Análisis del impacto de factores ESG en una cartera de ...

C1 - Public Natixis

COLEGIO UNIVERSITARIO DE ESTUDIOS FINANCIEROS

MÁSTER EN INSTITUCIONES Y MERCADOS

FINANCIEROS

(ANÁLISIS DEL IMPACTO DE FACTORES ESG EN UNA CARTERA DE

INVERSIÓN) Realizado por:

D. Guillermo Díez Andres

D. Rafael Fernández-Madrid Abril

Dª Begoña Neira Alcina

Dirigido por: Ricardo A. Queralt Sánchez de las Matas

CUNEF (Colegio Universitario de Estudios Financieros) MADRID, a 10/10/2021

1

C1 - Public Natixis

ÍNDICE 1. INTRODUCCIÓN .................................................................................................... 2 2. INVERSIÓN SOCIALMENTE RESPONSABLE .................................................. 3

2.1. BÚSQUEDA DE UNA DEFINICIÓN GLOBAL DE INVERSIÓN SOSTENIBLE .............................................................................................................. 3 2.2. IMPORTANCIA Y EVOLUCIÓN DE LA INVERSIÓN SOCIALMENTE RESPONSABLE (ISR) ................................................................................................ 4

3. ANÁLISIS Y EXPLICACIÓN DE LOS RATINGS SOSTENIBLES .................... 6 4. PANORAMA ISR EN LA GESTIÓN DE CARTERAS ....................................... 10 5. OPTIMIZACIÓN DE CARTERAS ....................................................................... 13

5.1. PRESENTACIÓN DE RESULTADOS ......................................................... 15 5.1.1. Estrategias empleadas ................................................................................... 17

6. CONCLUSIONES .................................................................................................. 27 7. APÉNDICES .......................................................................................................... 28

7.1. TABLAS EXTRAS ........................................................................................ 28 Tabla 9. Identificación de las 50 empresas del Euro Stoxx 50 ............................... 28 Tabla 10. Identificación de las 50 empresas del Euro Stoxx 50 ............................. 29 Tabla 11. Análisis de rentabilidades de las Estrategia de Equidistribución ........... 31 Tabla 12. Análisis de rentabilidades de las Estrategia de Capitalización ............... 32 Tabla 13. Análisis de rentabilidades de las Estrategia de Markowitz .................... 32 Tabla 14. Análisis resumen de rentabilidades del Ejercicio 1 ................................ 33 Tabla 15. Análisis resumen de rentabilidades del Ejercicio 2 ................................ 34

7.2. SCRIPTS DE R .............................................................................................. 34 Script 1. Tratamiento de datos ................................................................................ 34 Script 2. Análisis descriptivo de los datos .............................................................. 37 Script 3. Selección de activos ................................................................................. 40 Script 4. Cálculo de rentabilidades ......................................................................... 41 Script 5. Estrategia de ponderación por equidistribución ....................................... 43 Script 6. Estrategia de ponderación por capitalización ........................................... 49 Script 7. Cálculo de los pesos de los activos por Markowitz ................................. 54 Script 8. Estrategia de ponderación según Markowitz ........................................... 57

8. BIBLIOGRAFÍA .................................................................................................... 63 8.1. BIBLIOGRAFÍA ADICIONAL ..................................................................... 64

2

C1 - Public Natixis

1. INTRODUCCIÓN Como se demostrará en los siguientes epígrafes, la Inversión Socialmente

Responsable está adquiriendo cada vez una mayor importancia, pero no se considera uno de los objetivos clave a la hora de construir una cartera. Por ello, con la presente realización de este Trabajo de investigación de Fin de Máster se pretende realizar y demostrar la importancia, en términos de rentabilidad, de los factores ESG a la hora de tenerlos en cuenta en la construcción de una cartera de inversión.

Para ello, con el presente trabajo se pretende formar varias carteras de inversión de renta variable utilizando los activos que conforman el Euro Stoxx 50, unas formadas por activos con altos ratings ESG y otras formadas por activos con bajos ratings. Por consiguiente, se compararán dichas carteras con el objetivo de demostrar que las carteras con mayor concentración de ESG generarán una mayor rentabilidad para el inversor que las carteras con peor valoración en términos ESG. También, el objetivo a demostrar es que, ante la creciente preocupación de los inversores por la sostenibilidad, los gestores de carteras deben empezar a tener en cuenta la Inversión Sostenible a la hora de seleccionar y gestionar las carteras.

Este trabajo se ha estructurado de la siguiente manera:

• Epígrafe 2: Se analiza el concepto y la importancia que supone la Inversión Sostenible en la actualidad. El objetivo en este epígrafe es entender el contexto en el que se encuentra esta tipología de inversión, sirviendo, por tanto, de punto de partida para el desarrollo del presente trabajo.

• Epígrafe 3: Se analiza el universo de agencias de ratings ESG. Ante la creciente demanda por parte de la sociedad de que las empresas estén más concienciadas con el entorno que les rodea han aparecido muchas agencias dedicadas a la evaluación de empresas bajo métricas ESG, con la finalidad de que se puedan acometer este tipo de inversiones de la manera más eficiente posible.

• Epígrafe 4: Se analiza como la Inversión Sostenible se encuentra integrada en la gestión de carteras actualmente. Tradicionalmente, el objetivo que los gestores buscaban en la gestión de sus carteras era encontrar la mejor combinación rentabilidad-riesgo. Debido al aumento de la popularidad de la Inversión Socialmente Responsable, ahora el objetivo es cómo incluir la estrategia ESG junto con el binomio rentabilidad-riesgo para tratar de conseguir que la sostenibilidad resulte atractiva en términos de inversión.

• Epígrafe 5: Se lleva a cabo la construcción de las carteras objeto de este Trabajo de Fin de Máster con el consiguiente análisis de las rentabilidades obtenidas. Para la construcción de estas carteras se han utilizado tres estrategias diferentes en términos de ponderación de los activos y diferentes frecuencias de rebalanceo.

• Epígrafe 6: Finalmente, se presentan las conclusiones extraídas, no sólo del trabajo de investigación teórico realizado, sino del ejercicio de formación y análisis de las carteras realizadas.

3

C1 - Public Natixis

2. INVERSIÓN SOCIALMENTE RESPONSABLE 2.1. BÚSQUEDA DE UNA DEFINICIÓN GLOBAL DE INVERSIÓN SOSTENIBLE

En la literatura actual, la importancia de la sostenibilidad es un concepto que ha ido adquiriendo una gran importancia en los últimos años. Si se transpone el concepto de sostenibilidad al sector financiero, son muchos los conceptos que recogen la sostenibilidad de una inversión, lo que provoca, en ciertas ocasiones, la confusión de términos. En concreto, si se ajusta al tema que se esta tratando en el presente trabajo, existen distintas categorías de inversiones sostenibles. Entre ellas, cabe destacar la inversión socialmente responsable, la inversión de impacto y la inversión ESG (siglas en inglés que hacen referencia a los términos Environmental, Social and Governance). La finalidad de este tipo de inversiones según Sparkes and Cowton (2004) es obtener no solo un rendimiento financiero positivo, sino también un impacto que se prolongue en el tiempo, en la sociedad y en el medio ambiente.

La Inversión Socialmente Responsable, en adelante ISR, trata de incorporar criterios no financieros a los criterios financieros tradicionales, es decir, trata de incorporar criterios sociales, medioambientales y de buen gobierno a los criterios clásicos de rentabilidad, riesgo y liquidez en el análisis y la toma de decisiones de una inversión, Viñuales y Pueyo (2002). La ISR es un concepto muy ligado al de inversión ética, hasta el punto de que ambas denominaciones son utilizadas simultáneamente para hacer referencia a lo mismo. El origen de la inversión ética vino motivado por el deseo de los inversores de incorporar sus creencias y valores en el proceso de selección de activos, para así́ destinar sus fondos a actividades que favoreciesen a la sociedad, y, por tanto, no fomentar aquellas consideradas como dañinas. Según Valor Martínez y García Villalobos (2009), la diferencia entre ambos términos radica en la evolución histórica, entendiendo por ésta el hecho de que en la antigüedad o en el pasado se utilizaba la terminología de inversión ética y, dicho concepto, ha evolucionado hasta convertirse en Inversión Socialmente Responsable en los últimos años.

Las inversiones ESG son aquellas que integran en sus procesos de inversión factores de origen medioambientales, sociales o de gobernanza. A menudo se suele confundir este tipo de inversiones con las anteriormente definidas como ISR. Esto se debe a que ambas inversiones son sinónimas, es decir, ambas tienen la misma definición, de ahí que muchas veces se hable de forma indistinta entre inversiones ESG e inversiones socialmente responsables.

Por otro lado, como tercer tipo de inversión sostenible, se encuentra la Inversión de Impacto que es aquella cuya rentabilidad es atractiva y que, además, genera un impacto positivo y cuantificable en la sociedad o el medioambiente. La finalidad que persiguen este tipo de inversiones o de carteras es definida por Hehenberger (2018) como la eficiencia de los recursos, centrándose en aquellos recursos que son considerados como renovables. Otra definición de Inversión de Impacto es la que desarrolla Magomedova y otros autores (2020), que entienden como Inversión de Impacto aquella que busca aprovecharse o beneficiarse de la sostenibilidad del entorno con el propósito de obtener un rendimiento positivo. Ambos autores que proporcionan una definición de Inversión de Impacto recalcan la importancia de realizar una medición del impacto social y medioambiental que tienen este tipo de inversiones, por lo que, en caso de no producirse

4

C1 - Public Natixis

dicho impacto, la inversión no podría categorizarse como Inversión de Impacto. Por ello, se considera que la Inversión de Impacto es una estrategia dentro de la ISR. Según Santalucía Asset Management, esta tipología de inversión tiene unas características distintivas:

• Intencionalidad: Es la voluntad que tiene el inversor de generar un impacto social o medioambiental que resulte positivo, es decir, que el impacto causado sea beneficioso, y cuantificable ante la constitución de la cartera.

• Retorno económico: Generar retornos positivos, es decir, que genere un rendimiento o beneficio.

• Causalidad: Entendiendo por esta que debe haber una relación causa-efecto entre la inversión realizada y el impacto generado.

• Medición: El resultado tiene que ser siempre cuantificable, puesto que de lo contrario no habría un impacto real y no sería considerado una inversión de impacto.

• Validación y reporting: Se debe ir informado de los resultados que se van obteniendo y debe medirse en el tiempo.

Como se puede apreciar en todo lo desarrollado anteriormente, existen una pluralidad de términos para hacer referencia a una inversión sostenible, aunque parece ser que el nexo en común entre todas ellas se encuentra en la definición de Inversión Socialmente Responsable, ya que se trata de un concepto global que abarca al resto de inversiones que hemos desarrollado, como pueden ser la Inversión de Impacto y las inversiones ESG. Por tanto, la definición que consideramos que mejor engloba todos los conceptos de inversión sostenible es la dada por Cowton (1994), el cual, definió la ISR como la aplicación de una serie de criterios éticos y sociales en el momento de realizar una selección de carteras de inversión, que generarán un rendimiento positivo. Esta definición es completada por Mackenzie y Lewis (1999) al introducir que esos criterios de los que hablaba Cowton van a permitir medir el dinero que genera una empresa y cómo obtiene dicho beneficio.

2.2. IMPORTANCIA Y EVOLUCIÓN DE LA INVERSIÓN SOCIALMENTE RESPONSABLE (ISR)

Debemos comenzar el desarrollo de este apartado haciendo referencia a que el origen de la ISR se encuentra en la concienciación medioambiental que se produjo con la Revolución Industrial. Con la industrialización comenzaron a surgir problemas de contaminación, que hasta entonces no se habían producido. Ello provocó que, a finales del siglo XIX, se produjera la preocupación generalizada del efecto adverso que estaba provocando la continua industrialización en el medioambiente y qué consecuencias conllevaría para la población continuar con dicho camino. Es por ello, que surgió una iniciativa de las Naciones Unidas denominada Environmental Program, que recogía una serie de medidas medioambientales y sostenibles que ayudarían a los países a disminuir los efectos adversos que estaba provocando la industrialización en la sociedad y en el medioambiente.

5

C1 - Public Natixis

Como se ha mencionado en el apartado anterior, las Inversiones Socialmente Responsables están adquiriendo cada vez una mayor importancia en los últimos años, siendo cada vez mayor el número de inversiones ISR que están llevando a cabo los inversores institucionales. Por ello, cada vez son más los fondos de inversión que buscan invertir siguiendo un criterio de sostenibilidad, lo que ha provocado que aparezca un nuevo tipo de fondos de inversión, que reciben el nombre de Fondos de Inversión Sostenibles. Este tipo de fondos tienen como única y principal estrategia invertir en carteras que contengan compañías que cumplan con los aspectos sociales y medioambientales. En un informe del Foro de Inversión Sostenible y Responsable Spainsif realizado en 2018, se hace referencia a la evolución creciente que han tenido los fondos de inversión sostenible, también denominados fondos ESG, cuyo crecimiento anual se sitúa en valores cercanos al 15%. Según Jansson y Biel (2011), el crecimiento que recoge el informe de 2018 de Spanisif se concentra sobre todo en países desarrollados, es decir, en aquellos países que existe un mercado financiero desarrollado.

Existe una gran presión desde algunos inversores del sector financiero, tal y como establece Sandberg (2011), por realizar una defensa más activa y clara de las inversiones que recogen los factores ESG, exigiendo que sean los inversores institucionales quienes ejerzan esa defensa. Espinós Vañó (2019) completó el concepto de Sandberg al decir que, si los inversores institucionales hacían una defensa férrea de los factores ESG, permitiría ello, poder obligar a las empresas a cumplir con los criterios de sostenibilidad.

Otra prueba de la creciente importancia que están adquiriendo las inversiones sostenibles o ISR, la encontramos en el informe del 2018 de la Global Sustainable Investment Alliance (GSIA). En este informe se recoge que la ISR ha tenido un crecimiento del 34 % en los últimos dos años, lo que significa que las inversiones sostenibles han gestionado un capital de 30,7 billones de dólares. Cabe resaltar que el crecimiento de la ISR no se ha producido de igual forma en todo el mundo, sino que las regiones que han experimentado ese crecimiento son aquellas que, como hemos mencionado con anterioridad, tienen un mercado financiero desarrollado. El mayor aumento en el período objeto de estudio del informe de la GSIA, 2016-2018, lo experimentó Japón, donde los activos bajo gestión sostenible han crecido más de un 300%. Por otro lado, en Estados Unidos, el crecimiento en el período es un poco inferior al de los dos años anteriores (2014-2016), 38% frente a un 33%. Por último, en el resto del mundo los activos sostenibles siguieron aumentando, pero a un ritmo más lento que en el período de los años 2014-2016.

