Geavanceerde ESG-risicoanalyse en portfolio-optimalisatie voor Nederlandse investeringsbeslissingen

Uitleg

Stel je voor, je bent een detective en je moet uitzoeken hoe 'groen' en 'eerlijk' een paar Nederlandse bedrijven zijn, en of het slim is om je zakgeld in hun aandelen te steken. Maar het is geen simpele 'goed' of 'fout' vraag. Het is superingewikkeld, met allemaal verborgen aanwijzingen en regels. Daarvoor hebben we deze slimme AI-prompt!

De prompt werkt als een supergoede detective die in vijf stappen te werk gaat:

1. Gegevens verzamelen als een speurneus: Eerst gaat de AI op zoek naar alle informatie over de bedrijven die je wilt onderzoeken. Denk aan hun jaarverslagen (soort schoolrapporten), nieuws over wat ze doen, en zelfs wat mensen op internet over hen zeggen. Hij kijkt extra goed naar Nederlandse regels, want hier gelden soms andere afspraken dan in andere landen. Hij checkt ook of alle informatie wel klopt en of er geen belangrijke stukjes ontbreken. Net zoals een detective controleert of een getuige wel de waarheid spreekt.

2. Gevaren en kansen ontdekken: Daarna kijkt de AI naar welke 'risico's' (gevaren) en 'kansen' (goede dingen) er zijn op het gebied van milieu (hoe gaan ze om met de planeet?), sociale zaken (hoe behandelen ze hun werknemers en klanten?) en bestuur (hoe eerlijk en slim wordt het bedrijf geleid?). Hij kijkt niet alleen wat het bedrijf doet voor de wereld, maar ook hoe de wereld invloed heeft op het bedrijf. Dit heet 'dubbele materialiteit'. Hij geeft elk risico een cijfer, zodat je ziet hoe erg het is.

3. Wat als...? spelletjes spelen: De AI verzint vervolgens twee verschillende 'wat als'-situaties voor Nederland. Bijvoorbeeld, 'wat als de regels voor het milieu veel strenger worden?' of 'wat als er ruzie ontstaat tussen landen en dat is slecht voor de Nederlandse handel?'. Dan berekent hij hoeveel geld de bedrijven zouden kunnen verliezen of winnen in die situaties. Zo weet je hoe stevig ze in hun schoenen staan.

4. Zakgeld slim verdelen: Stel je hebt al een beetje zakgeld in die bedrijven gestoken. De AI kijkt dan naar alle informatie die hij heeft gevonden en zegt dan: 'Oké, je kunt beter een beetje meer van dit bedrijf kopen, en een beetje minder van dat bedrijf, want dan is je geld veiliger en doe je ook nog eens iets goeds voor de wereld.' Hij zorgt ervoor dat je portefeuille (dat is je zakgeld verdeling) niet te veel risico loopt en dat het past bij jouw wens om duurzaam te investeren, net zoals de Autoriteit Financiële Markten (AFM) dat belangrijk vindt.

5. Een helder verslag maken: Tot slot maakt de AI een samenvatting van alles wat hij heeft gevonden, zodat je het makkelijk aan je ouders of leraar kunt uitleggen. Hij beschrijft ook hoe je de informatie met mooie plaatjes (grafieken) kunt laten zien. En hij vertelt eerlijk wat hij niet zeker weet of waar hij moeite mee had, zodat je precies snapt hoe hij tot zijn advies is gekomen. Dit noemen we 'Explainable AI' (uitlegbare AI), want je moet altijd weten waarom de AI iets zegt.

Deze prompt is dus superhandig omdat het je helpt om heel ingewikkelde financiële beslissingen te nemen, terwijl je ook nog eens rekening houdt met wat goed is voor onze planeet en de maatschappij, en alles op een manier die specifiek voor Nederland is.

Prompt

Je fungeert als een hoogwaardige AI-assistent met specialistische expertise in duurzame financiering, kwantitatieve analyse, risicobeheer en Nederlandse financiële regelgeving. Jouw primaire taak is om een diepgaande Environmental, Social, and Governance (ESG) risicoanalyse uit te voeren voor een selectie van Nederlandse bedrijven en op basis daarvan een bestaande beleggingsportefeuille te optimaliseren. Het doel is om niet alleen financiële rendementen te maximaliseren, maar ook de duurzaamheidsimpact te verbeteren en te voldoen aan specifieke Nederlandse duurzaamheidsrichtlijnen en beleggersvoorkeuren.
De prompt bestaat uit vijf gedetailleerde stappen, elk met specifieke instructies en verwachte output:
Stap 1: Data-acquisitie, validatie en contextualisering (Nederlandse Focus)

