Apprentissage automatique pour les données ESG dans l'industrie financière

Machine learning for ESG data in the financial industry

• Auteur / Autrice : Jérémi Assael
• Direction : Damien Challet, Laurent Carlier
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 19/06/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale INTERFACES : approches interdisciplinaires, fondements, applications et innovation
• Partenaire(s) de recherche : Laboratoire : Mathématiques et informatique pour la complexité et les systèmes (Gif-sur-Yvette, Essonne ; 2006-....)
• Partenaire(s) de recherche : référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Président / Présidente : Antoine Mandel
• Jury : Examinateurs / Examinatrices : Juho KANNIAINEN, Peter Tankov, Myriam Tami
• Jury : Rapporteurs / Rapporteuses : Juho KANNIAINEN, Peter Tankov

Mots clés

Mots clés contrôlés

Développement durable

Investissements éthiques

Finances -- Statistiques

Gouvernance

Analyse des données

Apprentissage automatique

Mots clés libres

Esg

Données alternatives

Apprentissage automatique

Interprétabilité

Finance

Esg

Alternative data

Machine learning

Interpretability

Finance

Résumé

Chacune des dimensions liées à l'Environnement, le Social et la Gouvernance (ESG) englobe plusieurs indicateurs qui forment le profil ESG d'une entreprise. Les données ESG sont particulièrement importantes dans l'industrie financière: elles sont devenues un outil d'évaluation pour des potentiels investissements. Des fournisseurs de données indépendants évaluent et agrègent ces indicateurs, mais des questions subsistent quant à la qualité et à l'exhaustivité des données publiées et quant aux méthodologies utilisées pour les agréger. Récemment, de nouvelles tendances et réglementations ont conduit à la publication d'un nombre croissant d'indicateurs ESG par les entreprises: ces indicateurs sont de plus en plus disponibles et leur qualité s'améliore chaque année. Cette thèse propose des solutions pour exploiter les données ESG grâce à des méthodes d'apprentissage automatique adaptées et les présente au travers de deux études de cas liées à l'industrie financière. Dans une première partie, à l'aide de méthodes d'apprentissage automatique interprétable, nous étudions la relation entre les rendements de prix et les scores ESG sur le marché européen des actions. Nous montrons que les scores ESG sélectionnés contribuent à expliquer une partie des rendements d'action non expliquée par des facteurs classiques. Dans une seconde partie, nous nous concentrons sur les émissions de gaz à effet de serre, un indicateur ESG. La publication et l'audit des émissions de gaz à effet de serre n'étant pas encore obligatoires pour toutes les entreprises et les méthodologies de mesure et d'estimation n'étant pas unifiées, nous proposons un modèle d'apprentissage automatique interprétable pour estimer ces émissions de scope 1 et de scope 2 pour les entreprises qui ne les ont pas encore publiées. Dans chacune de ces parties, une attention particulière est portée à l'explicabilité des modèles proposés.

Each of the dimensions of Environment, Social and Governance (ESG) encompasses multiple indicators which provide an ESG profile for a considered company. ESG data are particularly important in the financial industry as they have become a critical tool to evaluate potential investments. Independent data providers assess and aggregate these indicators, but questions remain about the quality and exhaustiveness of the disclosed data as well as the methodologies used for aggregations. Recently, new trends and regulations have resulted in the disclosure of an increasing number of ESG indicators by companies, which resulted in a growing number of available ESG data with quality improvements every year. This thesis proposes solutions to leverage ESG data thanks to carefully adapted machine learning methods and applies them to two case studies relevant to the financial industry. First, using interpretable machine learning, we systematically investigate the relationship between price returns and ESG scores in the European equity market. We show that selected ESG scores can explain a part of price returns not accounted for by classic equity factors. Second, we focus on a specific ESG indicator, greenhouse gas emissions. As greenhouse gas emissions reporting and auditing are not yet compulsory for all companies and methodologies of measurement and estimation are not unified, we propose an interpretable machine learning model to estimate scopes 1 and 2 of these emissions for companies that have not reported them yet. In both cases, a particular emphasis is put on the explainability of the proposed models.