Europa es uno de los principales impulsores de las Inversiones Socialmente Responsables, ya que fue uno de los primeros en promoverla, por lo que, según el informe de la Asociación Europea de Fondos y Gestiones de Activos elaborado en 2018, existen indicios de que el mercado de la ISR está madurando. Entre 2016 y 2018, los activos sostenibles crecieron a un ritmo moderado, pero no tan rápido como el universo global de activos gestionados en Europa, que alcanzó un máximo de 25,2 billones de euros.

En cuanto a España, cabe destacar que, pese a que los activos gestionados en ISR están en continuo crecimiento desde hace ya una década, tal y como se recoge en el informe de 2018 de Spainsif, aún continuamos por debajo de nuestros países competidores como pueden ser Francia o Reino Unido. Sin embargo, los datos que arroja

6

C1 - Public Natixis

el informe sobre Inversiones Sostenibles o ISR muestran que es un mercado que se está consolidando gracias en gran medida a las iniciativas internacionales lanzadas, sobre todo, por Europa, a los legisladores y a los propios inversores institucionales.

No solo se ha experimentado un crecimiento en las ISR, sino que también ha experimentado un crecimiento una modalidad de ISR, que hemos definido con anterioridad en el apartado primero, que son las Inversiones de Impacto. El mismo informe del 2018 de la Asociación Europea de Fondos y Gestiones de Activos recoge que la Inversión de Impacto ha experimentado un aumento en dicho año del 10 %, hasta situarse en un capital generado de 108 mil millones de euros. El crecimiento de la Inversión de Impacto demuestra que los inversores son cada vez más conscientes de su potencial y quieren marcar la diferencia eligiendo categorías específicas de inversiones.

Podemos concluir que las ISR pese a ser un campo de inversión nuevo está siendo desarrollado a una alta velocidad, de ahí radica los altos crecimientos que hemos podido apreciar en los párrafos anteriores.

3. ANÁLISIS Y EXPLICACIÓN DE LOS RATINGS SOSTENIBLES

El mundo de la ISR se caracteriza por ser bastante heterogéneo y ello hace que sea de vital importancia contar con indicadores capaces de evaluar a las empresas bajo métricas ESG para poder acometer este tipo de inversiones de la manera más eficiente posible, y que, por tanto, las inversiones sostenibles que se realicen lo sean realmente.

La mejor forma de analizar empresas bajo métricas ESG es utilizar la metodología de análisis que utilizan las grandes agencias de ratings ESG. Además, estas agencias estudian empresas y las evalúan en términos de sostenibilidad utilizando sus propias metodologías de investigación. Esta experiencia ha convertido a estas agencias en una referencia clave para las empresas, los mercados financieros y los inversores en lo que respecta a las evaluaciones de la sostenibilidad corporativa.

De acuerdo, a la Global Initiative for Sustainability Ratings (GISR), más de 100 organizaciones realizan estudios y desarrollan metodologías de calificación de la sostenibilidad en empresas. Son un grupo bastante variado, ya que hay desde ONGs hasta empresas globales que cubren más o menos toda la temática ESG.

Estimamos que hay unas 5 agencias de ratings ESG de importante relevancia y peso en los mercados financieros:

1) Sustainalytics Company ESG Risk Ratings: Las calificaciones de riesgo ESG utilizan una metodología basada en reglas para medir los riesgos ESG no gestionados en una empresa en función de su exposición y gestión de cuestiones ESG. Para ayudar a los inversores a interpretar la calificación de una empresa, han creado 5 categorías de riesgo que indican el nivel de riesgo ESG para el enterprise value de una empresa:

7

C1 - Public Natixis

Tabla 1. Categorías de riesgo del Sustainalytics Company ESG Risk Rating

Insignificante Bajo Medio Alto Severo

Fuente: Elaboración propia

Actualmente, Sustainalytics cubre aproximadamente 6.500 empresas de 42

sectores diferentes. El proceso llevado a cabo para calificar a una empresa es el siguiente: a) Se determina la exposición de la empresa a cada factor ESG teniendo en

cuenta el sector o industria en la que opera la empresa. b) Examinan la dimensión de gestión que mide lo bien que una empresa está

mitigando su exposición a los factores ESG. c) Para algunas empresas una parte de su riesgo puede considerarse no

gestionable. d) Para la parte del riesgo gestionable, el rendimiento de una empresa se refleja

en su políticas, programas, prácticas y medidas cuantitativas de rendimiento. e) Las controversias tienen un efecto de descuento en la puntuación de la gestión

de la empresa, ya que muestran que los programas y las políticas de la empresa no han sido completamente eficaces y podrían conducir a un aumento del riesgo.

f) Finalmente, la calificación global del riesgo ESG de una empresa se calcula sumando la cantidad de riesgo no gestionado para cada factor ESG.

2) MSCI ESG Research: usan una metodología basada en reglas para identificar líderes y rezagados. Califican a las empresas en una escala de “AAA a CCC” según su exposición a los riesgos ESG y lo bien que gestionan dichos riesgos en relación con sus competidores:

Tabla 2. Categorías de riesgo del rating MSCI ESG Research

CCC BB AA

B BBB AAA

A

REZAGADO MEDIO LÍDER


8

C1 - Public Natixis

Hasta junio de 2020 han calificado a 8.500 empresas, más de 680.000 valores de renta variable y renta fija en todo el mundo.

MSCI ESG Research examina cuestiones clave de ESG y los datos son recogidos a través de diversas fuentes de datos como: bases de datos gubernamentales, divulgación de las empresas, macrodatos a nivel geográfico de bases de datos académicas, gubernamentales y de ONGs.

Las empresas son supervisadas y revisadas sistemáticamente. La información nueva se refleja automáticamente todas las semanas gracias a las actualizaciones semanales de informes. Las revisiones en profundidad de las empresas se realizan al menos una vez al año.

3) Thomson Reuters ESG Scores: las calificaciones ESG se diseñaron para medir de forma transparente y objetiva el rendimiento relativo de una empresa en materia de ESG sobre la base de los datos comunicados por las empresas. Estas calificaciones están disponibles para más de 6.000 empresas de todo el mundo. Se tratan de puntuaciones de escala percentil, disponibles tanto en porcentajes como en letras de la A+ a la D-. Hay dos puntuaciones disponibles:

• Thomson Reuters ESG Score: mide el rendimiento de una empresa en base a datos públicos.

• Thomson Reuters ESG Controversy Score: descuenta las controversias en materia de ESG que tiene un impacto material en la compañía.

Thomson Reuters cubre aproximadamente 6.000 empresas públicas en más de 400 métricas ESG. De esas 400 métricas a nivel empresa, Thomson Reuters selecciona 178 con los data points más relevantes. Esos data points se agrupan en 10 categorías: usos de recursos, emisiones, innovación, gestión, accionistas, estrategia de RSC, derechos humanos, comunidad y responsabilidad de producto. Cada una de estas categorías está ponderada. Una combinación de las 13 categorías determina la puntuación final en materia ESG, que es un reflejo de la empresa en materia de ESG basado en información pública.

Tabla 3. Rango de puntuación del Thomson Reuters ESG Scores

Fuente: Thomson Reuters Eikon, 2017. Thomson Reuters ESG Scores.

9

C1 - Public Natixis

4) Vigeo Eiris Sustainability ratings: las calificaciones de sostenibilidad de EIRIS proporcionan una imagen completa del rendimiento de la sostenibilidad corporativa expresada en una escala de la “A” a la “E”. Estas calificaciones combinan la propia evaluación de hace Vigeo Eiris de los impactos de la sostenibilidad de las empresas junto a sus análisis de la respuesta de la dirección a los riesgos ESG. Sus evaluaciones ESG integran datos cualitativos y cuantitativos, datos de gestión y rendimientos y datos propios o de terceros. Los datos se recogen de múltiples fuentes. Ellos evalúan 38 criterios ESG en su proceso de puntuación y asignan a cada uno de ellos un peso de 0 a 100 (débil a avanzado). Sus modelos de evaluación son diferentes en función del sector. En cada sector esos 38 criterios genéricos ESG se les asigna un peso desde “W0” (no relevante para el sector) hasta “W3” (muy importante para el sector). Estos criterios se agrupan bajo los tres pilares, Medioambiental, Social y Gobernanza, y cada criterio ESG se le aplica un marco de evaluación de la gestión basado en tres pilares, con el fin de asignar una puntuación de 0 a 100. La puntuación total de cada uno de los pilares resulta de la media ponderada de los criterios ESG que se encuentran debajo de cada uno.

5) RepRisk rating: examina diariamente los datos procedentes de más de 80.000 medios de comunicación y fuentes de datos. RepRisk se centra en 28 criterios ESG, que se enmarcan en los Ten Principles of the UN Global Compact y se dividen en cuestiones medioambientales, relaciones con la comunidad, relaciones con los empleados y de gobierno corporativo. Las calificaciones de sostenibilidad van de AAA a D.

6) Bloomberg ESG Scores: proporciona calificaciones de sostenibilidad propias y de terceros. Las calificaciones ESG propias están basadas en datos y son totalmente transparentes, lo que permite a los inversores examinar tanto la metodología de calificación como los datos comunicados por las empresas en los que se basa cada calificación. Las calificaciones ESG de Bloomberg están en base a una escala sobre 100 y abarcan diferentes áreas dentro del amplio concepto de sostenibilidad: calificaciones de la composición de los consejos de administración, calificaciones sobre transición climática, calificaciones medioambientales y sociales, calificaciones de noticias medioambientales y sociales, calificaciones de divulgación ESG y calificaciones sobre igualdad de género. Las calificaciones ESG de terceros incluyen a los principales proveedores de datos ESG, como MSCI, Sustainalytics, ISS y RobecoSam.

7) Arabesque rating1: Esta es la agencia de rating ESG que vamos a utilizar para obtener los ratings ESG de las empresas del Euro Stoxx 50, que después utilizaremos para llevar a cabo la optimización de carteras. La puntuación ESG elaborada por Arabesque trata de identificar las empresas que están mejor posicionadas para obtener mejores resultados a largo plazo. Para comprender el potencial de rendimiento a largo plazo, esta agencia emplea una metodología llamada “S-Ray”, que tiene en cuenta el principio de materialidad financiera. Es decir, al calcular la puntuación ESG de una empresa, el algoritmo sólo utilizará la información que ayude de forma significativa a explicar el rendimiento futuro ajustado al riesgo. La materialidad se aplica dando una mayor ponderación a las características con mayor materialidad. Estas ponderaciones se reequilibran trimestralmente, por lo que cada trimestre se evalúa la importancia de cada empresa a nivel sectorial e industrial, utilizando los rendimientos mensuales del índice 1 Arabesque S-Ray Methodology, september 2020.

10

C1 - Public Natixis

ponderados por la capitalización del mercado durante un periodo de 1, 3 y 5 años. Esto da lugar a 12 rendimientos de índice de cartera diferentes para cada empresa. Para cada cartera, la materialidad se calcula con los siguientes pasos:

• Paso 1: Materialidad estática Durante el primer paso, el modelo “S-Ray” asigna una materialidad de referencia

a cada característica de cada cartera. Los valores de referencia asignados a cada característica se basan en investigaciones de terceros e informes del sector que han analizado la cuestión de la materialidad. Estos marcos teóricos son una valiosa aportación para obtener una primera comprensión de qué categorías son importantes para comprender la capacidad de una empresa de obtener mejores resultados a largo plazo.

• Paso 2: Ajustes de materialidad basados en datos En el segundo paso, el modelo “S-Ray” considera qué parte de la variación de los

rendimientos puede explicarse por cada una de las características. Esto se consigue aplicando primero un modelo multifactorial de valoración de activos para obtener los residuos (es decir la parte no explicada de la variación de los rendimientos), seguida de un procedimiento recursivo de eliminación de características con validación cruzada para identificar las características que pueden explicar una parte significativa de la variación de los residuos de la regresión multifactorial. Las características que resultan ser importantes durante este proceso son las que reciben más peso. La puntuación de materialidad estática del paso 1 se suma a la puntuación de materialidad dinámica del paso 2 y se normaliza para obtener un peso total de las características normalizada para obtener una ponderación total de las características.

• Puntuación total La puntuación total de ESG se calcula como una suma ponderada de las

puntuaciones de las características utilizando pesos basados en la materialidad. Las subpuntuaciones de los pilares E, S y G se calculan teniendo en cuenta, únicamente, las características de cada uno de estos temas. Las puntuaciones de los tres pilares y la puntuación ESG total se escalan entre 0 y 100, y las puntuaciones más altas indican un mejor rendimiento.

4. PANORAMA ISR EN LA GESTIÓN DE CARTERAS

Como hemos recalcado en puntos anteriores del presente trabajo de investigación, actualmente, existe una creciente preocupación por la sostenibilidad que no afecta solo a los mercados financieros, sino que también se ven afectados los inversores, que comienzan a interesarse en estrategias que incorporen la sostenibilidad y a preocuparse por las actividades que llevan a cabo las compañías en las que invierten. Por tanto, resulta imprescindible que tanto los intermediarios como los proveedores de servicios financieros sean capaces de ofrecer a los inversores potenciales productos sostenibles y carteras de activos bajo las diferentes estrategias de ISR. Los intermediarios y proveedores de servicios financieros empiezan a incorporar en sus estrategias unos principios de ESG que son:

11

C1 - Public Natixis

1) La protección y mejora de la calidad de la vida humana. 2) El respeto y defensa de los derechos humanos. 3) La protección y promoción de la salud. 4) La responsabilidad social de la empresa. 5) Protección y cuidado del medio ambiente. A su vez, tanto los agentes financieros como las gestoras de fondos ISR, deben de

regirse por una serie de directrices internacionales, que recogen los principios de ESG, que hemos mencionado anteriormente:

• Principios del Pacto Mundial de las Naciones Unidas.

• Principios para la Inversión Responsable (PRI).

• Declaración Universal de los Derechos Humanos.