Input: Geef een lijst van 3-5 Nederlandse beursgenoteerde bedrijven (bijv. Ahold Delhaize, ASML, ING Groep, KPN, Unilever N.V.). Indien geen specifieke bedrijven zijn opgegeven, selecteer dan zelf 5 toonaangevende Nederlandse bedrijven uit diverse sectoren.
Taak: Verzamel relevante ESG-data voor elk van deze bedrijven. Dit omvat, maar is niet beperkt tot: jaarverslagen, duurzaamheidsrapporten (conform GRI en/of SASB standaarden ), nieuwsberichten, persberichten, socialemediadata (indien openbaar en relevant), en officiële documenten met betrekking tot naleving van Nederlandse wet- en regelgeving (bijv. AFM-richtlijnen ).
Kwaliteitscontrole: Evalueer de kwaliteit en volledigheid van de verkregen data. Identificeer eventuele datagaten, inconsistenties of potentiële biases, met een specifieke focus op de betrouwbaarheid van Nederlandse bronnen en rapportageconformiteit. Markeer eventuele waarschuwingen van de AFM met betrekking tot het gebruik van AI in beleggingsadvies .
Contextualisering: Vergelijk de prestaties van de geselecteerde bedrijven met relevante Nederlandse sectorbenchmarks en nationale duurzaamheidsdoelstellingen (bijv. Nederlandse klimaatdoelen, circulariteitseisen). Houd rekening met de specifieke Nederlandse bedrijfscultuur en regelgevende omgeving (bijv. impact van de 'Polder Model' op sociale aspecten van ESG).
Output: Genereer een overzichtelijke Markdown-tabel per bedrijf met de belangrijkste ESG-datapunten, de gebruikte bronnen, een kwaliteitsbeoordeling van de data (compleet, betrouwbaar, potentieel biased), en een korte samenvatting van de Nederlandse contextuele relevantie.

Stap 2: ESG-risico- en -kansenidentificatie en materialiteitsanalyse (Dubbele Materialiteit)

Taak: Voer een gedetailleerde analyse uit om de materiële ESG-risico's en -kansen voor elk bedrijf te identificeren, zowel vanuit een 'inside-out' (impact van het bedrijf op milieu en maatschappij) als een 'outside-in' (impact van ESG-factoren op de financiële waarde van het bedrijf) perspectief. Dit staat bekend als 'dubbele materialiteit' .
Methodologie: Maak gebruik van Natural Language Processing (NLP) en sentimentanalyse om trends en controverses te detecteren in de verzamelde ongestructureerde data (nieuws, social media) die van invloed kunnen zijn op de ESG-perceptie en -prestaties van de Nederlandse bedrijven . Kwantificeer de ernst en waarschijnlijkheid van de geïdentificeerde risico's op een schaal van 1 tot 5 (laag tot zeer hoog).
Specifieke overwegingen: Beoordeel hoe de bedrijven omgaan met specifieke Nederlandse thema's zoals pensioenfondsbeleggingen, watermanagement (relevant voor een laagland als Nederland), en arbeidsethiek in toeleveringsketens.
Output: Presenteer de bevindingen in een Markdown-tabel met voor elk bedrijf de top 3 materiële ESG-risico's en top 3 ESG-kansen, inclusief hun ernst, waarschijnlijkheid en de materialiteitsperspectieven. Geef een korte onderbouwing voor elke identificatie, inclusief de relevantie voor de Nederlandse context.

Stap 3: Scenarioplanning en kwantificering van financiële impact (Stress-testen)

Input: Definieer twee relevante toekomstscenario's die significant van invloed kunnen zijn op de Nederlandse economie en de geselecteerde bedrijven, bijvoorbeeld:

Scenario A: Versnelde implementatie van EU Green Deal en strengere Nederlandse milieuregelgeving (bijv. CO2-belasting, stikstofbeleid).
Scenario B: Internationale handelsspanningen met negatieve impact op Nederlandse exportgerichte sectoren en een stijging van sociale ongelijkheid in Nederland.


Taak: Analyseer de financiële impact van deze scenario's op de bedrijfswaardering (bijv. verwachte kasstromen, winstgevendheid, kapitaalkosten) van elk geselecteerd Nederlands bedrijf, rekening houdend met de geïdentificeerde ESG-risico's en -kansen. Kwantificeer de potentiële waardeverandering in percentages.
Kwantitatieve modellen: Gebruik een vereenvoudigd Discounted Cash Flow (DCF) model of soortgelijke kwantitatieve benadering om de impact te projecteren. Specificeer de aannames die je maakt (bijv. disconteringsvoet, groeivoet, ESG-gerelateerde kosten/baten).
Output: Een Markdown-tabel die per bedrijf de verwachte financiële impact (in % waardeverandering) toont onder elk van de twee scenario's. Inclusief een korte uitleg van de belangrijkste drijvende factoren achter deze impact.

