Im ESG-Datendschungel

118
0
Share:

Von Valéry Théry – Group Project Manager – CACEIS


ESG-Anlagen sind zwar voll im Kommen, aber interessierte Anleger haben dennoch keine leichte Aufgabe. Denn die zugrunde liegenden Daten sind keineswegs besonders homogen. Weil es immer mehr Formate, Anbieter und Ratingsysteme gibt, braucht es künstliche Intelligenz, um diese Megadaten zu entwirren, erläutert der Experte Valéry Théry.

Vachhaltige Anlagen haben in den letzten Jahren ein rasantes Wachstum verzeichnet. Unter dem Druck von Anlegerpublikum und institutionellen Investoren sind inzwischen über 30 Billionen US-Dollar in Produkte mit einer ESG-Komponente investiert. Mittlerweile wird eine zunehmende Anzahl von ESG-Daten erstellt, um Investoren ihre Anlageentscheidungen zu erleichtern und um ihre Transparenzanforderungen und Renditeziele zu erfüllen. Inzwischen wird der Markt buchstäblich mit Daten überflutet – diese Flut ist kaum einzudämmen, da diese Rohdaten die Ausgangsbasis für die Bewertung bilden. Sie ermöglichen erst eine Aussage darüber, ob ein Wertpapier – Aktie oder Anleihe – dank verantwortungsbewusster Grundsätze ihres Emittenten auch wirklich Wert generieren kann. Angesichts dieser Datenflut bietet künstliche Intelligenz einen möglichen Lösungsansatz für die Erfassung, Zuordnung, Analyse und Harmonisierung von ESG-Informationen.

Tatsache ist, dass Unternehmen immer mehr ESG-Informationen veröffentlichen – und ihre diesbezügliche Kommunikation ist geradezu unerschöpflich. Einer neuen Studie der Wirtschaftsprüfungsgesellschaft KPMG zufolge veröffentlichten 2011 weniger als 20% der Unternehmen im S&P-500-Index Informationen über ihr ESG-Engagement. Rund zehn Jahre später hat sich dieser Trend vollständig umgekehrt – die meisten Large Caps legen inzwischen sogar spezielle Berichte über ihre Nachhaltigkeitsanstrengungen vor.

Seit Kurzem sind ESG-Daten in gewaltigem Ausmass verfügbar, so dass ihre Auswertung einer Herkulesaufgabe gleicht. Da sich die Einstiegspunkte mehren und es noch an eindeutig festgelegten Standards für die Modelle der Finanzkennzahlen mangelt, müssen sich Analysten und Anleger derzeit noch durch einen Datendschungel kämpfen. Zu ihrer Entlastung sei daran erinnert, dass die mehrdimensionale Datenfülle zudem die drei Aspekte des ESG-Konzepts – Umwelt, Soziales und Unternehmensführung – vollständig abdecken soll. Jeder Aspekt lässt sich darüber hinaus in unendlich viele Unterparameter aufschlüsseln.

Aufgrund des Drucks von Unternehmen, öffentlichen Organisationen oder ihrer Research-Teams sind in den letzten zehn Jahren neue Ratingagenturen entstanden, die diese „Hyperinformation“ erfassen und entschlüsseln. Vigeo-Eiris, Sustainalytics, EthiFinance, ISS-Oekom und RobecoSam, um nur einige zu nennen, haben sich mit – gelinde gesagt – sehr unterschiedlichen Methoden in dieser Nische etabliert. Da die von ihnen verarbeiteten Daten sehr uneinheitlich sind, sind die von ihnen erstellten Rankings genauso unterschiedlich. Jeder Anbieter verwendet seine eigenen Verfahren, legt eigene Regeln fest. Da sie keinen gesetzgeberischen Normen unterliegen, mangelt es den von ihnen veröffentlichten Ratings oder Rankings streckenweise an Kohärenz.

Derartige Diskrepanzen, die laut einer neuen Studie der Sloan School of Management des MIT bestätigt wurden, sind beispielsweise auf die Anwendung unterschiedlicher Kriterien für die Erstellung der Ratings zurückzuführen. Sie können zudem auf ungleichen Gewichtungen der gleichen Variablen beruhen. Diese methodischen Unterschiede führen bisweilen sogar zu regelrechten Widersprüchen.

