Environmental, Social, and Governance Factors in Emerging Markets: a Volatility Study
Notice bibliographique
Résumé
Orientation: Asset managers constructing an emerging market portfolio of stocks should, along with more traditional risk metrics, consider ESG data in their due diligence and investment decision-making processes.Research purpose: To determine whether a company's higher relative focus on ESG incorporation results in the observation of lower levels of share price return volatility, as predicted by EWMA and GARCH models. Study motivation:Institutional investors wish to understand the role that ESG data plays in mitigating the risk of emerging market portfolios and whether the results necessitate the incorporation of ESG data in due diligence and investment decision-making processes.Research approach/design and method: Categorisation of emerging market stocks using ESG scores and return volatility predicted by EWMA and GARCH models allowed for the analysis of aggregate corporate market risk.These volatilities paired with their respective annual ESG scores permitted a more company-specific view of this relationship.Main findings: Companies with higher relative ESG Combined Scores exhibit lower levels of weekly volatility, but using annualised volatility weakens this relationship.The predictive ability of ESG scores to predict volatility is weak, and this weakens still further after the onset of crises, such as the COVID-19 global pandemic.Practical/managerial implications: Incorporating ESG data into portfolio performance analysis could assist in mitigating corporate market risk.Contribution/value add: Most research considers the state of ESG investing in developed markets rather than companies domiciled in emerging markets.This work could provide a more complete perspective of the state of ESG investing.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».