• Convenios Fundamentales de la Organización Internacional del Trabajo.

• Programa de Naciones Unidas para el Medio Ambiente (UNEP).

• Convención de las Naciones Unidas contra la Corrupción. Debido al aumento de la popularidad de la Inversión Socialmente Responsable

varias son las dudas que surgen sobre los efectos de usar este tipo de estrategia acerca del binomio clásico de rentabilidad-riesgo. Como consecuencia de ello han surgido numerosos estudios sobre las estrategias ISR comparadas con las estrategias de inversión tradicionales. En este concepto es donde queremos encuadrar el objetivo de nuestro Trabajo de Fin de Máster, que es, precisamente, comparar cuan de rentable es una cartera que incorpora activos con altas calificaciones ESG frente a otra cartera con activos con peores calificaciones y, por tanto, tratar de demostrar la importancia de incluir estos factores en la gestión de carteras. Para la consecución de dicho objetivo, en este punto, vamos a explicar la famosa Teoría Moderna de Carteras, pero incorporando, a su vez, criterios ESG.

La Teoría Moderna de Carteras de Markowitz se basa en un modelo de media-varianza cuyo análisis permite construir y seleccionar carteras, basándose en el rendimiento esperado de las inversiones y en la predisposición del inversor al riesgo. Los inversores deben decidir sobre la base de un equilibrio entre el riesgo y la rentabilidad esperada. Este modelo de Markowitz sugiere que la composición óptima de un portfolio de valores se halla maximizando la rentabilidad para un determinado nivel de riesgo y minimizando el riesgo para una determinada rentabilidad esperada. Las diferentes carteras que maximizan la rentabilidad y minimizan el riesgo forman la frontera eficiente, es decir, son carteras eficientes para distintos niveles de riesgo. De estas distintas carteras que forman la frontera eficiente, la cartera óptima es aquella que maximiza el ratio de Sharpe, es decir, la que ofrece una mayor rentabilidad ajustada por el riesgo.

Según un estudio llevado a cabo por Benjamin Tobias Peylo, llamado “A Synthesis of Modern Portfolio Theory and Sustainable Investment”, hay tres posibilidades a la hora de integrar la ISR en la Teoría Moderna de Carteras:

12

C1 - Public Natixis

1) Primero seleccionar un conjunto adecuado de oportunidades de inversión utilizando criterios ISR y luego aplicar la optimización de carteras para encontrar portfolios eficientes en ese conjunto.

2) Aplicar primero la optimización de carteras y luego el grado de sostenibilidad de los portfolios (medido a través de los ratings ESG) podría ser usado como un criterio cualitativo para la selección del portfolio.

3) Añadir tercera dimensión a la optimización tradicional. Es decir, añadir un tercer objetivo a los originales (maximizar rentabilidad y minimizar riesgo).

En un documento elaborado por Tomasz Jedynak realiza una revisión de los estudios llevados a cabo sobre rendimiento y riesgo de las inversiones socialmente responsables. En esta revisión concluye que las estrategias de ISR se pueden dividir en tres grupos:

4) Hay estudios que demuestran que, en relación con los métodos clásicos de selección de activos, la utilización de estrategias de ISR conlleva a la obtención de mayores tasas de rendimiento o a un menor riesgo, o a ambos fenómenos al mismo tiempo.

5) Hay también estudios cuyos resultados demuestran que la utilización de estrategias ISR conduce a una caída del rendimiento de la cartera o a un aumento de su riesgo, o a ambos efectos al mismo tiempo.

6) Hay estudios, sin embargo, que indican que el uso de estrategias ISR no tiene ningún efecto sobre el rendimiento y el riesgo de la cartera de inversión.

Otro estudio realizado por Michael Branch, Lisa R. Goldberg y Pete Hand esboza seis tipos de optimización de carteras ESG o, mejor dicho, tres pares de optimización de carteras ESG:

1) El primer par consiste en la estrategia ESG que ellos consideran la más básica: exclusión ponderada por capitalización, es decir, omite los valores no deseados de un benchmark diversificado y luego pondera los valores restantes en proporción a sus capitalizaciones bursátiles. Esta estrategia encajaría con aquellos inversores “buscadores de alfa”, ya que estos creen que los valores excluidos tendrán un rendimiento inferior, o para aquellos inversores que simplemente por motivos éticos no quieren integrar ciertos valores poco éticos en sus carteras. En este estudio se demuestra que esta estrategia suele superar al benchmark cuando los valores excluidos obtienen rendimientos “malos”. Sin embargo, conlleva un tracking error excesivo, es decir, mayor volatilidad de los rendimientos de la cartera frente al índice de referencia, esto se debe a que el riesgo residual derivado de las exclusiones de valores no se controla ni se gestiona en ninguna parte del proceso de inversión.

2) El segundo par se basa en datos proporcionados por calificaciones ESG. Este tipo de construcción de carteras equilibra las prioridades contrapuestas de aumentar la calificación ESG de la cartera y disminuir el tracking error de la misma. Al igual que en el caso anterior, una cartera optimizada puede resultar atractiva tanto para los inversores que buscan el alfa y esperan obtener un rendimiento superior, como para los

13

C1 - Public Natixis

inversores con motivación social que desean alinear sus carteras con sus valores personales y éticos.

3) El tercer par es una combinación de los dos primeros, es decir, exclusión y utilización de calificaciones ESG.

5. OPTIMIZACIÓN DE CARTERAS

Como se ha mencionado al principio del presente Trabajo de Fin de Máster, el objetivo es llevar a cabo una comparativa entre una cartera que tenga un rating alto de ESG y otra que tenga un rating bajo de ESG, con el propósito de observar si es más rentable invertir en empresas que tienen ratings de ESG elevados y, de esta manera, demostrar la importancia que tiene el componente ESG en nuestra cartera.

Para ello, hemos cogido como input, por un lado, los datos de las empresas que conforman el Euro Stoxx 50 y, por otro lado, los ratings ESG de dichas empresas, que lo hemos obtenido como hemos mencionado en el capítulo 3, a través de la agencia de ratings ESG Arabesque. De entre las 50 empresas que conforman el Euro Stoxx 50, hemos optado por trabajar con 41 de las 50 empresas que conforman dicho índice puesto que para 9 de ellas, no disponíamos de datos ESG para todos los meses. Por ello, hemos trabajado con los datos de esas 41 empresas, las cuales se pueden apreciar en la tabla que señalamos a continuación, donde incluimos la etiqueta de cada una de las empresas para que se pueda entender las tablas que expondremos con posterioridad.

Tabla 4. Identificación de la muestra utilizada en el análisis

Nombre Ticker Adidas AG ADS Air Liquide SA AI Airbus SE AIR Allianz SE ALV Amadeus IT Group SA AMS Anheuser-Busch InBev SA/NV ABI ASML Holding NV ASML AXA SA CS BASF SE BAS Bayer AG BAYN Bayerische Motoren Werke AG BMW BNP Paribas SA BNP CRH PLC CRH Daimler AG DAI Danone SA BN Deutsche Post AG DPW

14

C1 - Public Natixis

Deutsche Telekom AG DTE Enel SpA ENEL Eni SpA ENI EssilorLuxottica SA EL Flutter Entertainment PLC FLTR Iberdrola SA IBE Industria de Diseno Textil SA ITX Infineon Technologies AG IFX ING Groep NV INGA Intesa Sanpaolo SpA ISP Kering SA KER Kone Oyj KNEBV Koninklijke Philips NV PHIA L'Oreal SA OR LVMH Moet Hennessy Louis Vuitton SE MC Munich Re MUV Pernod Ricard SA RI Safran SA SAF Sanofi SAN SAP SE SAP Schneider Electric SE SU Siemens AG SIE Vinci SA DG Volkswagen AG VOW Vonovia SE VNA

Fuente: Bloomberg

Una vez que conocemos cuales son los inputs sobre los que vamos a trabajar,

conviene señalar que se va a llevar a cabo dos ejercicios: El primer ejercicio va a consistir en realizar la mediana de los ratings ESG de las 41 empresas que conforman la muestra y realizar una comparación de la rentabilidad entre el 50% de empresas con mejor rating ESG y el 50% de empresas con peor rating ESG, con el objetivo de observar en qué cartera obtenemos una mayor rentabilidad. Para ello, hemos calculado la mediana de nuestra muestra, con el objetivo de coger el 50% de empresas que se sitúan por encima de la mediana y el 50% de empresas que se sitúan por debajo de la misma. La mediana que se utiliza para ver el 50% superior frente al 50% inferior, es la evolución de la media del rating ESG del conjunto de nuestra muestra.

El segundo ejercicio que vamos a llevar a cabo es coger las 5 empresas con mejor media de rating ESG y las 5 empresas con peor media de rating ESG, con el objetivo de volver a comparar cual de las dos carteras obtiene una mayor rentabilidad.

15

C1 - Public Natixis

Para realizar ambos ejercicios, hemos optado por llevar a cabo 3 estrategias en función de la ponderación que tiene cada activo dentro de la cartera, para cada uno de los dos ejercicios que vamos a realizar:

• Estrategia 1: Equidistribución, es decir, se va a ponderar dándole el mismo porcentaje a todos los activos (1/n).

• Estrategia 2: Capitalización, es decir, se va a ponderar utilizando el porcentaje que tiene cada activo en el índice del Euro Stoxx 50, los sumamos y los repartimos proporcionalmente entre los activos que conforman nuestras carteras. En otras palabras, se ponderará por capitalización.

• Estrategia 3: El empleo de Markowitz, esta estrategia es la que más problemas nos ha dado porque se ha tenido que reestimar la matriz de varianzas y covarianzas y la rentabilidad esperada. Sin embargo, se ha conseguido dar solución a este problema fijando el horizonte de actualización de datos.

5.1. PRESENTACIÓN DE RESULTADOS

A continuación, se procederá a mostrar los resultados obtenidos y hallados en el estudio de investigación con los datos obtenidos a través de los métodos mencionados anteriormente. Se irán analizando los resultados obtenidos a través del método seleccionado y mencionado en el punto previo. La puntuación utilizada por la agencia de rating Arabesque parte desde el 0 al 100, siendo cero el índice más bajo y cien el más alto.

En una primera instancia, se muestran las empresas del Euro Stoxx 50 que van a ser objeto de estudio. En la tabla referenciada “Tabla 4” se observa el primer estudio sobre las 41 empresas del Euro Stoxx 50 que han sido seleccionadas para el desarrollo del análisis. Como se ha mencionado en anterioridad, 9 de ellas han sido descartadas, pues la agencia calificadora no mostraba una consistencia en los datos ESG al no recoger el mismo muestreo que en el del resto de las empresas. Esto se debe a que, en los últimos años, estas empresas han ido incluyendo estos factores ESG, lo que ha provocado que vayan apareciendo en estas bases de datos formadas por las distintas agencias calificadoras.

En la “Tabla 5” se recoge un estudio realizado en el que se pretende mostrar los distintos parámetros estadísticos, como son la media, la volatilidad, los mínimos, los máximos y los cuartiles. Estos parámetros conforman la base de datos sobre los que se trabajará y se realizará el estudio del análisis de datos.

En la segunda columna, se recoge la media (bajo la etiqueta mean), la cual es obtenida a través de la puntuación que otorga la agencia de calificación Arabesque, donde califica numéricamente de menos a más basándose en el análisis cuantitativo y cualitativo sobre los componentes ESG para cada empresa. Tomando los datos de cada una de las empresas en los diferentes periodos, se obtiene la media de la puntuación otorgada por la agencia calificadora a lo largo del tiempo en el estudio realizado.

Esta media será uno de nuestros principales objetos de estudio pues, como se ha mencionado con anterioridad y se desarrollará más adelante, el estudio se divide en dos

16

C1 - Public Natixis

ejercicios: Por un lado, se analizará el 50% de empresas con mejor rating ESG situado por encima de la mediana y el 50% de empresas con peor rating ESG situado por debajo de la mediana y, por otro lado, se realizará un ejercicio en el que tendremos dos carteras, una con las 5 empresas con mejor rating ESG (supone el 10% mejor de la muestra) y otra cartera formada por las 5 empresas con peor rating ESG (supone el 10% peor de la muestra). Esto servirá para estudiar si las empresas con componentes y con factores más desarrollados y potentes en ESG son más rentables que aquellas que tengan una menor puntuación debido a su grado inferior en ESG.

También, se puede observar en la tabla aquellos momentos en que las empresas han tenido menor o mayor puntuación respecto a la consideración de factores ESG dentro de los planes estratégicos de las propias empresas. Se puede destacar la empresa de L’Oreal SA como una de las empresas que ha obtenido una mayor puntuación a lo largo de los diferentes períodos alcanzando un 73,37 y, por el contrario, se puede observar cómo la empresa Vonovia SE ha sido la empresa que ha obtenido la puntuación más baja a lo largo del período de tiempo estudiado.

