Aplicación del Factor ESG en la Gestión de Carteras mediante Machine Learning - Bretón de la Cierva, Jorge

Este Trabajo Fin de Grado se centra en la integración de los factores ESG (ambientales, sociales y de gobernanza) en las estrategias de factor investing mediante el uso de técnicas avanzadas de machine learning. El objetivo principal es evaluar si la inclusión de los factores ESG puede mejorar los rendimientos ajustados por riesgo de las carteras de inversión basadas en factores tradicionales como valor, tamaño y momentum.
Para ello, se han recopilado datos históricos desde 2015 utilizando la plataforma Bloomberg, que incluyen métricas ESG y datos financieros de las empresas del S&P 500, y se han implementado diversos modelos de machine learning, como Logistic Regression, Support Vector Machine (SVM), Random Forest, Gradient Boosting y Neural Networks, con el fin de analizar el impacto de los factores ESG en el rendimiento de las carteras. Se han analizado distintas estrategias de inversión, tanto long como long-short, ajustando parámetros como la ponderación de las acciones en la cartera y las variables objetivo de las estrategias.
El estudio muestra que, aunque la precisión de los modelos no mejora significativamente con la inclusión de los factores ESG, los rendimientos acumulados y el Sharpe Ratio de las carteras presentan mejoras notables. Gradient Boosting se destaca como el modelo más robusto y consistente, proporcionando carteras con mejores rendimientos ajustados por riesgo al incorporar los factores ESG. Esto sugiere que la integración de ESG en las estrategias de factor investing puede ofrecer ventajas significativas en términos de gestión del riesgo y optimización de rendimientos a largo plazo.

This Final Degree Project focuses on the integration of ESG (environmental, social, and governance) factors into factor investing strategies using advanced machine learning techniques. The main objective is to assess whether incorporating ESG factors can enhance the risk-adjusted returns of portfolios based on traditional factors such as value, size, and momentum.
Historical data from 2015 onwards were collected using the Bloomberg platform, including ESG metrics and financial data of S&P 500 companies. Various machine learning models were implemented, including Logistic Regression, Support Vector Machine (SVM), Random Forest, Gradient Boosting, and Neural Networks, to analyze the impact of ESG factors on portfolio performance. Different investment strategies, both long and long-short, were tested, adjusting parameters such as the weighting of stocks in the portfolio and the target variables of the strategies.
The analysis shows that while the accuracy of the models does not significantly improve with the inclusion of ESG factors, the accumulated returns and Sharpe Ratio of the portfolios show notable improvements. Gradient Boosting stands out as the most robust and consistent model, providing portfolios with better risk-adjusted returns when ESG factors are incorporated. This suggests that integrating ESG into factor investing strategies can offer significant advantages in terms of risk management and long-term return optimization.