Do ESG Funds Deliver on Their Promises?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Corporations have received growing criticism for contributing to climate change, perpetuating racial and gender inequality, and failing to address other pressing social issues. In response to these concerns, shareholders are increasingly focusing on environmental, social, and corporate governance (ESG) criteria in selecting investments, and asset managers are responding by offering a growing number of ESG mutual funds. The flow of assets into ESG is one of the most dramatic trends in asset management. But are these funds giving investors what they promise? This question has attracted the attention of regulators, with the Department of Labor and the Securities and Exchange Commission (SEC) both taking steps to rein in ESG funds. The change in administration has created an opportunity to rethink these steps, but the rapid growth and evolution of the market mean regulators are acting without a clear picture of ESG investing. We fill this gap by offering the most complete empirical overview of ESG mutual funds to date. Combining comprehensive data on mutual funds with proprietary data from the several of the most significant ESG ratings firms, we provide a unique picture of the current ESG environment with an eye to informing regulatory policy. We evaluate a number of criticisms of ESG funds made by academics and policymakers and find them lacking. We find that ESG funds offer their investors increased ESG exposure. They also vote their shares differently from non-ESG funds and are more supportive of ESG principles. Our analysis shows that they do so without increasing costs or reducing returns. We conclude that ESG funds generally offer investors a differentiated and competitive investment product that is consistent with their labeling. In short, we see no reason to single out ESG funds for special regulation.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 découle