Predicting ESG ratings for S&P 500 companies using financial metrics
Huotari, Eetu (2024)
Pro gradu -tutkielma
2024
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2024070460531
https://urn.fi/URN:NBN:fi-fe2024070460531
Tiivistelmä
Sustainability has become an increasingly important factor for consumers, businesses and investors when making purchasing decisions. ESG ratings assess how well companies are doing in environmental, social and governance aspects. This thesis studies to what extent can the ESG ratings be predicted with corporate financial performance metrics. The predictions are done using a random forest algorithm with data from S&P 500 companies between 2012 and 2023.
The results of this thesis imply that the ESG ratings can be predicted with a relatively good accuracy using only the financial metrics, and that company profitability measures present the most significant effect on the predictions. The results are quite closely in line with existing studies on different markets, but new conclusions can be drawn on the relationship between the effect and importance of size and profitability features. Kestävästä kehityksestä on tullut yhä tärkeämpi tekijä kuluttajille, yrityksille ja sijoittajille. ESG-luokitukset arvioivat yritysten suoriutumista ympäristö-, yhteiskunta- ja hallintonäkökulmista. Suurin osa sijoittajista käyttää luokituksia tärkeänä perustana päätöksilleen. ESG luokituksia antavat toimistot ja niiden antamat luokitukset ovat tärkeässä asemassa ja kontrolloivat suurien pääomien liikkeitä.
Tämän tutkielman tarkoituksena on puuttua ESG-luokitusten väliseen eroon tutkimalla, missä määrin ESG-luokituksia voidaan ennustaa yritysten taloudellisen suorituskyvyn mittareilla. Ennusteet on tehty käyttäen Random Forest algoritmia S&P 500-yritysten datalla vuosilta 2012–2023.
Tutkielma osoittaa, että yritysten ESG-luokitukset on mahdollista ennustaa suhteellisen hyvällä tarkkuudella käyttämällä vain taloudellisia mittareita, ja että kannattavuusmittarit ovat ennusteiden kannalta kaikkein tärkeimpiä. Tulokset ovat linjassa aikaisempien tutkimusten kanssa, mutta mahdollistavat uusien johtopäätösten tekemisen yritysten ja koon vaikutusten suhteista ennusteille.
The results of this thesis imply that the ESG ratings can be predicted with a relatively good accuracy using only the financial metrics, and that company profitability measures present the most significant effect on the predictions. The results are quite closely in line with existing studies on different markets, but new conclusions can be drawn on the relationship between the effect and importance of size and profitability features.
Tämän tutkielman tarkoituksena on puuttua ESG-luokitusten väliseen eroon tutkimalla, missä määrin ESG-luokituksia voidaan ennustaa yritysten taloudellisen suorituskyvyn mittareilla. Ennusteet on tehty käyttäen Random Forest algoritmia S&P 500-yritysten datalla vuosilta 2012–2023.
Tutkielma osoittaa, että yritysten ESG-luokitukset on mahdollista ennustaa suhteellisen hyvällä tarkkuudella käyttämällä vain taloudellisia mittareita, ja että kannattavuusmittarit ovat ennusteiden kannalta kaikkein tärkeimpiä. Tulokset ovat linjassa aikaisempien tutkimusten kanssa, mutta mahdollistavat uusien johtopäätösten tekemisen yritysten ja koon vaikutusten suhteista ennusteille.