βιωσιμότητας παρουσιάζουν υψηλότερους δείκτες αποδοτικότητας σε σχέση με το μέσο όρο του κλάδου τους. Στη συνέχεια, επιδιώκουμε να διερευνήσουμε εάν υπάρχει κάποιο «πριμ» που μπορεί να αποκτηθεί από την επένδυση στις καλύτερες σε επιδόσεις εταιρείες στην κατηγορία με βάση αποκλειστικά την ESG αξιολόγηση τους. Για να το αντιμετωπίσουμε αυτό, επεκτείνουμε παραδοσιακά πολυπαραγοντικά μοντέλα ενσωματώνοντας έναν νέο παράγοντα και διεξάγουμε ανάλυση στις αποδόσεις μετοχών εταιρειών, με στόχο να προσδιορίσουμε εάν υπάρχουν στοιχεία που υποδηλώνουν ότι η υψηλή αξιολόγηση σε όρους ESG θα μπορούσε να αποφέρει υψηλότερες αποδόσεις. Τα ευρήματά μας επιβεβαιώνουν τις αντικρουόμενες απόψεις σχετικά με τους δείκτες ESG και τη σχέση τους με την αποδοτικότητα των εταιρειών, τη σύγχυση που προκαλεί η πολυφωνία μεταξύ των αξιολογήσεων ESG ενώ συμμερίζονται επίσης τον σκεπτικισμό γύρω από τις επιπτώσεις της χρήσης τεχνικών Μηχανικής Μάθησης για την ανάλυση χρηματοοικονομικών μεταβλητών. Τέλος, τονίζουμε την ανάγκη για περαιτέρω έρευνα σε αυτό το αναδυόμενο πεδίο για την εξαγωγή πιο αξιόπιστων συμπερασμάτων, διευκρινίζοντας τους τρέχοντες περιορισμούς που εμποδίζουν την επίτευξη τους.
The increasing reconsideration of the traditional aim of companies to maximize profits, the continuous emerging pressure through regulation to the companies for more sustainable management and performance, and the investors interest for more inclusive culture regarding the environmental and human capital issues has shifted companies towards other directions than maximizing profits. In this thesis, we aim to establish a connection among companies' Environmental, Social, and Governance (ESG) performance and their profitability. Our primary objective is to employ Machine Learning techniques to comprehensively analyze whether ESG metrics can elucidate the Return on Equity (ROE) and Return on Assets (ROA) of companies in the US market. Moreover, we examine whether the performance of high rated companies under analysis exceed the average performance of their sector. Additionally, we seek to investigate whether there exists any premium gained by investing in the best-in-class performers based solely on the ESG rates of these companies. To address this, we extend traditional multifactor models by incorporating a new factor and conduct analysis on the stock returns of various companies, aiming to determine if there is any evidence suggesting that superior ESG performance could yield higher returns. Our findings confirm the ambiguous views on ESG indicators and their relationship with corporate performance, the implications of the discrepancies among ESG rating methodologies and agents while also sharing the skepticism surrounding the implications of utilizing Machine Learning techniques to analyze financial variables. Finally, we emphasize the need for further research in this emerging field to derive more robust conclusions, elucidating the current limitations preventing the attainment of such results.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.