Tabla 5. Parámetros estadísticos de la muestra

Variable Mean StdDesv Min Q1 Median Q3 Max ABI 49.331 2.713 46.280 47.085 48.450 52.205 54.700 ADS 66.697 4.450 58.590 63.210 67.705 70.808 73.110 AI 63.648 1.218 61.600 62.623 63.860 64.155 66.080 AIR 56.681 1.962 53.370 55.267 56.470 57.858 59.650 ALV 66.475 1.353 64.110 65.318 66.445 67.800 68.410 AMS 55.730 2.659 50.520 53.185 55.915 57.267 61.210 ASML 68.951 1.513 66.920 67.815 68.575 70.112 72.310 BAS 56.525 1.871 52.610 55.477 56.770 57.600 60.770 BAYN 46.717 3.783 38.840 43.850 47.355 49.797 52.960 BMW 50.030 2.867 46.400 47.358 49.810 51.480 56.520 BN 57.116 3.347 52.270 54.792 56.525 60.150 62.710 BNP 52.893 2.877 46.420 51.248 53.255 54.562 57.100 CRH 61.807 3.003 56.790 58.348 62.230 64.388 65.340 CS 56.503 2.227 52.150 55.555 57.190 57.882 59.490 DAI 47.870 1.944 43.880 46.360 47.845 48.400 52.230 DG 54.445 2.845 49.430 52.610 54.840 56.043 60.120 DPW 61.062 3.610 54.080 57.305 62.880 64.000 65.500 DTE 47.925 1.779 44.810 46.648 48.300 49.432 50.180 EL 55.505 5.129 47.750 50.858 58.120 58.860 62.760 ENEL 58.575 2.230 55.010 57.407 58.570 59.932 62.510

17

C1 - Public Natixis

ENI 59.636 2.633 54.440 58.210 59.275 61.925 63.760 FLTR 54.872 6.312 44.500 49.443 57.325 61.413 62.940 IBE 60.898 1.739 58.060 59.245 61.630 62.175 64.170 IFX 62.465 3.077 55.000 61.305 63.480 64.227 66.590 INGA 50.521 2.822 45.040 49.127 50.730 51.858 56.200 ISP 58.455 2.174 54.540 56.530 59.500 60.020 61.240 ITX 63.936 3.836 57.620 60.335 66.115 66.980 68.320 KER 67.261 5.611 56.070 64.772 68.790 71.718 72.560 KNEBV 67.887 2.108 65.300 66.873 67.400 68.963 72.510 MC 55.711 1.651 53.280 54.397 55.870 56.735 59.890 MUV 65.907 1.544 63.540 65.093 65.385 67.657 68.590 OR 69.645 1.554 66.330 68.640 69.745 70.393 73.370 PHIA 58.164 2.873 53.100 55.898 58.890 59.890 63.510 RI 59.501 1.776 56.920 57.733 59.335 61.580 62.160 SAF 53.248 3.192 47.070 50.825 52.785 56.100 57.410 SAN 51.874 2.838 47.450 49.545 52.075 52.892 57.960 SAP 56.086 1.990 52.680 55.098 55.800 57.275 60.410 SIE 52.687 1.264 50.590 52.098 52.370 53.230 56.990 SU 63.664 2.969 57.240 62.415 64.365 66.057 66.880 VNA 48.699 3.328 43.370 45.375 50.215 51.648 52.380 VOW 47.681 2.379 42.720 46.582 47.605 48.715 54.170

Fuente: Elaboración propia 5.1.1. Estrategias empleadas

A continuación, se presentan las tres tablas más importantes del estudio realizado que, como se ha mencionado anteriormente, cada una de ellas representa una estrategia diferente: Equidistribución, Capitalización y Markowitz. Además, en cada tabla se recogen cuatro carteras que han sido configurados de la siguiente manera:

• Dos carteras formadas por el 50% de empresas con una puntuación superior a la mediana y por el 50% de empresas con una puntuación inferior a la mediana. Se compararán ambas carteras, para ver cual de ellas obtiene una mayor rentabilidad.

• Dos carteras en las que se escoge, por un lado, el 10 % de aquellas empresas que obtienen una puntuación superior (5 empresas) y, por otro lado, el 10% de aquellas empresas que obtienen la puntuación menor (5 empresas), con el propósito de dar una visión más profunda, que permita ver el componente ESG más resaltado en el estudio del trabajo.

En cada tabla presentada además de encontrar las carteras divididas como se ha mencionado, se incluye un análisis de rebalanceo por cuatro periodos diferentes:

18

C1 - Public Natixis

mensuales, trimestrales, semestrales y anuales, en los cuales, las diferentes carteras serán analizadas una frente a otra en los periodos de tiempo seleccionados y darán a entender, cuáles de ellas, son más rentables según el grado de implicación del factor ESG a lo largo del tiempo en su rebalanceo.

5.1.1.1 Estrategia de Equidistribución

Tabla 6. Rentabilidad de las Carteras del Euro Stoxx 50 seleccionadas según ponderación por equidistribución

Rebalanceo 50% Superior

50% Inferior

10% Superior

10% Inferior

Mensual 31,63% 12,97% 45,13% 16,55% Trimestral 32,70% 11,84% 47,47% 10,85% Semestral 26,93% 17,91% 45,33% 12,42% Anual 30,33% 14,34% 49,86% 21,50%


Esta primera estrategia, como se ha comentado con anterioridad, está basada en la equidistribución de la ponderación de los activos que conforman las cuatro carteras. Los resultados obtenidos deben de entenderse para cada uno de los rebalanceos que hemos efectuado para cada una de las cuatro carteras.

Rebalanceo Mensual Empezando por el rebalanceo mensual, se puede apreciar las siguientes

conclusiones:

• Para el ejercicio en el que se realiza una comparativa entre la Cartera 1 formada por el 50% de empresas situadas por encima de la mediana ESG y la Cartera 2 compuesta por el 50% de empresas situadas por debajo de la misma (de ahora en adelante denominado “Ejercicio 1”), se puede observar cómo el 50% de empresas con mayor rating ESG obtienen una rentabilidad del 31,63% frente al 12,97% del 50% de empresas con peor rating. Esto supone que las empresas con un rating ESG superior a la mediana obtienen 18,66 puntos porcentuales más de rentabilidad que las que tienen una calificación por debajo de la mediana.

• Por otro lado, para el ejercicio en el que se compara la Cartera 3 formada por las 5 empresas con mejor rating ESG con la Cartera 4 formada por las 5 empresas que peor rating ESG han tenido (de ahora en adelante denominado “Ejercicio 2”), cabe decir que las empresas con mejor rating obtienen 28,58 puntos porcentuales más de rentabilidad que las 5 empresas con peor rating.

Por tanto, se puede observar que con un rebalanceo mensual en ambos ejercicios las carteras que están conformadas por empresas con mejor rating ESG son las

19

C1 - Public Natixis

que obtienen una mayor rentabilidad. Cabe destacar, la diferencia tan grande de rentabilidad que existe entre las 5 empresas con mejor y peor rating ESG.

Rebalanceo Trimestral Respecto al rebalanceo trimestral se puede apreciar las siguientes conclusiones:

• Para el Ejercicio 1, se observa cómo, al igual que para el rebalanceo mensual, la Cartera 1 obtiene una rentabilidad 20,86 puntos porcentuales superior a la Cartera 2. Además, la Cartera 1 obtiene una mayor rentabilidad que la obtenida en el rebalanceo mensual, ya que obtiene una rentabilidad del 32,70%, lo que supone un incremento del 3,38%. Por otro lado, la Cartera 2 ha sufrido una caída del 8,71% frente a la rentabilidad obtenida en el rebalanceo mensual.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 47,47% lo que supone un aumento de 36,62 puntos porcentuales frente a la rentabilidad de la Cartera 4. Además, cabe destacar una caída del 34,44% de rentabilidad de la Cartera 4 con respecto al rebalanceo mensual.

Por tanto, con un rebalanceo trimestral, las carteras que conforman las empresas con mejores ratings siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings. Sin embargo, cabe resaltar que las Carteras 2 y 4, que son las que están conformadas por empresas con peores ratings ESG, han obtenido peores rentabilidades que en el rebalanceo mensual.

Rebalanceo Semestral Respecto al rebalanceo semestral se puede apreciar las siguientes conclusiones:

• Para el Ejercicio 1, se observa cómo, al igual que para el rebalanceo mensual y trimestral, la Cartera 1 obtiene una rentabilidad 9,02 puntos porcentuales superior a la Cartera 2. Sin embargo, la Cartera 1 obtiene una menor rentabilidad que la obtenida tanto en el rebalanceo mensual como en el trimestral, ya que obtiene una rentabilidad del 26,93%, lo que supone una caída del 14,86%, respecto al rebalanceo mensual, y del 17,65%, respecto al rebalanceo trimestral. También cabe señalar que la diferencia entre la rentabilidad obtenida por la Cartera 1 (26,93%) y la Cartera 2 (17,91%) es la menor diferencia de puntos porcentuales de los cuatros rebalanceos que se han efectuado en este Ejercicio.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 45,33% lo que supone un aumento de 32,91 puntos porcentuales frente a la rentabilidad de la Cartera 4. Además, cabe destacar una caída del 4,51% de rentabilidad de la Cartera 3 con respecto al rebalanceo trimestral, permaneciendo prácticamente constante la rentabilidad obtenida frente al rebalanceo mensual. Por otro lado, la Cartera 4 obtiene un aumento del 14,47% de rentabilidad respecto al rebalanceo trimestral, aunque sufre una caída del 24,95% respecto al rebalanceo mensual.

Por tanto, con un rebalanceo trimestral, las carteras que conforman las empresas con mejores ratings siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings. Sin embargo, cabe resaltar que las Carteras 2 y 4, que son las que están conformadas por empresas con peores ratings ESG, han obtenido una mayor rentabilidad que en el rebalanceo trimestral.

20

C1 - Public Natixis

Rebalanceo Anual Respecto al rebalanceo anual se puede apreciar las siguientes conclusiones:

• Para el Ejercicio 1, se observa cómo, al igual que para los rebalanceos anteriores, la Cartera 1 obtiene una rentabilidad 15,99 puntos porcentuales superior a la Cartera 2. Sin embargo, la Cartera 1 obtiene una menor rentabilidad que la obtenida en el rebalanceo mensual, ya que obtiene una rentabilidad del 30,33%, lo que supone un descenso del 4,11%. Por otro lado, la Cartera 2 ha experimentado un incremento del 10,56% frente a la rentabilidad obtenida en el rebalanceo mensual y del 21,11% frente al trimestral, pero ha sufrido una notable caída del 19,93% frente al rebalanceo semestral.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 49,86% lo que supone un aumento de 28,36 puntos porcentuales frente a la rentabilidad de la Cartera 4. Además, resulta muy interesante destacar que la rentabilidad, tanto de la Cartera 3 como la Cartera 4, ha experimentado un incremento frente a cada uno de los rebalanceos anteriores, mensual, trimestral y semestral. Esto quiere decir, que la rentabilidad de ambas carteras tiene una clara tendencia al alza a medida que disminuye la frecuencia del rebalanceo.

Por tanto, con un rebalanceo anual, las carteras que conforman las empresas con mejores ratings se siguen comportando de igual manera que en los rebalanceos anteriores ya que siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings.

Conclusión de la Estrategia de Equidistribución La conclusión del análisis realizado aflora un resultado ideal heterogéneo, puesto

que para cada cartera es conveniente emplear un tipo de rebalanceo u otro, siendo los mejores resultados para cada cartera los siguientes:

• Cartera 1: La frecuencia de rebalanceo que maximiza la rentabilidad de esta cartera es la trimestral.

• Cartera 2: La frecuencia de rebalanceo que maximiza la rentabilidad de esta cartera es la semestral.

• Cartera 3: La frecuencia de rebalanceo que maximiza la rentabilidad de esta cartera es la anual.


Por último, mediante el empleo de esta estrategia, independientemente del rebalanceo empleado, se puede afirmar que el factor ESG es un input a tener en cuenta a la hora de buscar maximizar la rentabilidad. Además, el análisis realizado sobre estas carteras ha mostrado como la diferencia de volatilidad entre las carteras con alto valor ESG y las carteras con valor de ESG bajo es insignificante.

21

C1 - Public Natixis

5.1.1.2 Estrategia de Ponderación por Capitalización Tabla 7. Rentabilidad de las Carteras del Euro Stoxx 50 seleccionadas según ponderación

por capitalización


50% Inferior

10% Superior

10% Inferior

Mensual 47,33% 15,26% 67,80% 18,83% Trimestral 48,19% 13,94% 70,71% 12,61% Semestral 39,82% 23,68% 66,54% 13,65% Anual 42,76% 18,78% 71,44% 20,00%


Esta segunda estrategia, como se ha comentado en puntos anteriores, está basada en la ponderación de los activos en función del peso que tiene cada activo, que conforma la cartera, en el índice Euro Stoxx 50. Dado que la muestra con la que se está trabajando es de 41 empresas, se sumarán los pesos que tienen cada una de esas empresas en el índice y se procederá a calcular el peso ponderado de cada una de ellas en las carteras. Los resultados obtenidos deben de entenderse para cada uno de los rebalanceos que hemos efectuado para cada una de las cuatro carteras.


conclusiones:

• Para el Ejercicio 1, se puede observar cómo la Cartera 1 obtiene un 47,33% frente al 15,26% de la Cartera 2. Esto supone que las empresas que conforman la Cartera 1 obtienen 32,07 puntos porcentuales más de rentabilidad que las que componen la Cartera 2.

• Por otro lado, para el Ejercicio 2, cabe decir que las empresas con mejor rating obtienen 48,97 puntos porcentuales más de rentabilidad que las 5 empresas con peor rating. Obteniendo la Cartera 3 un 67,80% de rentabilidad frente a la Cartera 4 que sólo obtiene un 18,83%.

Por tanto, se puede observar que con un rebalanceo mensual en ambos ejercicios las carteras que están conformadas por empresas con mejor rating ESG son las que obtienen una mayor rentabilidad. Cabe destacar, la diferencia tan grande de rentabilidad que existe entre las 5 empresas con mejor y peor rating ESG.


• Para el Ejercicio 1, se observa cómo, al igual que para el rebalanceo mensual, la Cartera 1 obtiene una rentabilidad 34,25 puntos porcentuales superior a la Cartera 2. Además, la Cartera 2 ha sufrido una caída del 8,65% frente a la rentabilidad

22

C1 - Public Natixis

obtenida en el rebalanceo mensual. Por otro lado, la Cartera 1 ha experimentado un ligero incremento, apenas apreciable, frente a la rentabilidad obtenida en el rebalanceo mensual.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 70,71% lo que supone un aumento de 58,10 puntos porcentuales frente a la rentabilidad de la Cartera 4. Además, cabe destacar una caída del 33,03% de rentabilidad de la Cartera 4 con respecto al rebalanceo mensual.

Por tanto, con un rebalanceo trimestral, las carteras que conforman las empresas con mejores ratings siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings. Sin embargo, cabe resaltar que las Carteras 2 y 4, que son las que están conformadas por empresas con peores ratings ESG, han obtenido peores rentabilidades que en el rebalanceo mensual, especialmente la Cartera 4 que obtiene la mínima rentabilidad entre los distintos rebalanceos.


