Machine Learning methods in climate finance: a systematic review

Abstract

Evitar la materialización del cambio climático es uno de los principales retos de nuestro tiempo. En esta tarea, el sector financiero desempeña un papel fundamental, motivando a economistas académicos a desarrollar un nuevo campo de investigación, las finanzas climáticas. A la vez, el uso de tecnologías de aprendizaje automático (ML, por sus siglas en inglés) se ha popularizado para analizar problemas relacionados con las finanzas climáticas, debido principalmente a la necesidad de gestionar un volumen elevado de datos relacionados con el clima, y para modelizar relaciones no lineales entre variables climáticas y económicas. De esta manera, proponemos una revisión de la literatura académica para explorar cómo esta tecnología está posibilitando el crecimiento de las finanzas climáticas. Para ello, primero realizamos una búsqueda sistemática de estudios en esta materia en tres bases de datos científicas. Luego, usando un modelo de identificación automática de temas (Latent Dirichlet Allocation), identificamos estadísticamente siete áreas del conocimiento donde el ML está desempeñando un papel relevante: catástrofes naturales, biodiversidad, riesgo agrícola, mercados de carbono, energía, inversión responsable y datos climáticos. Para finalizar, hacemos un análisis de las principales tendencias de publicación, así como una clasificación de los modelos estadísticos utilizados en función del área de estudio. La principal contribución de este artículo es la provisión de una estructura de temas o problemas solventados gracias al uso del ML en finanzas climáticas, lo cual esperamos que facilite a expertos en esta tecnología la comprensión de las principales fortalezas y limitaciones de dicha tecnología aplicada en este campo de investigación.

Preventing the materialization of climate change is one of the main challenges of our time. The involvement of the financial sector is a fundamental pillar in this task, which has led to the emergence of a new field in the literature, climate finance. In turn, the use of Machine Learning (ML) as a tool to analyze climate finance is on the rise, due to the need to use big data to collect new climate-related information and model complex non-linear relationships. Considering the proliferation of articles in this field, and the potential for the use of ML, we propose a review of the academic literature to assess how ML is enabling climate finance to scale up. The main contribution of this paper is to provide a structure of application domains in a highly fragmented research field, aiming to spur further innovative work from ML experts. To pursue this objective, first we perform a systematic search of three scientific databases to assemble a corpus of relevant studies. Using topic modeling (Latent Dirichlet Allocation) we uncover representative thematic clusters. This allows us to statistically identify seven granular areas where ML is playing a significant role in climate finance literature: natural hazards, biodiversity, agricultural risk, carbon markets, energy economics, ESG factors & investing, and climate data. Second, we perform an analysis highlighting publication trends; and thirdly, we show a breakdown of ML methods applied by research area.