U字型ESGパフォーマンス・パラダイム：勾配ブースティング機械学習が示す持続可能性と財務の通説への挑戦
THE U-SHAPED ESG PERFORMANCE PARADIGM: GRADIENT-BOOSTED MACHINE LEARNING EVIDENCE CHALLENGING SUSTAINABILITY-FINANCIAL ORTHODOXY (原題)
Hong Viet Le
🤖 gxceed AI 要約
日本語
S&P500の500社・5年パネルとSustainalytics ESGリスク格付けを用い、Light GBMでESGリスクと株式リターンの関係を検証。結果は単調ではなくU字型で、高リスク企業が最高リターン（年率28.33%、Sharpe1.19）、低リスク企業が最大の下落保護を示した。ESGは単一の品質指標ではなく、セグメント化されたリスクシグナルとして機能することを示唆する。
English
Using a five-year panel of 500 S&P 500 firms and Sustainalytics ESG Risk Ratings, this study applies Light GBM to test whether ESG risk maps linearly to equity returns. It finds a U-shaped pattern: high-risk firms deliver the strongest returns (28.33% annualized, Sharpe 1.19), while low-risk firms offer the best downside protection. ESG works better as a segmented risk signal than a single quality ladder.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
日本ではSSBJ基準や有報でのサステナビリティ開示が進み、ESG格付けと株価の関係は投資家対応の重要論点。本稿はESGリスクを一律の品質指標として扱うのではなく、セグメント別リスクシグナルとして活用する視点を提供し、国内機関投資家のポートフォリオ構築や統合報告書での説明に示唆を与える。
In the global GX context
Amid global adoption of ISSB/TCFD and rising scrutiny of ESG ratings, this paper challenges the assumption that lower ESG risk automatically yields better returns. It offers international disclosure scholars and investors a machine-learning framework for treating ESG as a segmented risk signal, relevant to CSRD and SEC climate disclosure debates.
👥 読者別の含意
🔬研究者:ESG格付けとリターンの非線形関係をMLで検証する手法と、U字型パターンの頑健性検証が参考になる。
🏢実務担当者:ESGリスクを一律の品質指標ではなく、ポートフォリオ内で異なる役割（リターン追求 vs 下落保護）として捉える視点を提供。
🏛政策担当者:ESG開示・格付け規制を設計する際、単純なリスク低減＝善という前提を見直す根拠になり得る。
📄 Abstract（原文）
ESG policy is often implemented as if lower ESG risk should automatically produce better equity outcomes. I test that premise in U.S. large-cap stocks with a five-year panel of 500 S&P 500 constituents and Sustainalytics ESG Risk Ratings frozen at January 2019. Firms are sorted into sector-normalized Low, Medium, and High ESG-risk cohorts (167, 166, and 167 firms), which makes it possible to ask whether ESG is priced along a straight line or across distinct portfolio roles. Prediction is handled with a Light Gradient Boosting Machine (Light GBM) and then translated into trades under institutional constraints. Out-of-sample validation uses five-fold expanding-window cross-validation. Precision reaches 56.15%, recall 78.84%, and F1-beta 74.19% with beta = 0.7. The backtest assumes $10 million of starting capital, $1 million per position, a 0.5 trade probability threshold, 5% take-profit, a 20-day maximum holding period, and execution frictions. What emerges is not a monotonic ranking but a U-shaped structure. High-risk firms generate the strongest absolute and risk-adjusted outcomes (240.35% cumulative return; 28.33% annualized return; Sharpe 1.19; Calmar 0.84). Low-risk firms provide the strongest downside protection, with maximum drawdown of 29.08%. Medium-risk firms do not lead on either return or protection. Pairwise tests, non-parametric tests, bootstrap confidence intervals, multiple-comparison correction, and sector and regime checks all support the same ordering. The implication is narrower and more useful than a blanket ESG verdict. In this sample, ESG works better as a segmented risk signal than as a single quality ladder. The proposed Governance-Driven Risk Premium remains only an interpretation of the High-risk result; this design does not identify it causally.
🔗 Provenance — このレコードを発見したソース
- semanticscholar https://shodhai.org/shodhai/article/download/69/95first seen 2026-10-09 05:38:44 · last seen 2026-10-10 05:57:32
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。