• Para el Ejercicio 1, se observa cómo, al igual que para el rebalanceo mensual y trimestral, la Cartera 1 obtiene una rentabilidad 16,14 puntos porcentuales superior a la Cartera 2. Sin embargo, la Cartera 1 obtiene una considerable menor rentabilidad que la obtenida tanto en el rebalanceo mensual como en el trimestral, ya que obtiene una rentabilidad del 39,82%, lo que supone una caída del 15,87%, respecto al rebalanceo mensual, y del 17,37%, respecto al rebalanceo trimestral. También cabe señalar que la diferencia entre la rentabilidad obtenida por la Cartera 1 (39,82%) y la Cartera 2 (23,68%) es la menor diferencia de puntos porcentuales de los cuatros rebalanceos que se han efectuado en este Ejercicio.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 66,54% lo que supone un aumento de 52,89 puntos porcentuales frente a la rentabilidad de la Cartera 4. Además, cabe destacar una caída del 5,90% de rentabilidad de la Cartera 3 con respecto al rebalanceo trimestral, sufriendo también una caída poco considerable frente al rebalanceo mensual. Por otro lado, la Cartera 4 sufre una caída del 27,51% respecto al rebalanceo mensual.

Por tanto, con un rebalanceo semestral, las carteras que conforman las empresas con mejores ratings siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings. Además, conviene destacar que la Cartera 2 es la única que ha mejorado su rentabilidad en este rebalanceo respecto a los dos anteriores.


• Para el Ejercicio 1, se observa cómo, al igual que para los rebalanceos anteriores, la Cartera 1 obtiene una rentabilidad 23,98 puntos porcentuales superior a la Cartera 2. Sin embargo, la Cartera 1 obtiene una menor rentabilidad que la obtenida en el rebalanceo mensual, ya que obtiene una rentabilidad del 42,76%, lo que supone un descenso del 9,66%. Lo mismo ocurre con respecto al rebalanceo trimestral, cuya caída alcanza un 11,27%. Por otro lado, la Cartera 2 ha experimentado un incremento del

23

C1 - Public Natixis

23,07% frente a la rentabilidad obtenida en el rebalanceo mensual y del 34,72% frente al trimestral, pero ha sufrido una notable caída del 20,98% frente al rebalanceo semestral.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 71,44% lo que supone un aumento de 51,44 puntos porcentuales frente a la rentabilidad de la Cartera 4. Además, resulta muy interesante destacar que la rentabilidad de la Cartera 4 ha experimentado un incremento notable frente a los rebalanceos trimestral y semestral. Esto quiere decir, que la rentabilidad de ambas carteras tiene una clara tendencia al alza a medida que disminuye la frecuencia del rebalanceo.

Por tanto, con un rebalanceo anual, las carteras que conforman las empresas con mejores ratings se siguen comportando de igual manera que en los rebalanceos anteriores ya que siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings.

Conclusión de la Estrategia de Capitalización La conclusión del análisis realizado para esta estrategia presenta un resultado

idéntico al que resultó en la estrategia de capitalización, siendo los resultados obtenidos los siguientes:





Por tanto, al igual que en la estrategia anterior, independientemente del rebalanceo empleado, se puede afirmar que el factor ESG es un input a tener en cuenta a la hora de buscar maximizar la rentabilidad. Además, el análisis realizado sobre estas carteras ha mostrado como la diferencia de volatilidad entre las carteras con alto valor ESG y las carteras con valor de ESG bajo es insignificante.

24

C1 - Public Natixis

5.1.1.3 Estrategia de Ponderación según Markowitz

Tabla 8. Rentabilidad de las Carteras del Euro Stoxx 50 seleccionadas según ponderación por Markowitz


50% Inferior

10% Superior

10% Inferior

Mensual 36,86% 17,93% 44,89% 26,11% Trimestral 37,41% 16,80% 46,67% -1,21% Semestral 31,77% 23,60% 44,18% 19,88% Anual 35,28% 18,78% 47,43% 44,10%


Entre las tres estrategias que se han ido aplicando, empleando y desarrollando en este trabajo, la que más problemas ha llevado y ha supuesto en el desarrollo analítico de datos, ha sido la de Markowitz. Esto se debe a la constante actualización de datos que han sido realizados en esta estrategia, lo que conllevaba llevar a cabo una reestimación de la matriz de covarianzas y de la rentabilidad esperada diariamente. Por ello, para dar solución a este problema que se nos había planteado, se ha optado por fijar el horizonte temporal a los últimos 24 meses, sin llevar a cabo ninguna actualización por cada día que ha pasado desde su elaboración.

Una vez fijado el horizonte temporal y con los datos correspondientes se ha calculado la matriz de covarianza y la rentabilidad esperada y, gracias a ello, se han obtenido los siguientes resultados que deben de entenderse para cada uno de los rebalanceos que hemos efectuado para cada una de las cuatro carteras.


conclusiones:

• Para el Ejercicio 1, se puede observar cómo la Cartera 1 obtiene un 36,86% frente al 17,93% de la Cartera 2. Esto supone que las empresas que conforman la Cartera 1 obtienen 18,93 puntos porcentuales más de rentabilidad que las que componen la Cartera 2.

• Por otro lado, para el Ejercicio 2, cabe decir que las empresas con mejor rating obtienen 18,78 puntos porcentuales más de rentabilidad que las 5 empresas con peor rating. Obteniendo la Cartera 3 un 44,89% de rentabilidad frente a la Cartera 4 que sólo obtiene un 26,11%.

Por tanto, se puede observar que con un rebalanceo mensual en ambos ejercicios las carteras que están conformadas por empresas con mejor rating ESG son las que obtienen una mayor rentabilidad.


25

C1 - Public Natixis

• Para el Ejercicio 1, se observa cómo, al igual que para el rebalanceo mensual, la Cartera 1 obtiene una rentabilidad 20,61 puntos porcentuales superior a la Cartera 2. Además, la Cartera 2 ha sufrido una caída del 6,30% frente a la rentabilidad obtenida en el rebalanceo mensual. Por otro lado, la Cartera 1 ha experimentado un ligero incremento, apenas apreciable, frente a la rentabilidad obtenida en el rebalanceo mensual.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 44,89% lo que supone un aumento de 47,88 puntos porcentuales frente a la rentabilidad de la Cartera 4, siendo esta la mayor diferencia de rentabilidades de los cuatro rebalanceos. También resalta el hecho de que la Cartera 4 haya obtenido una rentabilidad negativa de - 1,21%. Además, cabe destacar una caída del 104,63% de rentabilidad de esta cartera con respecto al rebalanceo mensual.

Por tanto, con un rebalanceo trimestral, las carteras que conforman las empresas con mejores ratings siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings. Sin embargo, cabe resaltar que la Cartera 4 obtiene una rentabilidad negativa en este rebalanceo, dato que es destacable, puesto que hasta ahora no se había obtenido ninguna rentabilidad negativa como resultado. Esta rentabilidad negativa obtenida por la Cartera 4, refuerza la importancia que tiene el factor ESG a la hora de maximizar la rentabilidad, puesto que las carteras 1 y 3, que están conformadas por empresas con altos ratings ESG, siguen obteniendo grandes rentabilidades.


• Para el Ejercicio 1, se observa cómo, al igual que para el rebalanceo mensual y trimestral, la Cartera 1 obtiene una rentabilidad 8,17 puntos porcentuales superior a la Cartera 2. Sin embargo, la Cartera 1 obtiene una considerable menor rentabilidad que la obtenida tanto en el rebalanceo mensual como en el trimestral, ya que obtiene una rentabilidad del 31,77%, lo que supone una caída del 13,81%, respecto al rebalanceo mensual, y del 15,08%, respecto al rebalanceo trimestral. También cabe señalar que la diferencia entre la rentabilidad obtenida por la Cartera 1 (31,77%) y la Cartera 2 (23,60%) es la menor diferencia de puntos porcentuales de los cuatros rebalanceos que se han efectuado en este Ejercicio.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 44,18% lo que supone un aumento de 24,30 puntos porcentuales frente a la rentabilidad de la Cartera 4. Además, cabe destacar el impresionante aumento del 1.742,98% de rentabilidad de la Cartera 4 con respecto al rebalanceo trimestral, que viene provocado por la obtención de una rentabilidad negativa.

Por tanto, con un rebalanceo semestral, las carteras que conforman las empresas con mejores ratings siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings. Además, conviene destacar que la Cartera 2 es la única que ha mejorado su rentabilidad en este rebalanceo respecto a los dos anteriores. Por último, señalar también la recuperación de la rentabilidad de la Cartera 4 en este rebalanceo, pero sin alcanzar a la previa rentabilidad positiva obtenida en el rebalanceo mensual.

26

C1 - Public Natixis


• Para el Ejercicio 1, se observa cómo, al igual que para los rebalanceos anteriores, la Cartera 1 obtiene una rentabilidad 16,50 puntos porcentuales superior a la Cartera 2. Sin embargo, la Cartera 1 obtiene una menor rentabilidad que la obtenida, tanto en el rebalanceo mensual como en el trimestral, ya que obtiene una rentabilidad del 35,28%, lo que supone un descenso del 4,29% frente al rebalanceo mensual y un descenso del 5,69% frente al trimestral. Por otro lado, la Cartera 2 ha experimentado un incremento del 11,79% frente a la rentabilidad obtenida en el rebalanceo trimestral, pero ha sufrido una notable caída del 20,42% frente al rebalanceo semestral.

• Para el Ejercicio 2, se observa como la Cartera 3 obtiene una rentabilidad del 47,43% lo que supone un aumento de sólo 3,33 puntos porcentuales frente a la rentabilidad de la Cartera 4, siendo, por tanto, la menor diferencia de rentabilidad de los cuatro rebalanceos. Además, resulta muy interesante destacar que la rentabilidad de la Cartera 4 ha experimentado un incremento notable frente al rebalanceo semestral, este es de un 121,83%.

Por tanto, con un rebalanceo anual, las carteras que conforman las empresas con mejores ratings se siguen comportando de igual manera que en los rebalanceos anteriores ya que siguen obteniendo mayor rentabilidad que las carteras que están compuestas por empresas con peores ratings. Además, el análisis realizado sobre estas carteras ha mostrado como la diferencia de volatilidad entre las carteras con alto valor ESG y las carteras con valor de ESG bajo es insignificante.

Conclusión de la Estrategia de Markowitz La conclusión del análisis realizado para esta estrategia presenta un resultado

idéntico al que resultó en las estrategias anteriores, siendo los resultados obtenidos los siguientes:





Por tanto, al igual que en las estrategias anteriores, independientemente del rebalanceo empleado, se puede afirmar que el factor ESG es un input a tener en cuenta a la hora de buscar maximizar la rentabilidad.

27

C1 - Public Natixis

6. CONCLUSIONES A lo largo del trabajo se ha puesto de manifiesto la relevancia que tiene la

Inversión Socialmente Responsable o ESG en la actualidad y la relevancia que adquirirá en el futuro, puesto que se están creando ratios ESG que deberán de cumplir las empresas, además de que se exigirá tener certificados ESG en un futuro para poder invertir en carteras de este tipo. Por ello, se ha llevado a cabo este trabajo, para comprobar si la importancia de las inversiones ESG es un concepto teórico o, si en realidad, tenían sus efectos en la práctica.

El objetivo del desarrollo del presente Trabajo de Fin de Máster era comparar el comportamiento que tenían cuatro carteras, dos de ellas compuestas por empresas con altos ratings ESG (Cartera 1 y 3) y las otras dos compuestas por empresas con bajos ratings ESG (Carteras 2 y 4). La expectativa al realizar dicha comparativa era demostrar que invertir en empresas con altos ratings ESG iba a generar una mayor rentabilidad. Los datos obtenidos en las tres estrategias que se han llevado a cabo así lo reflejan, puesto que en el Ejercicio 1 la rentabilidad media obtenida en las tres estrategias por las empresas con altos ratings ESG llegaba a ser hasta 19,6 puntos porcentuales superior a la de las empresas con bajos ratings ESG. En el caso del Ejercicio 2, la diferencia porcentual es de 36,01 puntos.

Como resultado de este análisis efectuado, se ha observado que, con independencia de la estrategia utilizada, para la Cartera 1 el rebalanceo que maximiza la rentabilidad es el trimestral, para la Cartera 2 es el semestral y para las Carteras 3 y 4 es el rebalanceo anual.

En cuanto a la estrategia más conveniente para cada una de las carteras, cabe señalar que, para las Carteras 1 y 3 la estrategia que proporciona una mayor media de rentabilidad es la de ponderación por capitalización. Por el contrario, para las Carteras 2 y 4, la estrategia más conveniente es la de Markowitz.

La importancia de la obtención de estos resultados radica en que la Inversión Socialmente Responsable o ESG, no sólo es un concepto teórico que las empresas deben tener en cuenta para mejorar la imagen de la misma, sino que influye en la rentabilidad que aportan dichas empresas a una cartera ESG.

Por último, señalar que a la hora de elaborar y de optimizar una cartera debemos tener como uno de los objetivos que aplicamos al elaborar la misma, maximizar el rating ESG, para tener en nuestra cartera únicamente empresas con altos ratings, ya que esto nos llevará a generar una mayor rentabilidad, a la vez, que disminuimos algunos riesgos, como puede ser el caso del riesgo operacional de la empresa.

