Sustainable finance is an important solution to many major environmental and social issues. This thesis examines how artificial intelligence (AI) can turn environmental, social, and governance (ESG) data into actionable insights for sustainable finance. The study seeks to find answers to two research questions. Firstly, it examines the hypothesis whether lagged ESG indicators improve corporate profitability prediction accuracy beyond traditional financial models. Second, it investigates whether ESG information improves the identification of financially distressed firms beyond the Altman Z-score, and whether this added value differs across region.

The thesis makes use of publicly available ESG data of listed companies of Asia, Europe and USA, from 2017 to 2024. The study compares the performance of conventional econometric models with machine-learning (ML) and deep-learning (DL) models. This research utilized SHAP-based explainability to find out which ESG and financial variables are more important in prediction.

The results show that ESG data do add value in both profitability forecasting and financial distress detection while results also show that ML and DL models are more effective at identifying complex patterns than traditional linear models. In general, the thesis demonstrates that AI-enabled ESG analytics enhance financial analysis, support risk management and sustainable finance decisions.

Η βιώσιμη χρηματοοικονομική αποτελεί σημαντική λύση για πολλά μείζονα περιβαλλοντικά και κοινωνικά ζητήματα. Η παρούσα διατριβή εξετάζει τον τρόπο με τον οποίο η τεχνητή νοημοσύνη (AI) μπορεί να μετατρέψει τα δεδομένα περιβαλλοντικών, κοινωνικών και διακυβερνητικών δεικτών (ESG) σε αξιοποιήσιμες πληροφορίες για τη βιώσιμη χρηματοοικονομική. Η μελέτη επιδιώκει να απαντήσει σε δύο ερευνητικά ερωτήματα. Πρώτον, εξετάζει την υπόθεση ότι οι δείκτες ESG με χρονική υστέρηση βελτιώνουν την ακρίβεια πρόβλεψης της εταιρικής κερδοφορίας σε σχέση με τα παραδοσιακά χρηματοοικονομικά μοντέλα. Δεύτερον, διερευνά κατά πόσον οι δείκτες ESG συμβάλλουν καλύτερα στον εντοπισμό εταιρειών που αντιμετωπίζουν οικονομικές δυσχέρειες σε σχέση με τον δείκτη Altman Z-score, καθώς και αν αυτή η προστιθέμενη αξία διαφέρει από περιοχή σε περιοχή.

Η διατριβή χρησιμοποιεί δημόσια διαθέσιμα δεδομένα ESG εισηγμένων εταιρειών της Ασίας, της Ευρώπης και των ΗΠΑ, από το 2017 έως το 2024. Η μελέτη συγκρίνει την απόδοση των συμβατικών οικονομετρικών μοντέλων με μοντέλα μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL). Η έρευνα αυτή χρησιμοποίησε την εξηγήσιμη ανάλυση με βάση το SHAP για να διαπιστώσει ποιες μεταβλητές ESG και χρηματοοικονομικές μεταβλητές είναι πιο σημαντικές στην πρόβλεψη.

Τα αποτελέσματα δείχνουν ότι τα δεδομένα ESG προσθέτουν όντως αξία τόσο στην πρόβλεψη της κερδοφορίας όσο και στον εντοπισμό χρηματοοικονομικών δυσχερειών, ενώ τα αποτελέσματα δείχνουν επίσης ότι τα μοντέλα ML και DL είναι πιο αποτελεσματικά στον εντοπισμό σύνθετων μοτίβων από τα παραδοσιακά γραμμικά μοντέλα. Γενικά, η διατριβή αποδεικνύει ότι η ανάλυση ESG με τη χρήση τεχνητής νοημοσύνης βελτιώνει τη χρηματοοικονομική ανάλυση, υποστηρίζει τη διαχείριση κινδύνων και τις αποφάσεις για τη βιώσιμη χρηματοοικονομική.