Machine Learning for Transparent and Sustainable Investing

Det siste året har vi jobbet mye med å øke datasettet som brukes i maskinlæringsmodellen vår. I tillegg til å bygge signaler basert på tradisjonelle selskaps-, markeds- og ESG-data fra proprietære dataleverandører, så har vi selv utviklet innovative datasett om makroøkonomiske pengestrømmer. Disse har vi bygget fra bunnen av basert på data fra forskjellige offentlige datakilder. Vi har testet de første versjonene av vår ML-model og vil fremover fokusere på å videreutvikle ML-modellen og å bruke den til å sette sammen optimale aksjeporteføljer. Vårt delprosjekt med Norsk Regnesentral for å teste nye statistiske kausalitetsmetoder anvendt i finans blir fullført i desember. Vi har utviklet, lansert og markedsført et ESG-aksjefond basert på faktormodeller og ESG-data. I tillegg til signaler direkte fra ESG-scores har vi forsket på ESG-score momentum og ESG-score volatilitet. Vi har publisert to vitenskapelige artikler om muligheter og utfordringer ved bruk av klimadata, og publisert en tredje artikel om hvordan markedet reagerer på klimadata. Vi forventer å kunne publisere flere artikler fremover om hvordan aksjemarkedet reagerer på klimadata og viktige nyheter om klima. ESG-fondet, nye investeringsstrategier og vårt analyseverktøy vil bruke flere resultater fra prosjektet så snart de er tilgjengelige. Vårt ESG-aksjefond har blitt nevnt i flere artikler i massemedia. Vi har organisert et webinar ved lansering av ESG-fondet (400 påmeldinger) og to ESG-webinarer i regi av Norsk Forening for Kvantitativ Finans (www.nfkf.no) med eksterne ESG-eksperter (550 + 730 påmeldinger).

The underlying idea of ML for ESG-investing is to include environmental, social, and governance (ESG) factors, enable full transparency, and lower the cost and friction to more sustainable investing. This will be achieved by integrating these trends into a portfolio construction tool designed around interpretable machine learning and inclusion of ESG factors. To go beyond the (publicly acknowledged) commercial state of the art will require the R&D activities to address the following core issues. 1. Exploitation of advances in applying machine learning to factor investing suggests significant improvements in estimating the expected return of assets. 2. Most published papers that employ machine learning tend to omit a sensitivity analysis of the models with respect to factors. To meet our ambitions of transparency, we must extend previous work accordingly. 3. Commercially available ESG factors are not transparent about their construction and are aggregated at levels too high to use in factor investing. Construction of climate risk factors from scratch allows for more transparency and our own choice of aggregation level. We will adopt an iterative approach towards the research and implementation work. We will work towards successively more complex models and successively integrate more data only when the previous steps have been passed and verified. The anticipated R&D results of the project that will support the development of the portfolio construction tool are: 1. Sophisticated machine learning models for estimating the stochastic discount factor (SDF) based on various financial factors/features, including ESG factors. 2. Explainable AI models that explain and trace how different factors, including ESG and climate risk factors, impact the expected return of assets. 3. ESG and climate risk factors and how they influence asset performance at company, sector and market level, including construction of transparent ESG indices that allow benchmarking of portfolios.