金银官日后提及 ESG 的性能 （ 汉 ） 2023

IN ESG性能-事实还是虚构？ 在过去的十年里，可持续性变得越来越重要。不仅仅是环保主义者的流行语-它是现在是数万亿美元企业的关键任务美元的投资就行了。然而，开发指标来跟踪绿色的成功投资已被证明是极其愚蠢的。这引起了人们对潜在的公司做出虚假的环境声明，无论是有意还是无意。 评估公司环境的成功，社会和公司治理(ESG)计划对指导绿色投资决策至关重要从气候变化到能源过渡。这对于衡量更广泛的综合体中公司的非fi财务风险范围商业环境-以及做出关于如何在21世纪推动可持续增长。 准确衡量公司的成功ESG计划在fi财务中尤为重要服务业。2021年，一群银行、保险公司以及持有130万亿美元的投资者承诺将应对气候变化作为关键他们的业务的一部分，并促进绿色投资。从2012年到2021年，绿色fiNancing - in1以环境为重点的债券的形式和贷款-增加了100倍以上，从50亿至5410亿美元。到2025年，ESG投资2预计将占所有投资的15%。 所有这些都给fi金融服务带来了挑战行业-对于基金和资产经理、银行家、研究分析师，以及贷款和保险政策分析师试图满足日益增长的需求ESG相关的投资和产品。缺乏ESG评级的可靠性也增加了银行和其他fi金融机构的诉讼与公司声称的绿色洗涤有关他们投资或保险的地方。5 尽管ESG测量很重要，但通常不可靠，有第三方的评级Reporting agencies variing significantly. This opens the绿色洗涤之门，其中ESG测量描绘ESG表现过于积极的画面。Greenwashing is sometimes done intentionally通过公司给消费者和投资者一个在fl中了解他们的ESG成就。相当通常，由于缺点，它是无意的在与ESG相关的流程和数据中。 这并不是说今天的ESG评级和指标没有价值。它们提供了一个有价值的工具来衡量基准性能。然而，有有很大的改进空间。作为世界向公司投资数万亿美元根据他们的ESG评级，围绕这一问题的紧迫性问题只会增加。 尽管它们很重要，ESG测量值是通常不可靠，评级第三方报告各机构之间的差异显著，fi。 我们需要的是一种创新的方法使用ESG数据和ArtfiSocial等技术智能(AI)、自然语言处理(NLP)和机器学习。如果做得对，这方法可以给管理带来更多的严谨性数据-这反过来会增加一致性，ESG评估的质量和商业价值。 缺乏可靠、透明和一致的ESG评级破坏了它们的eff有效性和可信度。在2022年，这样的评级在fl中领先晨星到fi，超过1200个ESG基金占1万亿美元的资金不再是合格的fi获得ESG称号。4由于这些报告继续成为头条新闻，他们侵蚀了对ESG的信任eff总体上是正确的。 1“价值130万亿美元的COP26联盟誓言将气候置于fiNance的核心，” 2021年11月3日23“全球绿色fiNance在过去十年中增长了100倍以上-研究”，2022年3月31日“ESG投资预计未来三年将翻一番以上”新研究来自道琼斯秀，“2022年9月7日4“管理1万亿美元的ESG基金被晨星剥离了可持续标签”2022年2月10日5克莱尔·南丁格尔，“银行面临气候变化索赔：诉讼开始了”，Lexology 2023年3月15日, ESG现实的挑战 缺乏标准的测量和指导方针意味着第三方ESG评级机构使用他们计算中的不同方法，通常产生相当不同的结果。每个供应商都可以有自己的方法来考虑哪些属性，每个属性要考虑哪些因素，以及什么赋予每个属性的相对权重。 有各种各样的司机背后缺乏可靠、一致的ESG数据。一方面，ESG性能本身还没有很好地去fiNed，离开了其中大部分可以解释。值得注意的是，一支香烟制造商最近收到了更好的ESG评级超过电动汽车制造商特斯拉。同样，一家评级公司最近给FTX，加密货币兑换失败，得分更高领导力和治理能力超过埃克森美孚/美孚。 同时，有50多个ESG数据和评级提供商，包括主要的fiRM，如穆迪、标准普尔和惠誉；市场数据提供商，如如彭博社、MSCI、Refinitiv和可持续分析；以及其他小型创业公司。 当然，有意的绿色洗涤进一步使混乱水。然而，这被方式所掩盖即使是善意的公司也会发展他们的ESGdata. This data is typically kept in silos, and there is通常在用于识别和汇总这些数据-或仔细检查它的准确性。总体而言，公司通常很难开发他们ESG数据的中心视图。自我披露的数据来自这个过程的东西被输入到下游用户和流程，如第三方ESG评级机构和fi金融服务公司试图评估ESG绩效。 所有这些都给投资者带来了障碍，无论是散户还是散户和制度，试图做出决定把他们的资金放在哪里，以及政策制定者试图监督公司行为。对于fi金融服务公司，这使得理解真实的公司和投资组合的ESG表现；评估ESG风险和损失；并确保它们具有符合不断变化的法规所需的数据。 经常听到fi金融服务公司抱怨ESG数据不一致。在2022年道琼斯对fi金融领袖的调查，三分之二的受访者表示，ESG投资是持续的长期增长。然而，52%的人表示今天的ESG数据质量还不够好支持投资决策，58%的人表示ESG评级的更大透明度发达是需要的。金融机构应该7将第三方ESG评级视为简单的工具衡量性能，需要利用额外的来源来验证和增加这些分数。 缺乏标准测量和指南意味着第三方ESG评级机构使用不同的ff他们的方法论计算，经常产生相当不同的结果。 6“FTX和ESG：失败治理的全景”，福布斯，2022年11月22日 7“ESG投资预计在未来三年内将增加一倍以上道琼斯研究显示，“2022年9月7日 E XPAND ESG数据的水平 这些问题导致了ESG索赔中fi可信度的丧失。