28

C1 - Public Natixis

7. APÉNDICES

7.1. TABLAS EXTRAS

Tabla 9. Identificación de las 50 empresas del Euro Stoxx 50

Name Ticker Adidas AG ADS Adyen NV ADYEN Air Liquide SA AI Airbus SE AIR Allianz SE ALV Amadeus IT Group SA AMS Anheuser-Busch InBev SA/NV ABI ASML Holding NV ASML AXA SA CS Banco Santander SA SANT BASF SE BAS Bayer AG BAYN Bayerische Motoren Werke AG BMW BNP Paribas SA BNP CRH PLC CRH Daimler AG DAI Danone SA BN Deutsche Boerse AG DB Deutsche Post AG DPW Deutsche Telekom AG DTE Enel SpA ENEL Engie SA ENGI Eni SpA ENI EssilorLuxottica SA EL Flutter Entertainment PLC FLTR Iberdrola SA IBE Industria de Diseno Textil SA ITX Infineon Technologies AG IFX ING Groep NV INGA Intesa Sanpaolo SpA ISP Kering SA KER Kone Oyj KNEBV

29

C1 - Public Natixis

Koninklijke Ahold Delhaize NV AD Koninklijke Philips NV PHIA L'Oreal SA OR Linde PLC LIN LVMH Moet Hennessy Louis Vuitton SE MC Munich Re MUV Pernod Ricard SA RI Prosus NV PRX Safran SA SAF Sanofi SAN SAP SE SAP Schneider Electric SE SU Siemens AG SIE TotalEnergies SE TTE Vinci SA DG Vivendi SE VIV Volkswagen AG VOW Vonovia SE VNA

Fuente: Bloomberg

Tabla 10. Identificación de las 50 empresas del Euro Stoxx 50

Variable Mean StdDesv Min Q1 Median Q3 Max ABI 49.331 2.713 46.280 47.085 48.450 52.205 54.700 AD 54.999 0.611 54.480 54.680 54.720 54.890 56.220 ADS 66.697 4.450 58.590 63.210 67.705 70.808 73.110 ADYEN 53.686 2.972 46.360 53.065 54.010 55.120 57.520 AI 63.648 1.218 61.600 62.623 63.860 64.155 66.080 AIR 56.681 1.962 53.370 55.267 56.470 57.858 59.650 ALV 66.475 1.353 64.110 65.318 66.445 67.800 68.410 AMS 55.730 2.659 50.520 53.185 55.915 57.267 61.210 ASML 68.951 1.513 66.920 67.815 68.575 70.112 72.310 BAS 56.525 1.871 52.610 55.477 56.770 57.600 60.770 BAYN 46.717 3.783 38.840 43.850 47.355 49.797 52.960 BMW 50.030 2.867 46.400 47.358 49.810 51.480 56.520 BN 57.116 3.347 52.270 54.792 56.525 60.150 62.710 BNP 52.893 2.877 46.420 51.248 53.255 54.562 57.100 CRH 61.807 3.003 56.790 58.348 62.230 64.388 65.340

30

C1 - Public Natixis

CS 56.503 2.227 52.150 55.555 57.190 57.882 59.490 DAI 47.870 1.944 43.880 46.360 47.845 48.400 52.230 DB 56.629 1.378 53.270 55.645 56.925 57.622 58.830 DG 54.445 2.845 49.430 52.610 54.840 56.043 60.120 DPW 61.062 3.610 54.080 57.305 62.880 64.000 65.500 DTE 47.925 1.779 44.810 46.648 48.300 49.432 50.180 EL 55.505 5.129 47.750 50.858 58.120 58.860 62.760 ENEL 58.575 2.230 55.010 57.407 58.570 59.932 62.510 ENGI 59.959 2.706 56.590 57.230 59.520 63.030 63.980 ENI 59.636 2.633 54.440 58.210 59.275 61.925 63.760 FLTR 54.872 6.312 44.500 49.443 57.325 61.413 62.940 IBE 60.898 1.739 58.060 59.245 61.630 62.175 64.170 IFX 62.465 3.077 55.000 61.305 63.480 64.227 66.590 INGA 50.521 2.822 45.040 49.127 50.730 51.858 56.200 ISP 58.455 2.174 54.540 56.530 59.500 60.020 61.240 ITX 63.936 3.836 57.620 60.335 66.115 66.980 68.320 KER 67.261 5.611 56.070 64.772 68.790 71.718 72.560 KNEBV 67.887 2.108 65.300 66.873 67.400 68.963 72.510 LIN 68.095 0.460 67.770 67.933 68.095 68.257 68.420 MC 55.711 1.651 53.280 54.397 55.870 56.735 59.890 MUV 65.907 1.544 63.540 65.093 65.385 67.657 68.590 OR 69.645 1.554 66.330 68.640 69.745 70.393 73.370 PHIA 58.164 2.873 53.100 55.898 58.890 59.890 63.510 PRX 51.423 2.740 48.260 50.615 52.970 53.005 53.040 RI 59.501 1.776 56.920 57.733 59.335 61.580 62.160 SAF 53.248 3.192 47.070 50.825 52.785 56.100 57.410 SAN 51874 2838 47450 49545 52075 52892 57960 SANT 49738 3142 41260 48920 49710 51600 53540 SAP 56086 1990 52680 55098 55800 57275 60410 SIE 52687 1264 50590 52098 52370 53230 56990 SU 63664 2969 57240 62415 64365 66057 66880 TTE 57781 0.686 56630 57280 57920 58305 58630 VIV 55082 0.548 54360 54720 55120 55570 55640 VNA 48699 3328 43370 45375 50215 51648 52380 VOW 47681 2379 42720 46582 47605 48715 54170


31

C1 - Public Natixis

Tabla 11. Análisis de rentabilidades de las Estrategia de Equidistribución Equidistribución Cartera 1 Cartera 2 Cartera 3 Cartera 4 Mensual 31,63% 12,97% 45,13% 16,55% Trimestral 32,70% 11,84% 47,47% 10,85% Semestral 26,93% 17,91% 45,33% 12,42% Anual 30,33% 14,34% 49,86% 21,50% Media 30,40% 14,27% 46,95% 15,33%

Rebalanceo Mensual Diferencia porcentual 18,66 28,58 Rebalanceo Trimestral Incremento Trimestral - Mensual 3,38% -8,71% 5,19% -34,44% Diferencia porcentual 20,86 36,62 Rebalanceo Semestral Incremento Semestral - Mensual -14,86% 38,09% 0,44% -24,95% Incremento Semestral - Trimestral -17,65% 51,27% -4,51% 14,47% Diferencia porcentual 9,02 32,91 Rebalanceo Anual Incremento Anual - Mensual -4,11% 10,56% 10,48% 29,91% Incremento Anual - Trimestral -7,25% 21,11% 5,03% 98,16% Incremento Anual - Semestral 12,63% -19,93% 9,99% 73,11% Diferencia porcentual 15,99 28,36


32

C1 - Public Natixis

Tabla 12. Análisis de rentabilidades de las Estrategia de Capitalización Capitalización Cartera 1 Cartera 2 Cartera 3 Cartera 4 Mensual 47,33% 15,26% 67,80% 18,83% Trimestral 48,19% 13,94% 70,71% 12,61% Semestral 39,82% 23,68% 66,54% 13,65% Anual 42,76% 18,78% 71,44% 20,00% Media 44,53% 17,92% 69,12% 16,27%

Rebalanceo Mensual Diferencia porcentual 32,07 48,97 Rebalanceo Trimestral Incremento Trimestral - Mensual 1,82% -8,65% 4,29% -33,03% Diferencia porcentual 34,25 58,1 Rebalanceo Semestral Incremento Semestral - Mensual -15,87% 55,18% -1,86% -27,51% Incremento Semestral - Trimestral -17,37% 69,87% -5,90% 8,25% Diferencia porcentual 16,14 52,89 Rebalanceo Anual Incremento Anual - Mensual -9,66% 23,07% 5,37% 6,21% Incremento Anual - Trimestral -11,27% 34,72% 1,03% 58,60% Incremento Anual - Semestral 7,38% -20,69% 7,36% 46,52% Diferencia porcentual 23,98 51,44


Tabla 13. Análisis de rentabilidades de las Estrategia de Markowitz Markowitz Cartera 1 Cartera 2 Cartera 3 Cartera 4 Mensual 36,86% 17,93% 44,89% 26,11% Trimestral 37,41% 16,80% 46,67% -1,21% Semestral 31,77% 23,60% 44,18% 19,88% Anual 35,28% 18,78% 47,43% 44,10% 35,33% 19,28% 45,79% 22,22%

33

C1 - Public Natixis

Rebalanceo Mensual Diferencia porcentual 18,93 18,78 Rebalanceo Trimestral Incremento Trimestral - Mensual 1,49% -6,30% 3,97% -104,63% Diferencia porcentual 20,61 47,88 Rebalanceo Semestral Incremento Semestral - Mensual -13,81% 31,62% -1,58% -23,86% Incremento Semestral - Trimestral -15,08% 40,48% -5,34% -1742,98% Diferencia porcentual 8,17 24,3 Rebalanceo Anual Incremento Anual - Mensual -4,29% 4,74% 5,66% 68,90% Incremento Anual - Trimestral -5,69% 11,79% 1,63% -3744,63% Incremento Anual - Semestral 11,05% -20,42% 7,36% 121,83% Diferencia porcentual 16,5 3,33


Tabla 14. Análisis resumen de rentabilidades del Ejercicio 1

Ejercicio 1 Rebalanceo Cartera 1 Cartera 2 Estrategia Mensual 31,63% 12,97%

Equidistribución Trimestral 32,70% 11,84% Semestral 26,93% 17,91% Anual 30,33% 14,34% Mensual 47,33% 15,26%

Capitalización Trimestral 48,19% 13,94% Semestral 39,82% 23,68% Anual 42,76% 18,78% Mensual 36,86% 17,93%

Markowitz Trimestral 37,41% 16,80% Semestral 31,77% 23,60% Anual 35,28% 18,78% Media 36,75% 17,15% 19,60%


34

C1 - Public Natixis

Tabla 15. Análisis resumen de rentabilidades del Ejercicio 2

Ejercicio 2 Rebalanceo Cartera 3 Cartera 4 Estrategia Mensual 45,13% 16,55%

Equidistribución Trimestral 47,47% 10,85% Semestral 45,33% 12,42% Anual 49,86% 21,50% Mensual 67,80% 18,83%

Capitalización Trimestral 70,71% 12,61% Semestral 66,54% 13,65% Anual 71,44% 20,00% Mensual 44,89% 26,11%

Markowitz Trimestral 46,67% -1,21% Semestral 44,18% 19,88% Anual 47,43% 44,10% Media 53,95% 17,94% 36,01%


7.2. SCRIPTS DE R

Script 1. Tratamiento de datos

01_ReadData.R

# 01 Read Data from excel and save as rdata

# libraries ====

library(tidyverse)

library(here)

# Read data ====

here()

e50 <- readxl::read_xlsx(here("data","DatosEurostoxx50.xlsx"))

#e50_names <- readxl::read_xlsx(here("data","DatosEurostoxx50.xlsx"),sheet="Euro")

35

C1 - Public Natixis

e50_names <- readxl::read_xlsx(here("data","Arabesque Scores.xlsx"),sheet="Name")

arabesque <- readxl::read_xlsx(here("data","Arabesque Scores.xlsx"))

# Joint Data ====

c_names <- colnames(e50)

c_names <- gsub("([A-Za-z]+).*", "\\1", c_names)

colnames(e50) <- c_names

esg <- data.frame(

arabesque$àdidas AG`,

arabesque$Àdyen NV`,

arabesque$Àir Liquide SA`,

arabesque$Àirbus SE`,

arabesque$Àllianz SE`,

arabesque$Àmadeus IT Group SA Class A`,

arabesque$Ànheuser-Busch InBev SA/NV`,

arabesque$ÀSML Holding NV`,

arabesque$ÀXA SA`,

arabesque$`Banco Santander S.A.`,

arabesque$`BASF SE`,

arabesque$`Bayer AG`,

arabesque$`Bayerische Motoren Werke AG`,

arabesque$`BNP Paribas SA Class A`,

arabesque$`CRH Plc`,

arabesque$`Daimler AG`,

arabesque$`Danone SA`,

arabesque$`Deutsche Boerse AG`,

arabesque$`Deutsche Post AG`,

arabesque$`Deutsche Telekom AG`,

arabesque$Ènel SpA`,

arabesque$ÈNGIE SA`,

36

C1 - Public Natixis

arabesque$Èni S.p.A.`,

arabesque$ÈssilorLuxottica SA`,

arabesque$`Flutter Entertainment Plc`,

arabesque$Ìberdrola SA`,

arabesque$Ìndustria de Diseno Textil, S.A.`,

arabesque$Ìnfineon Technologies AG`,

arabesque$ÌNG Groep NV`,

arabesque$Ìntesa Sanpaolo S.p.A.`,

arabesque$`Kering SA`,

arabesque$`Kone Oyj Class B`,

arabesque$`Koninklijke Ahold Delhaize N.V.`,

arabesque$`Koninklijke Philips N.V.`,

arabesque$`L'Oreal SA`,

arabesque$`Linde AG`,

arabesque$`LVMH Moet Hennessy Louis Vuitton SE`,

arabesque$`Munich Reinsurance Company`,

arabesque$`Pernod Ricard SA`,

arabesque$`Prosus N.V. Class N`,

arabesque$`Safran S.A.`,

arabesque$Sanofi,

arabesque$`SAP SE`,

arabesque$`Schneider Electric SE`,

arabesque$`Siemens AG`,

arabesque$`Total SE`,

arabesque$`VINCI SA`,

arabesque$`Vivendi SE`,

arabesque$`Volkswagen AG Pref`,

arabesque$`Vonovia SE`)

df_esg <- esg %>% mutate_if(is.character,as.numeric)

colnames(df_esg) <- e50_names$Name

df_esg <- cbind(arabesque$Fecha,df_esg)

colnames(df_esg)[1] <- "Fecha"

37

C1 - Public Natixis

e50_sort <- e50 %>% select(sort(current_vars()))

df_esg <- df_esg %>% select(sort(current_vars()))

# Save data ====

save(df_esg,file="./data/esg.RData")

save(e50,file="./data/e50.RData")

save(e50_names,file="./data/names.RData")

# remove na companies =====

df_esg_ok <- df_esg %>% select_if(~ !any(is.na(.)))

e50_ok <- e50 %>% select(colnames(df_esg_ok))

save(df_esg_ok,file="./data/esg_ok.RData")

save(e50_ok,file="./data/e50_ok.RData")

Script 2. Análisis descriptivo de los datos

02_FeaturingEng.R

# 02 Featuring Enginering

# libraries ====

library(tidyverse)

library(xts)

library(here)

library(skimr)

library(modelsummary)

library(flextable)

# Read data ====

here()

load(file="./data/esg.RData")

load(file="./data/e50.RData")

load(file="./data/names.RData")

38

C1 - Public Natixis

load(file="./data/esg_ok.RData")

load(file="./data/e50_ok.RData")

# Descriptive Analysis ====

skim(e50)

skim(df_esg)

# Generate paper output ======

# Descriptive ESG index by company

df_esg %>%skim() %>%

focus( numeric.mean,numeric.sd, numeric.p0,numeric.p25,numeric.p50,numeric.p75,numeric.p100) %>%

yank("numeric") %>%

flextable() %>%

set_header_labels(mean="Mean", p0="Min",

sd="StdDesv",

p100="Max",p50="Median",

p25="Q1",p75="Q3",

skim_variable="Variable") %>%

colformat_num(digits = 3) %>%

save_as_docx(path = here::here("output","out_02_01.docx"))

