Thesis: Sustentabilidad y Valoración Corporativa: Un Enfoque de Machine Learning
| datacite.subject.fos | Social sciences::Economics and Business | |
| datacite.subject.fos | Natural sciences::Computer and information sciences | |
| datacite.subject.fos | Social sciences::Political science | |
| datacite.subject.fos | Social sciences::Political science::Public administration; | |
| dc.contributor.correferente | Demarco Bull, Rodrigo Andres | |
| dc.contributor.department | Departamento de Industrias | |
| dc.contributor.guia | Kristjanpoller Rodriguez, Werner David | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Carvajal Galleguillos, Valeria Patricia | |
| dc.date.accessioned | 2025-08-06T15:10:29Z | |
| dc.date.available | 2025-08-06T15:10:29Z | |
| dc.date.issued | 2025-07-04 | |
| dc.description.abstract | El vínculo entre los factores ambientales, sociales y de gobernanza (ESG) y la valorización del mercado sigue siendo un tema de debate en el ámbito financiero. Este estudio aborda la complejidad de esta relación mediante el uso de cuatro modelos predictivos, Regresión Lineal, Random Forest, Redes Neuronales Artificiales (ANN) y Redes Neuronales Convolucionales (CNN), fusionando el poder del machine learning con la interpretabilidad mediante la aplicación del método LIME, para lograr una evaluación más precisa. A través de un análisis de las empresas del S\&P 500 entre 2013 y 2023, se identifican patrones que desafían los enfoques tradicionales, revelando cómo la capitalización de mercado y los ingresos influyen en el impacto de las prácticas ESG sobre la valorización corporativa. Se plantean y definen de manera rigurosa cuatro hipótesis que exploran la relación entre las empresas del S\&P 500 y los factores ESG. El objetivo central de esta investigación es evaluar cómo las métricas ESG influyen o se correlacionan con el rendimiento corporativo, proporcionando una comprensión más completa de su interacción. Para examinar estas hipótesis, se emplea un enfoque de machine learning no lineal avanzado, lo que permite modelar relaciones complejas y no lineales que los modelos tradicionales no pueden capturar. Este marco metodológico ofrece una visión más profunda de la interacción dinámica entre los criterios ESG y el rendimiento de las empresas del S\&P 500, revelando complejidades que, de otro modo, podrían permanecer ocultas en enfoques analíticos convencionales. Los resultados revelan que el efecto de las prácticas ESG sobre la valoración no es homogéneo: es más pronunciado en segmentos de empresas con mayores ingresos y muestra patrones distintos al segmentar por capitalización de mercado. Estas diferencias sugieren que la escala y los recursos de la firma modulan el retorno de invertir en sostenibilidad. Al superar las limitaciones de los modelos convencionales e integrar métricas financieras en modelos avanzados, se capturan dinámicas previamente no observadas, ofreciendo una perspectiva más detallada sobre cómo el mercado responde a los esfuerzos de sostenibilidad. La combinación de técnicas avanzadas de machine learning con interpretabilidad no solo mejora la precisión del análisis, sino que también abre nuevas oportunidades para comprender el valor estratégico de las prácticas ESG en la evolución del mercado financiero. En términos específicos, los modelos avanzados como las CNN han demostrado ser más efectivos en la predicción de la valorización de las empresas en comparación con los enfoques tradicionales, como la regresión lineal. La técnica LIME ha permitido ofrecer explicaciones claras sobre cómo las variables clave, como los ingresos, el tamaño de la empresa y el desempeño ESG, afectan las predicciones del Tobin’s Q. Estos hallazgos resaltan la importancia de incorporar enfoques no lineales y transparentes para analizar cómo estas variables afectan el valor de mercado, aportando evidencia práctica para inversionistas y reguladores que buscan incorporar criterios de sostenibilidad en sus estrategias de valoración. | es |
| dc.description.abstract | The link between environmental, social, and governance (ESG) factors and market valuation remains a topic of debate in the financial field. This study addresses the complexity of this relationship by using four predictive models: Linear Regression, Random Forest, Artificial Neural Networks (ANN), and Convolutional Neural Networks (CNN), combining the power of machine learning with interpretability through the application of the LIME method to achieve a more accurate assessment. Through an analysis of S&P 500 companies from 2013 to 2023, patterns are identified that challenge traditional approaches, revealing how market capitalization and revenue influence the impact of ESG practices on corporate valuation. Four hypotheses that explore the relationship between S&P 500 companies and ESG factors are rigorously proposed and defined. The central objective of this research is to evaluate how ESG metrics influence or correlate with corporate performance, providing a more complete understanding of their interaction. To examine these hypotheses, an advanced nonlinear machine learning approach is employed, allowing for the modeling of complex, nonlinear relationships that traditional models cannot capture. This methodological framework offers deeper insight into the dynamic interaction between ESG criteria and the performance of S&P 500 companies, revealing complexities that might otherwise remain hidden in conventional analytical approaches. The results reveal that the effect of ESG practices on valuation is not homogeneous: it is more pronounced in segments of companies with higher revenues and shows distinct patterns when segmented by market capitalization. These differences suggest that a firm's scale and resources modulate the return on investing in sustainability. By overcoming the limitations of conventional models and integrating financial metrics into advanced models, previously unobserved dynamics are captured, offering a more detailed perspective on how the market responds to sustainability efforts. The combination of advanced machine learning techniques with interpretability not only improves analytical accuracy but also opens up new opportunities for understanding the strategic value of ESG practices in financial market developments. Specifically, advanced models such as CNNs have proven more effective in predicting company valuations compared to traditional approaches such as linear regression. The LIME technique has provided clear explanations of how key variables, such as revenue, company size, and ESG performance, affect Tobin's Q predictions. These findings highlight the importance of incorporating nonlinear and transparent approaches to analyze how these variables affect market value, providing practical evidence for investors and regulators seeking to incorporate sustainability criteria into their valuation strategies. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Industrial | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 105 páginas | |
| dc.identifier.doi | 10.71959/505z-gq76 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/3928 | |
| dc.identifier.uri | https://doi.org/10.71959/505z-gq76 | |
| dc.language.iso | es | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution-ShareAlike 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-sa/4.0/ | |
| dc.subject | Machine Learning | |
| dc.subject | ESG | |
| dc.subject | Sustentabilidad | |
| dc.subject | Capitalismo sustentable | |
| dc.subject | Finanzas | |
| dc.subject | Economía | |
| dc.subject.ods | 17 Alianzas para lograr los objetivos | |
| dc.subject.ods | 9 Industria, innovación e infraestructura | |
| dc.subject.ods | 8 Trabajo decente y crecimiento económico | |
| dc.title | Sustentabilidad y Valoración Corporativa: Un Enfoque de Machine Learning | |
| dspace.entity.type | Tesis |
Política de Privacidad 
