KI-gestütztes ESG
ESG-Anlagen bringen die Welten der Finanzmärkte und der ökologischen Nachhaltigkeit zusammen. Laut Deloitte sollen ESG-Anlagen bis 2024 die Hälfte aller professionell verwalteten Anlagen weltweit ausmachen.
Einige der häufigsten Anwendungen von ESGs beim Investieren sind Investmentfonds und börsengehandelte Fonds (ETFs). Weltweit gibt es nach Angaben von Trackinsight bereits mehr als 1.200 ESG-ETFs.
Aber der aktuelle Stand von ESG ist fehlerhaft. ESG-Daten und -Ratings müssen sich mit technologischen Fortschritten weiterentwickeln, um in den kommenden Jahren spürbare Auswirkungen zu haben.
WAS IST ESG IN DER INVESTITION?
ESG steht für „Environmental, Social, and Governance“ und umfasst den allgemeinen Ansatz für Investitionen in Unternehmen, Fonds und Projekte, die ökologische, soziale und Governance-Prinzipien anwenden. Der Bereich umfasst auch die Daten, Informationen und Bewertungen von Unternehmen auf der Grundlage ihrer ESG-Auswirkungen.
Obwohl ESG oft ein wesentlicher Bestandteil von sozial verantwortlichem und Impact Investing ist, sind sie nicht dasselbe. ASG ist eher ein Rahmenwerk zur Identifizierung von Chancen und zur Minderung des finanziellen Risikos von Unternehmen und Investitionen.. Es muss kein Vehikel sein, um Gutes in der Welt zu tun. Investoren und Fondsmanager verwenden ESG-Ratings, um Unternehmen auszuwählen, die am besten gegen Klima- und soziale Risiken positioniert sind, mit dem ultimativen Ziel, höhere Renditen zu erzielen.
Damit ESG-Ratings einen echten Einfluss auf die haben Investition Zukunft, muss zwei grundlegende Mängel überwinden. Die ESG-Daten und Ratings sind:
- inkonsistent (dh nicht standardisiert).
- Unvollständig (dh fehlende vollständige Daten).
Beide Faktoren haben kaskadierende Auswirkungen auf die Legitimität des Raums. Corporate „Greenwashing“ – übertriebene Behauptungen der ökologischen Nachhaltigkeit durch Marketing und Werbung – ist heute sehr lebendig. Und Studien, die die Auswirkungen von ESG auf die finanzielle Performance von Investitionen und Unternehmen messen, haben gemischte Ergebnisse erzielt.
Der erste Fehler inkonsistenter Ratings und Berichterstattung wird schließlich durch Regulierung behoben. Die US-amerikanische Börsenaufsichtsbehörde SEC hat zahlreiche ESG-Offenlegungsvorschläge vorgelegt, und in Europa gibt es bereits spezifische Gesetze (z. B. die EU-Verordnung zur Offenlegung nachhaltiger Finanzen). Es kann einige Zeit dauern, aber eine weitere Regulierung wird zu einer Standardisierung der ESG-Berichterstattung und -Ratings führen und letztendlich transparentere und zuverlässigere Informationen für Anleger bereitstellen.
Das zweite Problem, das der unvollständigen Daten, Bewertungen und Informationen, wird durch Fortschritte in der künstlichen Intelligenz angegangen.
Etablierte Financial-Intelligence- und Datenunternehmen sowie Fintech-Unternehmen, die sich mit ESG-Scoring und -Analysen befassen, nutzen maschinelles Lernen und Natural Language Processing (NLP), um Daten zu sammeln, zu strukturieren und zu analysieren. KI-Lösungen werden für die Genauigkeit von ESG-Ratings in der Zukunft und für die Fonds, die sie verwenden, entscheidend sein.
ERSTE BEWEGUNGEN
KI verbessert das Volumen, die Geschwindigkeit und die Genauigkeit von ESG-Ratings in zwei wichtigen Schritten des Ratingprozesses: 1) Datenerhebung; und 2) Analyse und Bewertung der Daten.
Während der Datenerfassung trainieren maschinelle Lernalgorithmen Computer, ESG-bezogene Daten und Informationen aus Tausenden von Quellen zu identifizieren und zu extrahieren, darunter Unternehmenserklärungen, Nachrichten und Medien, Fragebögen, wissenschaftliche Studien, Regierungsquellen und NGOs. Die Verarbeitung natürlicher Sprache wird verwendet, um Unternehmensinformationen aus Texten aus unstrukturierten Quellen wie Transkripten und sozialen Medien zu extrahieren.