Alles läuft jedoch darauf hinaus, dass ESG-Daten in einem homogenen System standardisiert werden, das eine kohärente Interpretation ermöglicht. Die Konzentration in dieser Branche geht – wie die jüngste Übernahme von RobecoSam durch Standard & Poor’s zeigt – ebenfalls in diese Richtung.

Auch die Fortschritte in den Bereichen künstliche Intelligenz, Big Data und Machine Learning werden die einfachere Verarbeitung und Modellierung dieser Daten ermöglichen. Noch sind den Bewertungsverfahren aufgrund veralteter Analysetools, fehlender Analysekompetenzen und der fehlenden Integration von ESG-Faktoren Grenzen gesetzt.

Zahlreiche Unternehmen verwenden bereits „nachhaltigkeitsorientierte“ KI-Lösungen und erzielen damit eine sehr positive Umweltbilanz. Die Leiter der Produktentwicklung nutzen KI für die Entwicklung von Produkten und Dienstleistungen, die sich durch ihre Fähigkeit zur dauerhaften Wertschöpfung vom Wettbewerb abheben. Ein klassischer Grossverbraucher von Daten und damit idealer Kandidat für KI-Lösungen ist die Asset- Management-Branche.

KI-Anwendungen wie prädiktive Analysen, statistische Projektionen und Sequenzierung eignen sich hervorragend für die überaus vielschichtige Natur von ESG-Daten. Zudem kann künstliche Intelligenz grundsätzlich zur Erkennung und Behebung von Verzerrungen und Diskrepanzen eingesetzt werden. KI-Algorithmen, die KI-Architektur und die daraus resultierende Rechenleistung können eine effizientere und gerechtere Datenmarkierung und -verwaltung ermöglichen. Millionen von Daten aus tausenden von Quellen können auf diese Weise aggregiert und in Formate mit feineren Strukturen übertragen werden, die benutzerfreundlicher sind als dies derzeit der Fall ist.

Vorerst müssen sich Vermögensverwalter, die eine ESG-Strategie verfolgen wollen, noch mit den verfügbaren Daten und Formaten begnügen – auch wenn sie Lücken aufweisen und auf Annäherungen beruhen. Ungeachtet der Qualität, Relevanz und Granularität der erhaltenen Rohdaten ist aufgrund ihrer Heterogenität eine kostenintensive Aufbereitung erforderlich. Deshalb ist die Aufbereitung der Daten eine absolute Priorität für den optimalen Aufbau eines Portfolios mit ESG-Label. Dies umfasst sowohl die Identifikation und Erfassung der Daten und ihre Organisation als auch ihre Nutzung.

Zu diesem Zweck ist die Schaffung einer Mini-Wertschöpfungskette mit Tools und Verfahren zur leichteren Nutzung der Daten wohl die optimalste Lösung. Diese Wertschöpfungskette besteht aus mehreren Gliedern, angefangen mit der Auswahl der Lieferanten über die Entwicklung interner Methoden und die Organisation der Daten zu Verwaltungszwecken bis hin zur Automatisierung der Berichterstattung. Und zur Rationalisierung externer oder interner Datenquellen ist sie unverzichtbar. Genauso wichtig ist ferner, dass finanzielle und nicht-finanzielle Daten gleichzeitig ausgewertet werden können, da sie sich ergänzen. Last but not least muss sichergestellt werden, dass die gewählten Tools mit sämtlichen Funktionen kompatibel sind.

Diese Vorarbeiten, die mit viel Voraussicht erfolgen müssen, werden den Entscheidungsfindungsprozess erleichtern und fundierte Anlageentscheidungen ermöglichen, die eher im Sinne der Anleger sind. Auch wenn ESG-Investments in den kommenden Jahrzehnten sicherlich ein sehr kräftiges Wachstum verzeichnen, hängt ihr Erfolg in hohem Masse davon ab, ob Portfoliomanager immer grössere und komplexere Datensätze verarbeiten und auswerten können.

 

Share: