ESG-Rohdaten zur Erklärung von Unternehmensrisiken
Zhi Chen, Zachary Feinstein und Ionut Florescu vom Stevens Institute of Technology untersuchen in einem Research Paper, ob sich aus hochdimensionalen ESG-Rohdaten jene Variablen identifizieren lassen, die besonders eng mit dem Unternehmensrisiko zusammenhängen, gemessen an der logarithmierten Aktienvolatilität. Bisherige Forschungsergebnisse zeigen, dass ESG-Scores nur geringe Zusammenhänge mit Aktienrenditen aufweisen, während mehrere Studien stärkere Beziehungen zwischen ESG-Variablen und Risikokennzahlen wie Volatilität oder Kreditrisiko finden. Frühere Arbeiten erzielten dabei höhere Bestimmtheitsmaße, wenn granularere ESG-Daten verwendet wurden. Daran knüpfen die Autoren an und entwickeln einen Hierarchical Variable Selection-Algorithmus (HVS), der speziell für ESG-Datensätze mit vielen Variablen und wenigen Beobachtungen konzipiert ist.
Der Algorithmus identifiziert in mehreren Schritten jene ESG-Rohvariablen, die besonders eng mit der logarithmierten Volatilität zusammenhängen. Dabei werden Variablen zunächst innerhalb einzelner ESG-Kategorien ausgewählt, anschließend weiter reduziert und abschließend mittels Ridge-Regression robuster gemacht. Am Beispiel des Energiesektors zeigen die Autoren, dass Modelle mit ausgewählten ESG-Rohvariablen eine deutlich höhere Erklärungskraft erzielen als Modelle mit aggregierten ESG-Scores.
Quelle: Chen, Feinstein, Florescu, 2025
Anschließend wenden die Autoren HVS auf neun Sektoren der US-Wirtschaft sowie auf Large- und Small-Cap-Unternehmen an. Dabei erzielt HVS in allen Branchen bessere Ergebnisse als Modelle mit aggregierten ESG-Scores. Zudem unterscheiden sich die relevanten ESG-Risikofaktoren deutlich zwischen Branchen und Unternehmensgrößen. Large Caps weisen mit 30% eine höhere Erklärungskraft der Modelle auf als Small Caps mit 26%, und in allen betrachteten Sektoren hängen ESG-Risikofaktoren bei Large Caps stärker mit der Volatilität zusammen als bei Small Caps. Gleichzeitig variieren die relevanten ESG-Kategorien innerhalb der Sektoren erheblich: Im Energiesektor dominieren bei Large Caps Umweltvariablen wie „Resource Reduction“ oder „Emission Reduction“, während bei Small Caps soziale Faktoren stärker gewichtet werden. Darüber hinaus verbessern die durch HVS identifizierten ESG-Variablen die Erklärungskraft klassischer Fama-French-Modelle für die Volatilität deutlich, liefern jedoch nur geringe zusätzliche Informationen zur Erklärung von Aktienrenditen.
Absolut Research analysiert institutionelle Publikumsfonds mit Fokus auf Klima und Nachhaltigkeit jeden Monat in den Publikationen Absolut|ranking Sustainability Equity, Sustainability Fixed Income und Sustainability Multi-Asset. Insgesamt analysiert Absolut|ranking mehr als 16.000 aktive und passive Strategien von 2.000 Asset Managern, aufgeteilt auf 34 Assetklassen und Marktsegmente sowie mehr als 200 Universen. Individuelle Mandate und Spezialfonds können ebenfalls untersucht werden.
