MADRID, 2 Feb. (EUROPA PRESS) -
Analistas de Sustainalytics y Ossiam han presentado, durante el desayuno sobre Machine Learning y ESG que el Foro de Inversión Sostenible - Spainsif organizó en la sede de Cebabank esta semana, un producto que aprovecha el 'Big Data' para proporcionar señales de oportunidad y riesgo financiero respecto a los aspectos ASG, según ha informado la organizadora del evento.
En el acto, el analista senior de Sustainalytics, Alberto Serna, y el analista cuatitativo de Ossiam, Carmine de Franco, han mostrrado este proyecto, 'Señales ESG', así como su aplicación efectiva en Ossiam, que ha desarrollado la estrategia mundial de aprendizaje automático ASG basada en estas señales.
Durante la presentación, Serna ha reflexionado sobre la evolución de la integración de los criterios ambientales, sociales y de buen gobierno corporativo en las decisiones de inversión, que, a pesar de los sustanciales avances en la demanda respecto a la aplicación de modelos cuantitativos, no han aplicado las posibilidades de la inteligencia artificial y el aprendizaje automático hasta ahora.
Además, el analista ha explicado cómo el 'Big Data' de Sustainalytics aprovecha la información disponible, tanto elaborada por ellos, como los informes de sostenibilidad, de más de 7.000 empresas y su documentación asociada, como la disponible públicamente de publicaciones corporativas y regulatorias, noticias, informes de las ONGs y webs, reportes de la industria y lo que obtienen del diálogo con las empresas.
Estos datos les permiten formular un 'rating ASG' que integra desde indicadores de preparación, de formulación de informes internos hasta indicadores cuantitativos y cualitativos de "performance". En total, más de 150 indicadores personalizados y ponderados en base a la transparencia, trazabilidad y un sesgo de alta capitalización.
Asimismo, el algoritmo de Sustainalytics, desarrollado por Advestis, "mapea" el 'Big Data' para localizar reglas y combinaciones de variables vinculadas y correladas con retornos positivos o negativos a tres meses vista.
Por su parte, Carmine de Franco ha explicado la aplicación de Ossiam del modelo y, especialmente, la recalibración en su portfolio basada en el aprendizaje automático a través de un algoritmo que aplica hasta 19 reglas cruzando datos financieros y extrafinancieros de más de 1.500 compañías.
En esta línea, el modelo de 'Machine Learning' que aplica la compañía se basa en la detección de patrones predictivos en los datos en base a los 150 indicadores ASG que proveen las Señales provistas por Sustainalytics. Estos patrones son capaces de correlar los 56 indicadores ambientales, 56 sociales y 34 de gobernanza con los propios del análisis fundamental de los valores (ganancias esperadas, capitalización o clasificación de los activos por sector y país) y los de mercado (cotizaciones, índices sectoriales y bonos a 10 años).
El resultado, según ha mostrado De Franco, se va calibrando por aprendizaje automático cada cuatro meses desde el lanzamiento del proyecto en mayo de 2016, seleccionando siempre los activos con mayor liquidez desde los 1.650 iniciales hasta entre 100 y 150 valores.
"Todos los modelos de data comparten el objetivo común de la predicción", ha asegurado De Fraco, y el desarrollado por la compañía ha permitido, según la analista, reducir la volatilidad del 'benchmark' a través de la maximización de criterios ESG basada en la estrategia 'best-in-class' sobre un universo de activos no controvertidos ni excluidos por los principales inversores institucionales nórdicos.
