Нейросетевые модели для выявления динамики ESG-факторов и оценки их влияния на микроэкономические показатели

С каждым годом все большее значение для развития компаний оказывают ESG-факторы. К таким факторам относят экологические индикаторы, социальные факторы и факторы корпоративного управления. Эти факторы влияют как непосредственно на деятельность самой компании, так и на ее восприятие инвесторами и внешним окружением, что делает изучение ESG-факторов и их динамики важной задачей с точки зрения стейкхолдеров каждой компании.

Одним из способов анализа ESG-факторов и изучения ESG-трендов является текстовый анализ документов, содержащих информацию о деятельности компании в контексте ESG. В этом проекте в качестве источника данных используются отчеты и иные связанные документы, классифицированные публичными компаниями как ESG-disclosure. Для анализа были выбраны крупнейшие 500 компаний, которыми торгуют на американских биржах NYSE и NASDAQ за период с 2010 по 2020 гг.

С методологической точки зрения, для реализации автоматизированного текстового анализа предлагается использовать нейросетевые модели. Для достижения поставленной цели потребуется адаптировать существующие языковые модели, в частности модель BERT. Одним из ключевых изменений модели BERT является изменение финальных слоев нейронной сети, с целью явного контроля за поведением функции расстояния в пространстве эмбеддингов отдельных предложений текста. Помимо рассматриваемого проекта подобная модификация позволит использовать широкий класс методов, полагающихся на функцию расстояния (например, методы кластеризации) для решения широкого класса задач.

Таким образом, целью проекта является разработка и обучение нейросетевой модели NLP с четко-заданной функцией расстояния на корпусе текстов ESG отчетов для выявления ESG-факторов и их влияния на ESG-рейтинги и финансовые показатели крупнейших компаний.