Nghiên cứu ứng dụng các mô hình học máy có thể giải thích trong phân tích rủi ro ESG: Thông tin chi tiết từ các công ty S&P 500

Abstract

Các yếu tố Môi trường, Xã hội và Quản trị (ESG) đã trở thành những thành phần quan trọng trong việc đánh giá hiệu suất và rủi ro của công ty. Tuy nhiên, các phương pháp phân tích rủi ro ESG truyền thống thường thiếu minh bạch và không cung cấp được thông tin chi tiết có thể hành động được. Đề án này khám phá ứng dụng của các mô hình học máy có thể giải thích (XAI) để cải thiện khả năng diễn giải và độ tin cậy của phân tích rủi ro ESG. Bằng phương pháp thực nghiệm các mô hình học máy tiên tiến trên bộ dữ liệu từ các công ty S&P 500, đề án này đánh giá hiệu quả của kỹ thuật XAI như SHAP (SHapley Additive exPlanations) trong việc xác định các yếu tố chính ảnh hưởng đến điểm rủi ro ESG. Các mô hình này cung cấp một khuôn khổ minh bạch để các bên liên quan hiểu được các động lực của việc đánh giá rủi ro ESG và hỗ trợ đưa ra quyết định sáng suốt. Các phát hiện làm nổi bật tiềm năng của các mô hình XAI trong việc tăng cường báo cáo và tuân thủ ESG đồng thời cung cấp thông tin chi tiết có giá trị cho các nhà đầu tư và nhà hoạch định chính sách. Hơn nữa, nghiên cứu này đặt nền tảng cho việc tích hợp ML/AI có thể giải thích được vào quản lý rủi ro của tổ chức, thúc đẩy tính minh bạch, trách nhiệm giải trình và sự tin tưởng vào các đánh giá ESG.