Maschinelles Lernen und Verarbeitung natürlicher Sprache werden auch verwendet, um ESG-Scoring- und Analysemodelle zu unterstützen. Modelle werden anhand historischer Daten aus Jahren trainiert.
MSCI, S & P y Bloomberg verwenden KI, um unvollständige ESG-Daten und Ratings zu beheben. Jeder Anbieter deckt Tausende von Unternehmen und Hunderttausende von Wertpapieren ab:
- MSCI verwendet maschinelles Lernen und NLP für die Datenerfassung und -validierung, sodass seine Ratings, Indizes und Recherchen alternative Daten außerhalb der freiwilligen Unternehmensberichterstattung nutzen können.
- Ähnlich verwendet S&P Databricks Lakehouse verarbeitet Milliarden von ESG-Daten und führt maschinelle Lernmodelle aus, um Erkenntnisse für Kunden zu gewinnen.
- Im Oktober 2022 gab Bloomberg bekannt, dass es intelligente Modelle und Schätzungen für maschinelles Lernen verwendet, um seinen Datensatz zu CO100.000-Emissionen auf XNUMX Unternehmen zu erweitern.
Auf ESG- und Nachhaltigkeitsbewertungen spezialisierte Fintechs fordern Legacy-Datenanbieter mit ihrem Fokus auf KI und Skalierbarkeit heraus. Beispielsweise nutzt Clarity AI maschinelles Lernen, um mehr als 2 Millionen Datenpunkte für ESG-Ratings, Risikobewertungen, CO30.000-Fußabdrücke, Netto-Null-Analysen und die Einhaltung gesetzlicher Vorschriften zu analysieren. Die Plattform umfasst mehr als 300.000 Unternehmen und XNUMX Fonds, was nach eigenen Angaben mehr als das Dreifache der meisten ist
Wettbewerber.
EcoVadis, ein Anbieter von Nachhaltigkeitsratings für Unternehmen, sammelte im Juni 500 mit a 2022 Millionen US-Dollar der Serie D
Bewertung von 1.000 Milliarde US-Dollar, mit Plänen, die Finanzierung zur Vertiefung seiner KI- und maschinellen Lernfähigkeiten zu verwenden.
EcoVadis bedient Unternehmen, die ihre eigenen Nachhaltigkeitsbewertungen wünschen, sowie Lieferkettenunternehmen, Private-Equity-Firmen, Banken und andere Finanzinstitute, die ESG-Bewertungen von Unternehmen und Portfolios benötigen. Die Plattform umfasst mehr als 100.000 Unternehmen aus 200 verschiedenen Branchen.
Um der Disruption einen Schritt voraus zu sein, haben sich einige etablierte Unternehmen beeilt, KI-gesteuerte ESG-fokussierte Fintechs zu erwerben. La Tasche London erworben Refinitiv im Jahr 2019 für 27.000 Millionen Dollar und Morningstar erworben Nachhaltigkeit im Jahr 2020. Sowohl Refinitiv als auch Sustainalytics verwenden NLP-Engines, um täglich ESG-Informationen aus mehr als 1 Million Nachrichtenartikeln für die Stimmungsanalyse zu extrahieren.
AUSWIRKUNGEN
- Anbieter von ESG-Ratings mit Hebelwirkung künstliche Intelligenz wird das Problem unvollständiger ESG-Daten lösen. Das maschinelles Lernen und NLP können ESG-Informationen aus Tausenden von isolierten Datenquellen in großem Umfang extrahieren und strukturieren.
- Während die Regulierung die ESG-Berichterstattung transparenter und standardisierter machen wird, wird die maschinelles Lernen und NLP werden ESG-Ratings genauer machen. El Der Einfluss von KI auf die Menge und Vielfalt der Daten wird zu zuverlässigeren und damit akzeptierten Indikatoren für die Bewertung von Unternehmen und die Risikobewertung führen.
- Sobald ESG-Daten und Ratings konsistent und vollständig sind, wird es einfacher die Auswirkungen von ESG auf Anlagerenditen und Unternehmensergebnisse genauer testen.
