V originále
As investors increasingly use Environmental, Social, and Governance (ESG) criteria, a key challenge remains: ESG data is typically reported annually, while financial markets move much faster. This study investigates whether incorporating annual ESG scores can improve monthly stock return forecasts for German DAX-listed firms. We employ a multivariate long short-term memory (LSTM) network, a machine learning model ideal for time series data, to test this hypothesis over two periods: an 8-year analysis with a full set of ESG scores and a 16-year analysis with a single disclosure score. The evaluation of model performance utilizes standard error metrics and directional accuracy, while statistical significance is assessed through paired statistical tests and the Diebold–Mariano test. Furthermore, we employ SHapley Additive exPlanations (SHAP) to ensure model explainability. We observe no statistically significant indication that incorporating annual ESG data enhances forecast accuracy. The 8-year study indicates that using a comprehensive ESG feature set results in a statistically significant increase in forecast error (RMSE and MAE) compared to a baseline model that utilizes solely historical returns. The ESG-enhanced model demonstrates no significant performance disparity compared to the baseline across the 16-year investigation. Our findings indicate that within the one-month-ahead projection horizon, the informative value of low-frequency ESG data is either fully incorporated into the market or is concealed by the significant forecasting capability of the historical return series. This study’s primary contribution is to demonstrate, through out-of-sample testing, that standard annual ESG information holds little practical value for generating predictive alpha, urging investors to seek more timely, alternative data sources.
Česky
Vzhledem k tomu, že investoři stále častěji používají kritéria environmentálních, sociálních a správních (ESG) ukazatelů, zůstává klíčová výzva: data ESG se obvykle vykazují každoročně, zatímco finanční trhy se pohybují mnohem rychleji. Tato studie zkoumá, zda zahrnutí ročních skóre ESG může zlepšit měsíční prognózy výnosů akcií pro německé firmy kótované na DAX. Pro otestování této hypotézy ve dvou obdobích používáme síť s více rozlišenou dlouhou krátkodobou pamětí (LSTM), model strojového učení ideální pro časové řady dat: 8letou analýzu s plnou sadou skóre ESG a 16letou analýzu s jedním skóre zveřejnění. Hodnocení výkonnosti modelu využívá metriky standardní chyby a směrovou přesnost, zatímco statistická významnost je posouzena pomocí párových statistických testů a Diebold-Mariano testu. Dále používáme SHapleyho aditivní vysvětlení (SHAP) k zajištění vysvětlitelnosti modelu. Nepozorovali jsme žádné statisticky významné náznaky, že by zahrnutí ročních dat ESG zvyšovalo přesnost prognózy. Osmiletá studie ukazuje, že použití komplexní sady funkcí ESG vede ke statisticky významnému zvýšení chyby predikce (RMSE a MAE) ve srovnání se základním modelem, který využívá pouze historické výnosy. Model vylepšený ESG nevykazuje žádný významný rozdíl ve výkonnosti ve srovnání se základním modelem v průběhu 16letého šetření. Naše zjištění naznačují, že v rámci prognostického horizontu na jeden měsíc dopředu je informativní hodnota nízkofrekvenčních dat ESG buď plně začleněna do trhu, nebo je skryta významnou prognostickou schopností historických řad výnosů. Hlavním příspěvkem této studie je prokázat, prostřednictvím testování mimo výběrový vzorek, že standardní roční informace ESG mají malou praktickou hodnotu pro generování prediktivní alfa, a naléhá na investory, aby hledali včasnější a alternativní zdroje dat.