金银官日后提及 ESG 的性能 （ 汉 ） 2023

金融服务 IN 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20112年到2021年，绿色fiNancing-in 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20252年，ESG投资 预计将占所有投资的15%。3 尽管ESG测量很重要，但 通常不可靠，有第三方的评级 Reportingagenciesvariingsignificantly.Thisopensthe 绿色洗涤之门，其中ESG测量描绘ESG表现过于积极的画面。 Greenwashingissometimesdoneintentionally 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。 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。 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。 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 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。 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。 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 2“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 3“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”， Lexology2023年3月15日, 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。6 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ESG data.Thisdataistypicallykeptinsilos,andthereis 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。 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。 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。 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。 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。 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7该 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。 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 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8些问题，fi金融服务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.Forexample,acompanymayreportthatitisdoingwell 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.Suchinsightscanbefactoredintoasentimentengine’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。 8马克·西格尔，“60%的分析师表示，公司的ESG声明没有得到行动：富达调查，“2023年7月5日 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。 SPOTGREENWASHING 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 factorsunderlyingclaimsandratingsandcomparethemwithdatafromalternatesources.Thislenshelps 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 ThisapproachrefinesNLPtounderstandnuancedgoodandbadsentimentsmoreaccuratelyacross 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fi tobreakthroughthenoiseofreportedESG-relatedevents.Thisallowstraders,fundmanagers,andothers 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 mediumbusinesses.However,bydrawingonunstructureddatasourcestodevelopinsightsintosuch 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,andarticlestoaugmenttraditionalstructureddata.Theycanthusgainafullerviewofpotential 通过关联信号和 sentimentsfromnegativescreenings,andfactorthisviewofriskintotheirpricing.Atthesametime,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。