earticle

영어

This study analyzes the determinants of stock selection decisions for ESG funds and conventional equity funds using machine learning techniques. Specifically, the analysis employs nine firm-specific variables and four ESG rating categories (Environmental, Social, Governance, and Composite ESG) to predict stock inclusion in equity fund portfolios. The analysis employs decision tree-based machine learning algorithms --- Random forest, XGBoost, and LightGBM. Based on data from Korean public active equity funds as of December 2022, we find that firm size is the most significant factor in fund inclusion decisions for both ESG and conventional funds. Although ESG ratings exhibit relatively lower importance compared to other firm-specific factors, the Environmental and Composite ESG ratings show a significantly higher impact within ESG funds than in conventional funds. The study underscores the value of machine learning techniques in uncovering the determinants of fund inclusion decisions and offers practical and policy implications for ESG investment.

한국어

본 연구는 머신러닝 기법을 활용하여 ESG(Environmental, Social, and Governance) 펀드와 일반 펀드의 주식 포트폴리오 편입 결정 요인을 분석하였다. 편입 결정 요인으로는 9개의 기업 특성 변수와 4개의 ESG 평가 등급을 사용하였으며, Random forest, XGBoost(Extreme Gradient Boosting), LightGBM(Light Gradient Boosting Machine) 알고리즘을 적용하여 주식의 펀드 편입 여부를 예측하는 모델을 구축하였다. 2022년 12월말 기준 한국의 공모 액티브 주식형 펀드 데이터 를 대상으로 한 분석 결과, ESG 펀드와 일반 펀드 모두에서 ‘기업의 규모’가 펀드 편입 결정에 가장 큰 영향을 미치는 요인으로 나타났으며, ESG 평가 등급은 전반적으로 다른 기업 특성 변수에 비해 상대적 중요도가 낮은 것으로 확인되었다. 다만, ESG 펀드의 경우 일반 펀드 대비 환경 등급과 종합 ESG 평가 등급이 펀드 편입 결정에 미치는 영향력이 상대적으로 더 크게 나타났다. 본 연구는 머신러닝 기법을 활용하여 기존 선형 모형의 한계를 보완하고, 펀드 편입 결정 요인을 보다 정교하게 규명하였다는 점에서 의의가 있다. 또한 본 연구는 머신러닝 기법을 통해 ESG 펀드가 실제로 ESG 요소를 어느 정도 반영하는지 검증함으로써 펀드 운용의 투명성을 높이고, ESG 펀드 공시체계 개선을 위한 정책적 시사점을 제공한다는 점에서도 의미가 크다. 아울러 본 연구에서 제시한 분석 틀은 향후 펀드 평가와 투자전략 수립에 활용할 수 있는 실무적·학문적 기반을 제공할 것으로 기대된다.