Weak Supervision and Black-Litterman for Automated ESG Portfolio Construction
Notice bibliographique
Résumé
The authors propose an approach that combines modern machine learning techniques in natural language processing with portfolio optimization to incorporate views of companies’ environment, social, and governance (ESG) performance. This is automatically done through curating and subsequently converting large-scale news data into portfolio management decisions. They train a machine learning news data classifier to automatically identify several key ESG issues in news data over time. They then aggregate these issues over time to generate a views vector under the Black–Litterman portfolio framework and finally compare the performance of an ESG-tilted portfolio against a standard Black–Litterman portfolio. They also show how this can be achieved at scale, in a fully automated manner, and with consistency over large periods of time. Their methodology thus demonstrates a reasonable and agile method for asset managers to incorporate ESG considerations into their portfolios free of any exclusionary frameworks and without sacrificing performance. <b>TOPICS:</b>ESG investing, quantitative methods, statistical methods, big data/machine learning, portfolio construction <b>Key Findings</b> ▪ The authors describe a theoretical framework for using an automated NLP system to incorporate ESG criteria into portfolio optimization decisions. ▪ The authors demonstrate the technical implementation details for incorporating ESG signals into augmented portfolio weights. ▪ The authors demonstrate the competitive performance of such a portfolio through a long-term historical backtest with the S&P 500 Index.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».