Big Data para analizar oportunidades y riesgos ASG en la toma de decisiones
Cerca de 70 personas han asistido este martes al desayuno de Spainsif sobre Machine learning y ASG. El encuentro ha contado con el analista senior de Sustainalytics, Alberto Serna, y el analista cuatitativo de Ossiam, Carmine de Franco, que han presentado un producto que aprovecha el Big Data para proporcionar señales de oportunidad y riesgo financiero respecto a los aspectos ASG.
Alberto Serna reflexionó sobre la evolución de la integración de los criterios ambientales, sociales y de buen gobierno corporativo en las decisiones de inversión. Para el experto, a pesar de los sustanciales avances, aún no se han aplicado las posibilidades de la inteligencia artificial y el aprendizaje automático en el mundo ASG.
Big Data y ASG
Serna explicó cómo a partir de la recopilación de informes de sostenibilidad, índices mundiales, informes de riesgos, publicaciones corporativas, novicias, etc, el Big Data integra todos estos datos, formulando un rating ASG con más de 150 indicadores personalizados y ponderados en base a la transparencia, trazabilidad y un sesgo de alta capitalización.
El algoritmo de Sustainalytics, desarrollado por Advestis, mapea el Big Data para localizar reglas y combinaciones de variables vinculadas y correladas con retornos positivos o negativos a tres meses vista. Serna utilizó el ejemplo aplicado a la gestión de la cadena de suministro, que permite evaluar para cada compañía e indicador un escenario de oportunidad, neutralidad o riesgo que configura las Señales ESG aprovechables para la toma de decisiones de inversión por fondos como los de Ossiam.
El modelo de Machine Learning que aplican se basa en la detección de patrones predictivos en los datos en base a los 150 indicadores ASG. A través de estos patrones se correlan los 56 indicadores ambientales, 56 sociales y 34 de gobernanza con los propios del análisis fundamental de los valores (ganancias esperadas, capitalización o clasificación de los activos por sector y país) y los de mercado (cotizaciones, índices sectoriales y bonos a 10 años).
Según De Franco, “todos los modelos de data comparten el objetivo común de la predicción”, y el desarrollado por ellos ha demostrado batir al mercado (MSCI World) en más de 3,2 puntos y reducir la volatilidad del benchmark a través de la maximización de criterios ESG basada en la estrategia best-in-class sobre un universo de activos no controvertidos ni excluidos por los principales inversores institucionales nórdicos.
