ESG 数据去噪:利用机器学习和预测区间量化缺失数据的不确定性
原文中文,约300字,阅读约需1分钟。发表于: 。该研究探讨了在真实 ESG 数据集中,利用建立的机器学习技术填补缺失数据,并通过预测区间量化不确定性的应用。通过采用多种填充策略,本研究评估了填充方法的鲁棒性,并量化了与缺失数据相关的不确定性。结果强调了概率机器学习模型在提供更好的 ESG 评分理解方面的重要性,从而解决由于数据不完整带来的错误评级的内在风险。该方法改进了填充实践,提高了 ESG 评级的可靠性。
该研究使用机器学习技术填补真实ESG数据集中的缺失数据,并量化了不确定性。结果表明,概率机器学习模型在提供更好的ESG评分理解方面很重要,可以解决由于数据不完整带来的错误评级的风险。该方法改进了填充实践,提高了ESG评级的可靠性。