Faire apprendre à un portefeuille des préférences ESG explicites

Un portefeuille à plusieurs objectifs

Giovanni Dispoto, Marcello Restelli et Carmine Ventre formulent l'optimisation de portefeuille comme un problème de reinforcement learning multi-objectifs. La récompense combine un Sharpe financier et les scores de trois agences ESG. Une préférence Lambda est apprise à partir de comparaisons par paires de portefeuilles, puis des personas de gestionnaires simulent des priorités régionales.

L'environnement utilise des poids continus, un historique de rendement sur 60 jours, des volatilités à 20 et 60 jours, le VXD, des notes ESG, du momentum et les poids courants. Les épisodes font 252 jours.

Protocole expérimental

Les expériences portent sur dix titres du Dow Jones, avec entraînement de 2009 à la mi-2014, elicitation des préférences de la mi-2014 à 2015, puis test hors échantillon jusqu'à la mi-2016. Les notes sont simulées par trois agences : l'une pondère davantage la gouvernance, l'autre le social et la troisième l'environnement.

Les personas européennes privilégient davantage l'alignement ESG et la transparence environnementale ; les personas texanes privilégient la performance ajustée du risque. Le résultat montre donc comment une préférence peut déplacer la solution le long d'un compromis, pas qu'une région possède une préférence homogène réelle.

Ce que le modèle enseigne

L'intérêt méthodologique est de rendre la préférence paramétrique et observable. Une comparaison humaine ou simulée ne produit pas seulement un classement : elle renseigne le compromis que l'agent doit respecter. Cela facilite une discussion entre rendement, risque et dimensions ESG plutôt qu'un score ESG unique présenté comme objectif.

Interprétation éditoriale

Le cadre est pertinent pour distinguer « optimiser l'ESG » de « optimiser selon une préférence ESG donnée ». En pratique, il faudrait publier les poids Lambda, les changements de portefeuille, les coûts, la définition des agences et les cas où aucune solution ne satisfait simultanément les objectifs.

Une récompense linéaire est lisible, mais elle impose aussi une géométrie particulière des arbitrages. La préférence apprise doit donc être considérée comme une convention de décision, pas comme une mesure naturelle de la durabilité.

Limites et prudence

Les données ESG sont synthétiques, le trading est frictionless et la scalarisation linéaire peut manquer une frontière de Pareto non convexe. L'univers est réduit et la période hors échantillon courte. Des révisions ESG réelles, une scalarisation non linéaire et l'étude des biais de position restent nécessaires avant toute conclusion opérationnelle.

Sources

Giovanni Dispoto, Marcello Restelli et Carmine Ventre, « Eliciting ESG Preferences for Reinforcement Learning-Based Portfolio Optimization », ArXiv 2609.02677v1 : résumé et preprint, PDF.