L’investissement durable occupe aujourd’hui une place prépondérante dans les marchés mondiaux, et des milliers de milliards de dollars sont actuellement gérés selon des critères environnementaux, sociaux et de gouvernance (ESG). Mais son essor lui a aussi valu d’être examiné de plus près, notamment en raison des scores ESG. Ces derniers compriment des centaines de facteurs en une seule note, mais les agences de notation arrivent pourtant bien souvent à des conclusions très différentes pour une même entreprise, leur évaluation pouvant être réalisée autant en fonction de l’information communiquée que de la performance réelle de l’organisation en matière de durabilité. Ces écarts ont semé le doute quant au lien entre les facteurs ESG et le rendement financier – un doute alimenté par la vague de lois anti-ESG adoptées aux États-Unis.
En raison de cette incertitude, il est devenu particulièrement difficile pour les investisseuses et investisseurs, les spécialistes du domaine et les décisionnaires de prendre des décisions éclairées. C’est donc dans ce contexte que le professeur Fabio Moneta a obtenu une subvention de recherche de l’École de gestion Telfer pour son projet intitulé « The Value of Environmental, Social, and Governance (ESG) Data for Mutual Funds ».
Le projet s’articule autour de trois questions. Les variables ESG améliorent-elles les prévisions de rendement par rapport aux indicateurs courants? Dans l’affirmative, quelle valeur supplémentaire cette amélioration ajoute-t-elle à un portefeuille (selon le ratio de Sharpe, par exemple)? Et qu’est-ce qui est à la source de tout avantage potentiel (meilleurs rendements, réduction du risque ou un pilier ESG en particulier, par exemple)?
Le professeur Moneta se placera dans la perspective d’une personne qui investit à un moment donné dans le temps et combinera apprentissage machine et méthodes d’évaluation des actifs et d’économétrie. L’apprentissage machine fera ressortir les relations non linéaires entre les données ESG, les fondamentaux et les rendements. L’analyse de portefeuilles permettra de déterminer si le pouvoir prédictif observé se traduit par une réelle valeur pour l’investissement. Et les méthodes d’évaluation des données permettront de chiffrer la valeur de l’information ESG. Des fenêtres d’estimation successives serviront à reproduire l’évolution des connaissances dont dispose la personne qui investit au fil du temps.
Les résultats intéresseront trois grands groupes : les spécialistes du domaine qui cherchent à déterminer quels indicateurs ESG valent la peine d’être pris en compte; les organismes de réglementation qui évaluent la pertinence d’uniformiser la collecte d’informations à communiquer dans un contexte de contestation croissante des facteurs ESG; et les universitaires qui veulent élargir l’application de l’apprentissage machine et des méthodes d’évaluation des actifs à l’univers des facteurs ESG.
Enfin, les travaux du professeur Fabio Moneta visent à répondre à une question qui demeure controversée : les données ESG améliorent-elles réellement les résultats financiers ou leur intérêt repose-t-il plutôt sur des considérations autres que financières? Faire la lumière sur cette question aidera les investisseuses et investisseurs, les organismes de réglementation et le milieu de l’enseignement à distinguer la valeur réelle des données ESG de leur potentiel.
-zhang.png)
