Carmine De Franco

carmine-de-franco

Carmine De Franco

Carmine De Franco, PhD

Portfolio Manager & Quantitative Analyst

Carmine joined Ossiam in 2012 after working 4 years in the Faculty of Mathematics, Université Paris Diderot – Paris VII. Carmine graduated from Université Paris Diderot – Paris VII. He holds a PhD in Financial Mathematics and a Master’s degree in Financial random modelling.

Machine Learning e ESG: Nuove frontiere dell’investimento sostenibile?

L’interesse per le soluzioni di investimento ESG ha visto una crescita esponenziale negli ultimi anni.

Ma é importante notare che la soluzioni di tipo “filter & select”, con le quali si escludono le società con rating ESG più bassi, non é necessariamente la più efficiente per integrare la dimensione ESG dal punto di vista finanziario.

E in genere queste soluzioni non sono sistematicamente creatrici di valore.

Una delle ragioni risiede nel fatto che i ratings ESG sono medie ponderate di decine, se non centinaia, di indicatori, e quindi spesso poco differenzianti.

Questa aggregazione produce necessariamente perdita di informazioni importanti.

E mentre l’ESG diventa sempre più parte integrante nella costruzione del portafoglio, non c’é dubbio che questa perdita di informazione gioca un ruolo importante nella performance delle strategie ESG.

Per sfruttare l’informazione ESG in modo efficiente, abbiamo costruito un algoritmo di tipo Machine Learning, innovativo e estremamente potente che, attraverso un “Panel of Experts”, identifica patterns e profili che combinano ESG e performance finanziaria.

Il nostro approccio Machine Learning sfrutta la granularità e la ricchezza di informazioni che esiste oggi nel mondo dell’ESG, ed é capace di estrarre quello che é veramente importante (“materiality”) per il business delle società dal punto di vista ESG.

Questo approccio si dimostra capace di identificare i profili ESG di società che rappresentano opportunità o rischi per l’investitore con grande precisione.

Combinato ad una approccio basato sulla gestione del rischio (Minimum Variance) possiamo costruire un portafoglio che sfrutta la capacità di selezione del Machine Learning (“alpha boost”) e la mitigazione del rischio tipico del Minimum Variance, ottendendo il meglio dai due approcci.