Naukowcy z arXiv opublikowali badanie wykorzystujące konformalną prognozę maszynową do wykrywania greenwashingu poprzez porównanie samodzielnie zgłaszanych danych o emisjach z rzeczywistymi danymi gromadzonymi przez EPA. Zespół połączył informacje finansowe z SEC z ewidencją emisji gazów cieplarnianych na poziomie obiektów, tworząc niezależny, matematycznie gwarantowany punkt odniesienia dla rzeczywistych emisji korporacyjnych. W miejsce subiektywnych ocen ESG czy analizy sentymentu tekstu, wprowadzili nową metrykę - Conformal-Weighted Continuous Divergence - mierzącą rozbieżność między deklarowanymi a rzeczywistymi danymi.
Wyniki są znaczące dla teorii efektywności rynków. Algorytmiczne wyznaczanie rozbieżności emisji wykazało silną ujemną korelację z późniejszą wyceną rynkową (wskaźnik Tobina Q) i rentowności operacyjnej (ROA) badanych przedsiębiorstw. To oznacza, że inwestorzy instytucjonalni faktycznie wyceniają ekologiczne kłamstwa, ale nie jako zwykłe naruszenie etyki - raczej jako ostrzeżenie przed fundamentalnymi problemami w zarządzaniu firmą.
Badanie wypełnia lukę w literaturze ekonometrycznej poprzez zastosowanie gradient boostingu i metod konformalnego machine learningu. Stanowi obiektywny system dyscypliny rynkowej wobec greenwashingu, dając asset managerom narzędzie do lepszego zidentyfikowania rzeczywistego ryzyka korporacyjnego ukrytego pod deklaracją zrównoważonego rozwoju. Wyniki wskazują, że rynek nie jest 'ślepi' na wprowadzanie w błąd dotyczące emisji, co ma implikacje dla wyceny ryzyka ESG i ceny kapitału dla firm.