# Descriptive ESG index by company with remove na companies

df_esg_ok %>%skim() %>%

focus( numeric.mean,numeric.sd, numeric.p0,numeric.p25,numeric.p50,numeric.p75,numeric.p100) %>%

yank("numeric") %>%

flextable() %>%

set_header_labels(mean="Mean", p0="Min",

sd="StdDesv",

39

C1 - Public Natixis

p100="Max",p50="Median",

p25="Q1",p75="Q3",

skim_variable="Variable") %>%

colformat_num(digits = 3) %>%

save_as_docx(path = here::here("output","out_02_02.docx"))

# ESG mean by month (evolution) Table

esg_mean <- df_esg_ok%>% select(-Fecha) %>%

#rowwise() %>%

mutate(MonthlyMean=rowMeans(select(.,everything()))) %>%

select(MonthlyMean)

esg_mean <- cbind(zoo::as.yearmon(df_esg$Fecha),esg_mean)

colnames(esg_mean) <- c("Month","Mean")

esg_mean <- esg_mean %>% arrange(Month)

esg_mean %>% flextable() %>%

colformat_num(digits = 4, j=2) %>%

autofit()%>%

save_as_docx( path = here::here("output","out_02_03.docx"))

# table companies

colnames(e50_names) <- c("Tic","Name","Ticker")

e50_names[,2:3] %>% flextable() %>%

autofit()%>%


# table companies OK

e50_names[,2:3] %>% filter(Ticker %in% colnames(select(df_esg_ok, -one_of("Fecha")))) %>% flextable() %>%

40

C1 - Public Natixis

autofit()%>%


# ESG mean by month (evolution) graph

ggplot(esg_mean) +

geom_line(aes(x=Month,y=Mean))

Script 3. Selección de activos

03_AssetSelection.R

# 03 AssetSelection

# libraries ====

library(tidyverse)

library(xts)

library(here)

library(skimr)


library(flextable)

# Read data ====

here()




# balance horizon: monthly, quarterly, semi-annual and year

# Portfolio: 1/n, weights and markovitz

# Stocks: Median and 5 to 5


41

C1 - Public Natixis

esg_mediana=df_esg_ok %>% select(-Fecha) %>%

#rowwise() %>%

mutate(Mediana = apply(. , 1, median) ) %>%

select(Mediana)

select_median <-as.data.frame(sapply(df_esg_ok %>% select(-Fecha), function(x){ x >= esg_mediana}))

# Stocks: 5 to 5

esg_rank=df_esg_ok %>%

select(-Fecha) %>%

apply(. , 1, rank) %>%

t() %>%

as.data.frame()

select_5down <-(esg_rank <=5)%>%

as.data.frame()

select_5up <-(esg_rank >35)%>%

as.data.frame()

# save selection

save(select_median,file="./data/select_median.RData")

save(select_5down,file="./data/select_5down.RData")

save(select_5up,file="./data/select_5up.RData")

Script 4. Cálculo de rentabilidades

04_Return.R

# 04 Return

# libraries ====

library(tidyverse)

library(xts)

library(here)

library(skimr)


42

C1 - Public Natixis

library(flextable)

library(quantmod)

library(PerformanceAnalytics)

# Read data ====

here()




# create monthly return

xData <- xts(e50_ok %>% select(-Fecha),order.by = e50_ok$Fecha)

monthly_return <- monthlyReturn(xData)

prices_monthly <- to.monthly(xData, indexAt = "last", OHLC = FALSE)

monthly_return <- na.omit(Return.calculate(prices_monthly, method = "log")) %>%

.["2019-03-01/2021-02-28"]%>%

as.data.frame()

# create quarterly returns

quartely_return= cbind(

colSums(monthly_return[1:3,]),







colSums(monthly_return[22:24,])) %>% t() %>% as.data.frame()

43

C1 - Public Natixis

# create semi-annual returns

semiannual_return= cbind(





# create Yearly returns

yearly_return= cbind(



# save data

save(monthly_return,file="./data/month.RData")

save(quartely_return,file="./data/quarterly.RData")

save(semiannual_return,file="./data/semi.RData")

save(yearly_return,file="./data/yearly.RData")

Script 5. Estrategia de ponderación por equidistribución

05_EquiPortfolio.R

# 05 Portfolio: 1/n



# libraries ====

library(tidyverse)

library(xts)

library(here)

44

C1 - Public Natixis

library(skimr)


library(flextable)

library(quantmod)


# Read data ====

here()

load(file="./data/month.RData")

load(file="./data/quarterly.RData")

load(file="./data/semi.RData")

load(file="./data/yearly.RData")

load(file="./data/select_median.RData")

load(file="./data/select_5down.RData")

load(file="./data/select_5up.RData")

# return data format old to today

select_5down <- select_5down[24:1,]

select_5up <- select_5up[24:1,]

select_median <- select_median[24:1,]

# median performnace

#month

median_return_up <- select_median*monthly_return %>% as.data.frame()

median_return_up <- rowSums(median_return_up)/rowSums(select_median)%>% as.data.frame()

sum(median_return_up)

median_return_down <- (1-select_median)*monthly_return %>% as.data.frame()

45

C1 - Public Natixis

median_return_down <- rowSums(median_return_down)/rowSums(1-select_median)%>% as.data.frame()

sum(median_return_down)

# quarterly

median_return_up_q <- select_median[c(3,6,9,12,15,18,21,24),]*quartely_return %>% as.data.frame()

median_return_up_q <- rowSums(median_return_up_q)/rowSums(select_median[c(3,6,9,12,15,18,21,24),])%>% as.data.frame()

sum(median_return_up_q)

median_return_down_q <- (1-select_median[c(3,6,9,12,15,18,21,24),])*quartely_return %>% as.data.frame()

median_return_down_q <- rowSums(median_return_down_q)/rowSums(1-select_median[c(3,6,9,12,15,18,21,24),])%>% as.data.frame()

sum(median_return_down_q)

# semi

median_return_up_s <- select_median[c(6,12,18,24),]*semiannual_return %>% as.data.frame()

median_return_up_s <- rowSums(median_return_up_s)/rowSums(select_median[c(6,12,18,24),])%>% as.data.frame()

sum(median_return_up_s)

median_return_down_s <- (1-select_median[c(6,12,18,24),])*semiannual_return %>% as.data.frame()

median_return_down_s <- rowSums(median_return_down_s)/rowSums(1-select_median[c(6,12,18,24),])%>% as.data.frame()

sum(median_return_down_s)

# yearly

median_return_up_y <- select_median[c(12,24),]*yearly_return %>% as.data.frame()

46

C1 - Public Natixis

median_return_up_y <- rowSums(median_return_up_y)/rowSums(select_median[c(12,24),])%>% as.data.frame()

sum(median_return_up_y)

median_return_down_y <- (1-select_median[c(12,24),])*yearly_return %>% as.data.frame()

median_return_down_y <- rowSums(median_return_down_y)/rowSums(1-select_median[c(12,24),])%>% as.data.frame()

sum(median_return_down_y)

# Select 5 performnace

#month

s5_return_up <- select_5up*monthly_return %>% as.data.frame()

s5_return_up <- rowSums(s5_return_up)/rowSums(select_5up)%>% as.data.frame()

sum(s5_return_up)

s5_return_down <- (select_5down)*monthly_return %>% as.data.frame()

s5_return_down <- rowSums(s5_return_down)/rowSums(select_5down)%>% as.data.frame()

sum(s5_return_down)

# quarterly

s5_return_up_q <- select_5up[c(3,6,9,12,15,18,21,24),]*quartely_return %>% as.data.frame()

s5_return_up_q <- rowSums(s5_return_up_q)/rowSums(select_5up[c(3,6,9,12,15,18,21,24),])%>% as.data.frame()

sum(s5_return_up_q)

s5_return_down_q <- (select_5down[c(3,6,9,12,15,18,21,24),])*quartely_return %>% as.data.frame()

s5_return_down_q <- rowSums(s5_return_down_q)/rowSums(select_5down[c(3,6,9,12,15,18,21,24),])%>% as.data.frame()

47

C1 - Public Natixis

sum(s5_return_down_q)

# semi

s5_return_up_s <- select_5up[c(6,12,18,24),]*semiannual_return %>% as.data.frame()

s5_return_up_s <- rowSums(s5_return_up_s)/rowSums(select_5up[c(6,12,18,24),])%>% as.data.frame()

sum(s5_return_up_s)

s5_return_down_s <- (select_5down[c(6,12,18,24),])*semiannual_return %>% as.data.frame()

s5_return_down_s <- rowSums(s5_return_down_s)/rowSums(select_5down[c(6,12,18,24),])%>% as.data.frame()

sum(s5_return_down_s)

# yearly

s5_return_up_y <- select_5up[c(12,24),]*yearly_return %>% as.data.frame()

s5_return_up_y <- rowSums(s5_return_up_y)/rowSums(select_5up[c(12,24),])%>% as.data.frame()

sum(s5_return_up_y)

s5_return_down_y <- (select_5down[c(12,24),])*yearly_return %>% as.data.frame()

s5_return_down_y <- rowSums(s5_return_down_y)/rowSums(select_5down[c(12,24),])%>% as.data.frame()

sum(s5_return_down_y)

# summary table

df_tabla=data.frame(Median_up=rep(0,4),Median_down=rep(0,4),s5_up=rep(0,4),s5_down=rep(0,4))

rownames(df_tabla) <- c("Mensual","Trimestral","Semestral","Anual")

df_tabla$Median_up <- c(sum(median_return_up),

48

C1 - Public Natixis

sum(median_return_up_q),

sum(median_return_up_s),

sum(median_return_up_y))

df_tabla$Median_down <- c(sum(median_return_down),

sum(median_return_down_q),

sum(median_return_down_s),

sum(median_return_down_y))

df_tabla$s5_up <- c(sum(s5_return_up),

sum(s5_return_up_q),

sum(s5_return_up_s),

sum(s5_return_up_y))

df_tabla$s5_down <- c(sum(s5_return_down),

sum(s5_return_down_q),

sum(s5_return_down_s),

sum(s5_return_down_y))

# tabla to word

df_tabla%>% rownames_to_column("Rebalanceo") %>%

flextable() %>%

#add_header_row(values=c(" ","Selección de Activos según Factor ESG"),colwidths = c(1, 4)) %>%

set_header_labels(Median_up="50% Superior",

Median_down="50% Inferior",

s5_up="10% Superior",

s5_down="10% Inferior") %>%

# align(align = "center",part = "header") %>%

set_caption( "Rentabilidad de las Carteras del EuroStoxx50 seleccionadas según ESG ") %>%

autofit() %>%


49

C1 - Public Natixis

Script 6. Estrategia de ponderación por capitalización

06_CapitalPortfolio.R

# 06 Portfolio: Capital



# libraries ====

library(tidyverse)

library(xts)

library(here)

library(skimr)


library(flextable)

library(quantmod)


# Read data ====

here()











50

C1 - Public Natixis



# crear pesos de capital

capital <- filter(e50_names,Name %in% colnames(select_5down) ) %>% arrange(Name)

capital_pesos <- rep((capital[,4]),24) %>% as.data.frame() %>% t()%>% as.data.frame()

colnames(capital_pesos) <- colnames(select_5down)


# pesos

median_cap <- select_median*capital_pesos

median_cap <-median_cap/rowSums(median_cap)

median_cap_down <- (1-select_median)*capital_pesos

median_cap_down <-median_cap_down/rowSums(median_cap_down)

#month

median_return_up <- median_cap*monthly_return %>% as.data.frame()

median_return_up <- rowSums(median_return_up)%>% as.data.frame()


median_return_down <- median_cap_down*monthly_return %>% as.data.frame()

median_return_down <- rowSums(median_return_down)%>% as.data.frame()


# quarterly

median_return_up_q <- median_cap[c(3,6,9,12,15,18,21,24),]*quartely_return %>% as.data.frame()

median_return_up_q <- rowSums(median_return_up_q)%>% as.data.frame()


51

C1 - Public Natixis

median_return_down_q <- median_cap_down[c(3,6,9,12,15,18,21,24),]*quartely_return %>% as.data.frame()

median_return_down_q <- rowSums(median_return_down_q)%>% as.data.frame()


# semi

median_return_up_s <- median_cap[c(6,12,18,24),]*semiannual_return %>% as.data.frame()

median_return_up_s <- rowSums(median_return_up_s)%>% as.data.frame()


median_return_down_s <- median_cap_down[c(6,12,18,24),]*semiannual_return %>% as.data.frame()

median_return_down_s <- rowSums(median_return_down_s)%>% as.data.frame()


# yearly

median_return_up_y <- median_cap[c(12,24),]*yearly_return %>% as.data.frame()

median_return_up_y <- rowSums(median_return_up_y)%>% as.data.frame()


median_return_down_y <- median_cap_down[c(12,24),]*yearly_return %>% as.data.frame()

median_return_down_y <- rowSums(median_return_down_y)%>% as.data.frame()



# pesos

s5_return_cap <- select_5up*capital_pesos

s5_return_cap <-s5_return_cap/rowSums(s5_return_cap)

s5_return_cap_down <- select_5down*capital_pesos

52

C1 - Public Natixis

s5_return_cap_down <-s5_return_cap_down/rowSums(s5_return_cap_down)

#month

s5_return_up <- s5_return_cap*monthly_return %>% as.data.frame()

s5_return_up <- rowSums(s5_return_up)%>% as.data.frame()

sum(s5_return_up)

s5_return_down <- s5_return_cap_down*monthly_return %>% as.data.frame()

s5_return_down <- rowSums(s5_return_down)%>% as.data.frame()

sum(s5_return_down)

# quarterly

s5_return_up_q <- s5_return_cap[c(3,6,9,12,15,18,21,24),]*quartely_return %>% as.data.frame()

s5_return_up_q <- rowSums(s5_return_up_q)%>% as.data.frame()

sum(s5_return_up_q)

s5_return_down_q <- (s5_return_cap_down[c(3,6,9,12,15,18,21,24),])*quartely_return %>% as.data.frame()

s5_return_down_q <- rowSums(s5_return_down_q)%>% as.data.frame()


# semi

s5_return_up_s <- s5_return_cap[c(6,12,18,24),]*semiannual_return %>% as.data.frame()

s5_return_up_s <- rowSums(s5_return_up_s)%>% as.data.frame()

sum(s5_return_up_s)

s5_return_down_s <- (s5_return_cap_down[c(6,12,18,24),])*semiannual_return %>% as.data.frame()

s5_return_down_s <- rowSums(s5_return_down_s)%>% as.data.frame()

