Desempenho financeiro e ESG: uma abordagem comparativa por meio de aprendizado de máquina

Abstract

Este trabalho tem como objetivo compreender se os indicadores ESG (ambiental, social e de governança) são capazes de contribuir para a predição do desempenho financeiro (ROA) das empresas, utilizando-os como variáveis preditoras, em diferentes modelos de aprendizado de máquina. Para isso, foram utilizados modelos de classificação como Random Forest, K-Nearest Neighbors, Regressão Logística, SVM, entre outros, a um banco de dados obtido da plataforma Refinitiv Eikon, que possui informações de empresas de diversos países entre 1998 e 2024. Após o tratamento e padronização dos dados, o ROA foi transformado em variável binária por meio de clusterização, possibilitando a análise preditiva. Os resultados indicaram que o pilar ambiental do ESG apresentou maior relevância na no impacto do desempenho financeiro, enquanto os fatores social e de governança mostraram impacto estatisticamente não significativo. Entre todos os modelos testados, o Gradient Boosting obteve o melhor desempenho, embora possua limitações quanto à generalização. Percebe-se que, embora os indicadores ESG tenham potencial explicativo sobre a performance financeira, sua aplicação isolada em modelos preditivos ainda mostram desafios. Recomenda-se, para estudos futuros, a inclusão de outras variáveis e a adoção de outros modelos de aprendizado de máquina