Portfolio Decarbonization under Incomplete Carbon and Transition Information
Aggiunta all'archivio di AIChronos il (numero del 13 ottobre 2026 ricostruito)· fonte del · Olivier Féron, Ruben Haalebos
Lo studio analizza la decarbonizzazione dinamica dei portafogli in condizioni di informazione incompleta riguardo alle intensità del carbonio e allo stato della transizione delle aziende. L'investitore massimizza l'utilità attesa del patrimonio netto penalizzando le emissioni cumulative percepite, combinando una componente tipo Merton con aggiustamenti legati al clima e hedging intertemporali derivanti dall'apprendimento bayesiano. Si osserva che prior beliefs ben specificati hanno effetti limitati sul benessere, mentre credenze distorte generano perdite asimmetriche sia per il welfare che per gli obiettivi ambientali.
- La strategia ottimale integra penalità dirette sulle emissioni con aggiustamenti degli rendimenti attesi dipendenti dal clima.
- Le informazioni incomplete sullo stato di transizione richiedono meccanismi di hedging intertemporale associati all'apprendimento.
- Credenze ottimistiche o pessimiste distorte portano a tilt del portafoglio opposti e conseguenze ambientali asimmetriche.
- L'informazione incompleta ha un impatto limitato sul benessere solo quando le prior beliefs sono accuratamente specificate.
- Le osservazioni di mercato e le disclosure rumorose periodiche sono necessarie per inferire lo stato corrente della transizione.
Perché conta. Sebbene il paper si concentri su finanza quantitativa, i concetti di 'incomplete information', 'learning' da dati rumorosi e la gestione del rischio asimmetrico sono rilevanti per progettare agenti AI che operano in ambienti con dati parziali o bias nei training set.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.