Large Language Models come generatori di sentiment ESG: costruzione e analisi del dataset

This thesis examines the potential of Large Language Models as generators of synthetic ESG sentiment and evaluates whether the resulting signal can function as a meaningful informational variable in finance. The empirical analysis is based on a daily panel of 14,640 observations spanning eight European countries, France, Germany, Italy, Norway, Poland, Portugal, Spain and the United Kingdom, over the full calendar year 2024. Using a standardized zero-shot prompting framework, the study generates ESG sentiment scores with five different LLMs: GPT-5.2, Claude Sonnet 4.5, Grok 4.1, Sonar and Gemini 3 Pro. The resulting dataset is assessed through descriptive statistics, variance analysis, correlation analysis, ordinary least squares regressions, and principal component analysis in order to evaluate the internal coherence of the synthetic series and its relationship with financial market returns. The empirical evidence indicates that LLM-generated ESG sentiment is not homogeneous across providers, but instead varies substantially in terms of volatility, structural consistency, and latent cross-country organization. Furthermore, the association between aggregate ESG sentiment and financial market returns appears limited and loses explanatory strength once broader market dynamics are considered, suggesting that the signal captures a distinct informational dimension rather than a direct short-term market driver. The original contribution of the thesis lies in constructing and testing a comparative framework for synthetic ESG sentiment generation through LLMs, thereby offering a novel methodological perspective on the use of generative AI in sustainability-related financial research.

Questa tesi esamina il potenziale dei Large Language Models come generatori di ESG sentiment sintetico e valuta se il segnale risultante possa funzionare come una variabile informativa significativa in ambito finanziario. L’analisi empirica si basa su un panel giornaliero di 14.640 osservazioni, relativo ad otto Paesi europei, Francia, Germania, Italia, Norvegia, Polonia, Portogallo, Spagna e Regno Unito, lungo l’intero anno solare 2024. Attraverso un framework di prompting standardizzato in modalità zero-shot, lo studio genera punteggi di ESG sentiment con cinque diversi LLM: GPT-5.2, Claude Sonnet 4.5, Grok 4.1, Sonar e Gemini 3 Pro. Il dataset ottenuto viene analizzato mediante statistiche descrittive, analisi della varianza, analisi delle correlazioni, regressioni lineari OLS e analisi delle componenti principali, al fine di valutare sia la coerenza interna della serie sintetica, sia la sua relazione con i rendimenti dei mercati finanziari. Le evidenze empiriche indicano che l’ESG sentiment generato dai LLM non è omogeneo tra i diversi provider, ma varia in modo sostanziale in termini di volatilità, coerenza strutturale e organizzazione latente tra Paesi. Inoltre, l’associazione tra ESG sentiment aggregato e rendimenti di mercato appare limitata e perde forza esplicativa una volta considerata la dinamica più ampia del mercato, suggerendo che il segnale catturi una dimensione informativa distinta, piuttosto che un driver diretto delle variazioni di breve periodo. Il contributo originale della tesi consiste nella costruzione e nella verifica di un framework comparativo per la generazione di ESG sentiment sintetico tramite LLM, offrendo una prospettiva metodologica innovativa sull’impiego dell’intelligenza artificiale generativa nella ricerca finanziaria legata alla sostenibilità.