该研究论文通过使用社会情感考量，旨在创建一个数据驱动的 ESG 评估体系，该体系可以通过提供更加平衡的观点和更系统化的评分来为公司提供更好的指导，从而帮助公司创建更具针对性和有影响力的倡议。使用基于 Python 的网络爬虫从维基百科、推特、领英和谷歌新闻中收集数据，然后通过自然语言处理算法对 ESG 子类别进行情感评分。然后使用这些特征，训练和校准机器学习算法以测试其预测能力，其中最强大的模型是随机森林模型，其平均绝对误差为 13.4％，相关性为 26.1％（p 值为 0.0372），显示出令人鼓舞的结果。总的来说，跨子类别测量 ESG 社会情感可以帮助高管将努力集中在人们最关注的领域。此外，这种数据驱动方法可以为没有覆盖范围的公司提供评级，从而使更多具有社会责任感的公司得以发展。

Sep, 2023

本文提出的优化黑盒方法使用贝叶斯优化算法（Bayesian optimization，BO）来最大化遵循 ESG 标准的股票投资组合的表现，以此来平衡回报和风险。

Feb, 2023

该研究探究了如何通过提示、思维链推理和动态上下文学习等策略，引导 GPT-4 等先进语言模型与未知的环境、社会和治理（ESG）评估准则保持一致，展示了语言模型在金融下游任务中的潜力和培训免费解决方案的机会。

Mar, 2024

本文研究了基于自然语言处理技术对 ESG 文本进行分类的方法，通过对 BERT 模型进行细调，建立了一个 ESG 领域专用的预训练模型，并在环境类别的分类任务中取得了优于原 BERT 模型和基准模型的准确率。

Mar, 2022

通过使用前馈神经网络、CatBoost 和 XGBoost 集成成员的异构集成模型来预测 ESG 评级，基于基本数据既能够降低成本、提高可扩展性，也能够超越此领域的既往成果，解决可持续性相关问题。

Sep, 2021

通过使用多任务学习方法，结合不同任务上的信息，我们提出了多种金融文本分类方法，重点关注金融情绪、客观性、前瞻性句子预测和 ESG 内容检测。然后，我们使用这些分类器从 FTSE350 公司的年度报告中提取文本特征，并研究 ESG 定量分数与这些特征之间的关联。

Apr, 2024

我们创建了 ESG-FTSE 语料库，其中包含了带有 ESG 相关标注的新闻文章。我们开创了 ESG 标注方案，并进行了相关实验，证明该语料库可以用于准确的 ESG 预测。

May, 2024

对于以深度强化学习（DRL）为基础的环境、社会和治理（ESG）金融投资组合管理，重点研究了 ESG 评分市场监管的潜在益处。研究结果表明，在以 ESG 评分为基础的市场监管中，DRL 代理在表现上优于标准的道琼斯工业平均指数（DJIA）市场设置，并且 ESG 因素在投资组合管理决策中起到重要作用。

Jun, 2023

在环境、社会和公司治理（ESG）影响评估不断变化的格局中，该研究提出了识别 ESG 影响类型的 ML-ESG-2 共享任务，并呈现了一种利用集成学习技术的综合系统，利用早期和晚期融合方法。通过四个不同的模型（mBERT、FlauBERT-base、ALBERT-base-v2 和包含潜在语义分析（LSA）和词频逆文档频率（TF-IDF）特征的多层感知器（MLP）），通过广泛实验发现，我们的早期融合集成方法，包括 LSA、TF-IDF、mBERT、FlauBERT-base 和 ALBERT-base-v2 的集成，具有最佳性能。我们的系统为 ESG 影响类型的识别提供了全面的解决方案，为当今金融和公司治理环境中的负责任和可持续决策过程做出了贡献。

Feb, 2024

人工智能在环境、社会和治理（ESG）倡议中的蓬勃融合代表了对更可持续和公平的金融实践的范式转变。本文调查了工业景观，描述了人工智能在支持 ESG 框架方面的必要性和影响。我们的调查将人工智能应用程序划分为 ESG 的三个主要支柱，并且说明了人工智能如何增强分析能力、风险评估、客户参与、报告准确性等方面的能力。此外，我们还深入探讨了数据使用和模型发展方面的关键问题，强调了数据质量、隐私和模型的鲁棒性的重要性。本文还强调了负责任和可持续的人工智能的必要性，强调人工智能在 ESG 相关银行业务中的伦理维度。总而言之，我们的发现表明，虽然人工智能为银行业的 ESG 提供了变革性的潜力，但也带来了重大挑战，需要仔细考虑。本文最后综合了调查的见解，提出了在 ESG 实践中采用人工智能的前瞻性立场。我们最后通过提出一个未来研究和开发的参考架构来总结，主张在 ESG 领域中充分利用人工智能的优势并减轻其风险的平衡方法。

Feb, 2024