53

C1 - Public Natixis


# yearly

s5_return_up_y <- s5_return_cap[c(12,24),]*yearly_return %>% as.data.frame()

s5_return_up_y <- rowSums(s5_return_up_y)%>% as.data.frame()

sum(s5_return_up_y)

s5_return_down_y <- (s5_return_cap_down[c(12,24),])*yearly_return %>% as.data.frame()

s5_return_down_y <- rowSums(s5_return_down_y)%>% as.data.frame()


# summary table


















54

C1 - Public Natixis


# tabla to word


flextable() %>%







set_caption( "Rentabilidad de las Carteras del EuroStoxx50 seleccionadas según ESG \n CAPITALIZACIÓN ") %>%

autofit() %>%


Script 7. Cálculo de los pesos de los activos por Markowitz

07_MarkowitzWeights .R

# 07 Pesos Portfolio: Markowitz



# libraries ====

library(tidyverse)

library(xts)

library(here)

library(quantmod)


55

C1 - Public Natixis

# Read data ====

here()


data <- select(e50_ok, -one_of("Fecha"))

tick <- colnames(data)

# Denote n the number of time periods:

n <- nrow(data)

log_ret_xts <- log(data[1:(n-1), ]) - log(data[2:n, ])

log_ret_xts <- na.omit(log_ret_xts )

mean_ret <- colMeans(log_ret_xts)*252

cov_mat <- cov(log_ret_xts) * 252

num_port <- 5000

# Creating a matrix to store the weights

all_wts <- matrix(nrow = num_port,

ncol = length(tick))

# Creating an empty vector to store

# Portfolio returns

port_returns <- vector('numeric', length = num_port)


# Portfolio Standard deviation

port_risk <- vector('numeric', length = num_port)


# Portfolio Sharpe Ratio

sharpe_ratio <- vector('numeric', length = num_port)

56

C1 - Public Natixis

for (i in seq_along(port_returns)) {

wts <- runif(length(tick))

wts <- wts/sum(wts)

# Storing weight in the matrix

all_wts[i,] <- wts

# Portfolio returns

port_ret <- sum(wts * mean_ret)

port_ret <- ((port_ret + 1)^252) - 1

# Storing Portfolio Returns values

port_returns[i] <- port_ret

# Creating and storing portfolio risk

port_sd <- sqrt(t(wts) %*% (cov_mat %*% wts))

port_risk[i] <- port_sd

# Creating and storing Portfolio Sharpe Ratios

# Assuming 0% Risk free rate

sr <- port_ret/port_sd

sharpe_ratio[i] <- sr

}

# Storing the values in the table

portfolio_values <- tibble(Return = port_returns,

Risk = port_risk,

SharpeRatio = sharpe_ratio)

# Converting matrix to a tibble and changing column names

all_wts <- all_wts %>% as.data.frame()

57

C1 - Public Natixis

## Warning in tk_tbl.data.frame(as.data.frame(data), preserve_index,

## rename_index, : Warning: No index to preserve. Object otherwise converted

## to tibble successfully.

colnames(all_wts) <- colnames(log_ret_xts)

# Combing all the values together

portfolio_values <- cbind(all_wts, portfolio_values) %>% as.data.frame()

max_sr <- portfolio_values[which.max(portfolio_values$SharpeRatio),]

pesos <- max_sr[,1:41]

save(pesos,file="./data/pesos.RData")

Script 8. Estrategia de ponderación según Markowitz

08_MarkPortfolio.R

# 05 Portfolio: Capital



# libraries ====

library(tidyverse)

library(xts)

library(here)

library(skimr)


library(flextable)

library(quantmod)

58

C1 - Public Natixis


# Read data ====

here()









load(file="./data/pesos.RData")





# crear pesos de markowitz

capital <- filter(e50_names,Name %in% colnames(select_5down) ) %>% arrange(Name)

capital_pesos <- rep(as.numeric(pesos),24) %>% matrix(ncol=24) %>% t() %>% as.data.frame()

colnames(capital_pesos) <- colnames(select_5down)


# pesos

median_cap <- select_median*capital_pesos

median_cap <-median_cap/rowSums(median_cap)

median_cap_down <- (1-select_median)*capital_pesos

median_cap_down <-median_cap_down/rowSums(median_cap_down)

#month

59

C1 - Public Natixis

median_return_up <- median_cap*monthly_return %>% as.data.frame()

median_return_up <- rowSums(median_return_up)%>% as.data.frame()


median_return_down <- median_cap_down*monthly_return %>% as.data.frame()

median_return_down <- rowSums(median_return_down)%>% as.data.frame()


# quarterly

median_return_up_q <- median_cap[c(3,6,9,12,15,18,21,24),]*quartely_return %>% as.data.frame()

median_return_up_q <- rowSums(median_return_up_q)%>% as.data.frame()


median_return_down_q <- median_cap_down[c(3,6,9,12,15,18,21,24),]*quartely_return %>% as.data.frame()

median_return_down_q <- rowSums(median_return_down_q)%>% as.data.frame()


# semi

median_return_up_s <- median_cap[c(6,12,18,24),]*semiannual_return %>% as.data.frame()

median_return_up_s <- rowSums(median_return_up_s)%>% as.data.frame()


median_return_down_s <- median_cap_down[c(6,12,18,24),]*semiannual_return %>% as.data.frame()

median_return_down_s <- rowSums(median_return_down_s)%>% as.data.frame()


# yearly

60

C1 - Public Natixis

median_return_up_y <- median_cap[c(12,24),]*yearly_return %>% as.data.frame()

median_return_up_y <- rowSums(median_return_up_y)%>% as.data.frame()


median_return_down_y <- median_cap_down[c(12,24),]*yearly_return %>% as.data.frame()

median_return_down_y <- rowSums(median_return_down_y)%>% as.data.frame()



# pesos

s5_return_cap <- select_5up*capital_pesos

s5_return_cap <-s5_return_cap/rowSums(s5_return_cap)

s5_return_cap_down <- select_5down*capital_pesos

s5_return_cap_down <-s5_return_cap_down/rowSums(s5_return_cap_down)

#month

s5_return_up <- s5_return_cap*monthly_return %>% as.data.frame()

s5_return_up <- rowSums(s5_return_up)%>% as.data.frame()

sum(s5_return_up)

s5_return_down <- s5_return_cap_down*monthly_return %>% as.data.frame()

s5_return_down <- rowSums(s5_return_down)%>% as.data.frame()

sum(s5_return_down)

# quarterly

s5_return_up_q <- s5_return_cap[c(3,6,9,12,15,18,21,24),]*quartely_return %>% as.data.frame()

s5_return_up_q <- rowSums(s5_return_up_q)%>% as.data.frame()

sum(s5_return_up_q)

61

C1 - Public Natixis

s5_return_down_q <- (s5_return_cap_down[c(3,6,9,12,15,18,21,24),])*quartely_return %>% as.data.frame()

s5_return_down_q <- rowSums(s5_return_down_q)%>% as.data.frame()


# semi

s5_return_up_s <- s5_return_cap[c(6,12,18,24),]*semiannual_return %>% as.data.frame()

s5_return_up_s <- rowSums(s5_return_up_s)%>% as.data.frame()

sum(s5_return_up_s)

s5_return_down_s <- (s5_return_cap_down[c(6,12,18,24),])*semiannual_return %>% as.data.frame()

s5_return_down_s <- rowSums(s5_return_down_s)%>% as.data.frame()


# yearly

s5_return_up_y <- s5_return_cap[c(12,24),]*yearly_return %>% as.data.frame()

s5_return_up_y <- rowSums(s5_return_up_y)%>% as.data.frame()

sum(s5_return_up_y)

s5_return_down_y <- (s5_return_cap_down[c(12,24),])*yearly_return %>% as.data.frame()

s5_return_down_y <- rowSums(s5_return_down_y)%>% as.data.frame()


# summary table



62

C1 - Public Natixis

















# tabla to word


flextable() %>%







set_caption( "Rentabilidad de las Carteras del EuroStoxx50 seleccionadas según ESG \n CAPITALIZACIÓN ") %>%

autofit() %>%


63

C1 - Public Natixis

8. BIBLIOGRAFÍA Alliance, G. S. I. (2016). Global Sustainable Investment Review 2018. Bender, J., Bridges, T., He, C., & Lester, A. (2017). A Blueprint for Integrating

ESG into Equity Portfolios. https://ssrn.com/abstract=3080381. Chen, L., Zhang, L., Huang, J., Xiao, H., & Zhou, Z. (2021). Social responsibility

portfolio optimization incorporating ESG criteria. Journal of Management Science and Engineering, 6(1), 75–85. https://doi.org/10.1016/j.jmse.2021.02.005.

Cohen, J. R., Holder-Webb, L., & Zamora, V. L. (2015). Nonfinancial information preferences of professional investors.

Cowton, C. J. (1994). The development of ethical investment products. Demiguel, V., Garlappi, L., Nogales, F. J., & Uppal, R. (2009). A Generalized

Approach to Portfolio Optimization: Improving Performance by Constraining Portfolio Norms. Source: Management Science, 55(5), 798–812. https://doi.org/10.1287/mnsc.l080.0986.

DeMiguel, V., Garlappi, L., & Uppal, R. (2009). Optimal versus naive diversification: How inefficient is the 1/N portfolio strategy? Review of Financial Studies, 22(5), 1915–1953. https://doi.org/10.1093/rfs/hhm075.

Escrig-Olmedo, E., Fernández-Izquierdo, M. ángeles, Ferrero-Ferrero, I., Rivera-Lirio, J. M., & Muñoz-Torres, M. J. (2019). Rating the raters: Evaluating how ESG rating agencies integrate sustainability principles. Sustainability (Switzerland), 11(3). https://doi.org/10.3390/su11030915.

Escrig-Olmedo, E., Jesús Muñoz-Torres, M., & Ángeles Fernández-Izquierdo, M. (2010). Socially responsible investing: sustainability indices, ESG rating and information provider agencies. In Int. J. Sustainable Economy (Vol. 2, Issue 4).

Espinós Vañó, M. D. (2019). El concepto de empresa ética o sostenible y su importancia en el diseño de productos de inversión socialmente responsables.

Fernando García García, D. (n.d.). Memoria presentada por María Dolores Espinós Vañó para optar al grado de Doctor, bajo la dirección del Dr.

Hehenberger, L. (2018). Las inversiones de impacto social tendencias globales. Presentación en el evento España y la inversión de impacto social, 8.

Jansson, M., & Biel, A. (2011). Motives to engage in sustainable investment: A comparison between institutional and private investors. Sustainable Development.

Jedynak, T. (2017). Is it Worth Being Good? – The Efficiency and Risk of Socially Responsible Investing in Light of Various Empirical Studies. E-Finanse, 13(3), 1–14. https://doi.org/10.1515/fiqf-2016-0025.

Mackenzie, C., & Lewis, A. (1999). Morals and markets: the case of ethical investing. Business Ethics Quarterly.

https://ssrn.com/abstract=3080381

https://doi.org/10.1287/mnsc.l080.0986

64

C1 - Public Natixis

Magomedova, N., Carreras Roig, L., & Bastida Vialcanet, R. (2020). La innovación aplicada a la financiación de las empresas de la economía social. El caso de las inversiones de impacto.

Miralles-Quirós, J. L., Miralles-Quirós, M. M., & Nogueira, J. M. (2020). Sustainable development goals and investment strategies: The profitability of using five-factor fama-french alphas. Sustainability (Switzerland), 12(5), 1–16. https://doi.org/10.3390/su12051842.

Nuevo, U. N., de Financiación, M., & En, B. (n.d.). ESTUDIO SOBRE LA INVERSION DE IMPACTO “Guía práctica sobre cómo medir resultados y evaluar el impacto” Proyecto financiado por la Agència Valenciana de la Innovació-AVI. www.kveloce.com.

Ognen, R. /, Thomson, T., & Scores, R. E. (n.d.). Thomson Reuters ESG Scores. Pedersen, L. H., Fitzgibbons, S., & Pomorski, L. (2020). Responsible investing:

The ESG-efficient frontier. Journal of Financial Economics. https://doi.org/10.1016/j.jfineco.2020.11.001.

Schmidt, A. B. (2020). Optimal ESG portfolios: an example for the Dow Jones Index. Journal of Sustainable Finance and Investment, 1–7. https://doi.org/10.1080/20430795.2020.1783180.

Tobias, B. (2012). A Synthesis of Modern Portfolio Theory and Sustainable Investment. In Journal of Investing; Winter.

Urriolagoitia, L., Casasnovas, G., & Hehenberger, L. (2019). La Inversión de Impacto en España: Intermediación de Capital.

Valor Martínez, C., & García Villalobos, J. C. (2009). La inversión socialmente responsable en las entidades financieras de economía social.

Viñuales, V., & Pueyo, R. (2002). La inversión socialmente responsable. Fundación Ecología y Desarrollo, Zaragoza.

Zhou, R., & Palomar, D. P. (2020). Understanding the Quintile Portfolio. IEEE Transactions on Signal Processing, 68. https://doi.org/10.1109/TSP.2020.3006761.

8.1. BIBLIOGRAFÍA ADICIONAL

Empowering Responsible Investment www.eiris.org. (2012). www.eiris.org ESG Assessment Methodology. (n.d.). EURO STOXX® SUSTAINABILITY INDEX EURO STOXX Sustainability Index

EURO STOXX Index. (n.d.). https://qontigo.com/support/ Research handbook of finance and sustainability by Douglas Cumming (editor)

Duc Khuong Nguyen (editor) Sabri Boubaker (editor). (n.d.). September. (n.d.). Arabesque S-Ray Methodology (v.2.6). Spainsif. (2019). Plan Estratégico 2019-2021. The Journal of Portfolio Management. (2019).

https://qontigo.com/support/

65

C1 - Public Natixis

What a Difference an ESG Ratings Provider Makes! (2020). www.researchaffiliates.com/esg

2018 GLOBAL SUSTAINABLE INVESTMENT REVIEW. (n.d.).

http://www.researchaffiliates.com/esg

Análisis del impacto de factores ESG en una cartera de ...

Documents

Transcript of Análisis del impacto de factores ESG en una cartera de ...