El pasado martes 30 de enero Spainsif organizó en la sede de Cebabank en Madrid con más de 50 asistentes el desayuno de trabajo sobre Machine Learning y ESG que contó con la experiencia del analista senior de Sustainalytics Alberto Serna y el analista cuantitativo de Ossiam, Carmine de Franco.

En el desayuno, ambos analistas presentaron Señales ESG, un producto innovador que aprovecha el Big Data para proporcionar señales de oportunidad y riesgo financiero respecto a los aspectos ASG, así como su aplicación efectiva en Ossiam, que ha desarrollado la estrategia mundial de aprendizaje automático ASG basada en estas señales.

Alberto Serna reflexionó 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.

Serna se refirió a cómo el Big Data de Sustainalytics aprovecha la gran cantidad de información disponible, tanto la elaborada por ellos, como los informes de sostenibilidad de más de 7.000 empresas y su documentación asociada, la cobertura de la mayor parte de los índices mundiales o los informes de riesgos controvertidos, como la disponible públicamente e publicaciones corporativas y regulatorias, noticias, informes de las ONGs y webs, reportes de la industria y lo que obtienen del diálogo con las empresas.

La integración de todos estos datos les permite formular un rating ASG que integra desde indicadores de preparación, como de formulación de los informes internos como 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.

El algoritmo de Sustainalytics, desarrollado por Advestis, mapea el Big Data para localizar reglas y combinaciones de variables vinculadas y correlacionadas con retornos positivos o negativos a tres meses vista. Serna utilizó el ejemplo aplicado a la gestión de la cadena de suministro, que permite evaluar para cada compañía e indicador un escenario de oportunidad, neutralidad o riesgo que configura las Señales ESG aprovechables para la toma de decisiones de inversión por fondos como los de Ossiam, multinacional participada por Natixis Investment.

Carmine de Franco explicó la aplicación directa en 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.

El modelo de Machine Learning que aplican 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. Dichos patrones son capaces de correlacionar 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 mostró 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.

Según De Franco, “todos los modelos de data comparten el objetivo común de la predicción”, y el desarrollado por ellos bate al mercado (MSCI World) en más de 3,2 puntos, reduciendo 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.