例如，在2023年对其内部分析师的调查中，富达国际发现大约60%的人认为ESG他们关注的公司的凭据没有具体行动。为了解决这些问题，fi金融服务8公司需要采取不同的ff方法-同时使用结构化和非结构化数据-通过将ESG承诺和主张与实际行动和进展进行比较。这种新方法从结构化数据开始，例如从第三方ESG提供商和fi财务报告。它也迈出了一步此外，利用支持自然语言处理(NLP)的情绪引擎来评估广泛的非结构化数据社交媒体、全球新闻、股东提案等来源，诉讼文件和媒体上的调查文章。 金融服务企业需要采取不同的ff方法-使用结构化和非结构化数据-对抗绿色清洗通过比较ESG承诺和对实际行动和进展的要求。 中的非结构化数据比结构化数据多得多世界。这些丰富的数据被用来验证和增强传统的结构化数据提供更深入、更准确的透视公司与ESG相关的风险、活动和progress. For example, a company may report that it is doing well在ESG的社交组件上，但是非结构化数据，例如作为来自世界各地的当地报道，可能表明其海外供应商从事被禁止的工作practices. Such insights can be factored into a sentiment engine’s将fies信息分为正面、负面或中性的分析类别，以更深入地了解ESG性能。 NLP有其局限性。例如，NLP通常无法识别仅仅是公关或促销的声明，这些声明可能greenwash实际ESG性能。该技术可能缺乏理解这些细微信息所需的常识-事实上，大多数情绪分析工具都在努力区分ff在查看非结构化数据时，好事件来自坏事件。 为了解决这个问题，以ESG为重点的情绪引擎可以利用人工智能和机器学习技术和技巧不断学习和提高其分析此类问题的能力信息，提供更深入、更准确的理解非结构化数据。有了这种由人工智能驱动的情感引擎，公司可以在实时-在需要时，快速向下钻取以探索该性能的基本要素。结果是能力超越机构ESG评级的黑匣子实时查看公司正在发生的事情，增加fi金融服务公司eff的有效性ESG性能。此外，通过使用分析，这该方法可用于对ESG风险进行更具预测性的研究。 专注于目的 基于NLP的方法提供了许多优点，但可以通过创建各种镜头-也就是说，NLP技术和情感引擎的版本被调整为专注于特定的fic目的。这样的镜头可以在以下方面有所帮助： TRACK公司通过行动从目标中获得ESG的努力 中央银行、证券交易所和中央证券存储库可以创建可搜索的ESG存储库可以由NLP提供支持的非fi财务公司报告。这些可以使组织能够快速了解给定公司的ESG承诺、活动和关键ESG绩效指标，同时还监控公司在实现他们的愿望方面取得的进展。 SPOT GREENWASHING 金融服务公司可以对照一系列公众检查自我报告的ESG索赔或机构评级信息和非结构化数据源，以发现ESG数据中的不一致和夸大。这可以包括根据行业框架对报告进行基准测试，以及深入了解factors underlying claims and ratings and compare them with data from alternate sources. This lens helps确保投资或基金管理和承销分析的一致性和准确性。 新闻和媒体报道中的反偏见 This approach refines NLP to understand nuanced good and bad sentiments more accurately across数以千计的非结构化数据源，提供更清晰的视图和适当的媒体报道分类fito break through the noise of reported ESG - related events. This allows traders, fund managers, and others分析底层细节，准确理解这些事件的性质和影响，然后迅速和积极地回应他们。 填充和增强数据间隙 在一些地区，如非洲和中国南部，可用的ESG数据数量有限来自第三方数据提供商。对于某些业务部门，例如小型和medium businesses. However, by drawing on unstructured data sources to develop insights into such公司，投资银行可以开发代理数据，描绘ESG活动的图景，这些数据可以是考虑到投资银行的分析。 加强保险损失预测 使用非结构化数据可以显著增强对承保公司的风险评估董事和董事保险。例如，这些保险公司可以使用ESG诉讼数据、SECfiLings、新闻reports, and articles to augment traditional structured data. They can thus gain a fuller view of potential通过关联信号和 sentiments from negative screenings, and factor this view of risk into their pricing. At the same time, they可以监控持续的、动态的ESG风险，并将此功能扩展到损失预测模型中。 确保法规就绪。 围绕ESG的监管格局和行业框架正在演变，在许多国家，从自愿转变为强制性方法。合规性将依赖于获得与ESG相关的信息。通过基于NLP的方法，fi金融服务公司可以对其数据就绪性以实现合规性，并了解他们拥有哪些数据以及哪些外部方可以在差距。他们可以跟踪哪些法规和框架适用于他们，并帮助确保他们的数据策略与不断变化的环境保持一致，使他们能够响应查询来自监管机构的结构化数据分析。