Stap 4: Portfolio-optimalisatie en strategische aanbevelingen (Duurzaamheid & Rendement)

Input: Geef een hypothetische initiële beleggingsportefeuille, bestaande uit 20% van elk van de 5 geselecteerde Nederlandse bedrijven. Geef een risicotolerantie van 'matig' en een duurzaamheidsvoorkeur van 'impactgericht beleggen'.
Taak: Formuleer concrete aanbevelingen voor de aanpassing van de initiële portefeuille op basis van de ESG-risicoanalyse (Stap 2) en de financiële impact onder verschillende scenario's (Stap 3). Het doel is een geoptimaliseerde portefeuille die zowel het financiële risico-rendementsprofiel als het ESG-profiel verbetert, in lijn met Nederlandse beleggingsprincipes voor duurzaamheid .
Optimalisatiecriteria: De optimalisatie moet rekening houden met:

Vermindering van de blootstelling aan materiële ESG-risico's.
Toenemende allocatie aan bedrijven met significante ESG-kansen.
Handhaving van de gespecificeerde risicotolerantie (of verbetering van het risico-rendementsprofiel).
Afstemming op de 'impactgericht beleggen'-voorkeur.


Output: Presenteer de geoptimaliseerde portefeuillesamenstelling (nieuwe wegingen in percentages per bedrijf) in een Markdown-tabel. Geef per aanpassing een heldere rechtvaardiging die verwijst naar de eerdere stappen, met nadruk op hoe de optimalisatie de Nederlandse duurzaamheidsdoelstellingen en beleggersvoorkeuren weerspiegelt.

Stap 5: Rapportage, visualisatieconcepten en 'Explainable AI' (XAI)

Taak: Genereer een beknopte 'Executive Summary' van de gehele analyse (maximaal 250 woorden) voor een bestuurlijke doelgroep. Beschrijf ook conceptualisaties voor grafieken of visualisaties die de belangrijkste bevindingen duidelijk maken (bijv. ESG-risicomatrix, impact van scenario's op portfoliowaarde). Denk aan visualisaties die complexiteit reduceren en inzicht vergroten.
XAI-principe: Leg uit hoe de gemaakte aanbevelingen tot stand zijn gekomen en welke afwegingen zijn gemaakt, zodat de analyse transparant en interpreteerbaar is . Identificeer mogelijke beperkingen van de AI-analyse, zoals afhankelijkheid van data kwaliteit  of modelaannames, en stel methoden voor om deze te mitigeren in toekomstige analyses.
Output: Een 'Executive Summary' in Markdown, gevolgd door een beschrijving van 2-3 visualisatieconcepten (geen daadwerkelijke afbeeldingen, maar beschrijvingen ervan) en een aparte sectie over de XAI-principes en beperkingen van de analyse.

Begin de analyse nu, en vraag indien nodig om verdere specificatie van input of parameters. Als er geen initiële bedrijven of portefeuille worden gegeven, gebruik dan de standaardwaarden zoals hierboven gedefinieerd. Reageer altijd in het Nederlands.

Voorbeeld output

Executive Summary: ESG-Risicoanalyse en Portfolio-optimalisatie Nederlandse Bedrijven
Deze analyse beoordeelt de ESG-prestaties en potentiële financiële impact van vijf geselecteerde Nederlandse bedrijven – Ahold Delhaize, ASML, ING Groep, KPN en Unilever N.V. – met het oog op portfolio-optimalisatie voor een impactgericht beleggingsmandaat. De data-analyse onthulde diverse materiële ESG-risico's en -kansen, variërend van CO2-uitstoot en afvalbeheer tot cyberbeveiliging en arbeidsomstandigheden. Bedrijven zoals ASML en Unilever presteren relatief sterk op governance, terwijl Ahold Delhaize en KPN uitdagingen kennen op het gebied van sociale factoren zoals personeelsbehoud en klanttevredenheid. Scenarioanalyses – 'Strengere Nederlandse Milieuregelgeving' en 'Internationale Handelsspanningen' – toonden aan dat de financiële waardering van alle bedrijven, met name die in energie-intensieve of sterk exportafhankelijke sectoren, significant kan worden beïnvloed. De initiële portefeuille werd geoptimaliseerd door een hogere weging toe te kennen aan bedrijven met een robuust ESG-profiel en veerkracht onder negatieve scenario's, en een lagere weging aan bedrijven met onvoldoende risicobeheer. Dit resulteerde in een aanbeveling voor een portefeuille die naar verwachting een verbeterd risico-rendementsprofiel heeft en beter aansluit bij duurzaamheidsdoelstellingen. De analyse benadrukt de noodzaak van continue monitoring en aandacht voor datakwaliteit.
Visualisatieconcepten

ESG-Risicomatrix per Bedrijf: Een 2x2 matrix voor elk bedrijf, met 'Ernst van Risico' op de Y-as en 'Waarschijnlijkheid van Risico' op de X-as. De materiële ESG-risico's worden als punten weergegeven, gekleurd naar type (E, S, G). Dit biedt een snelle visuele indicatie van de grootste bedreigingen.
Scenario-Impact Dashboard: Een staafdiagram dat per bedrijf de procentuele waardeverandering toont onder Scenario A en Scenario B, naast de baseline. Dit maakt directe vergelijking van de financiële veerkracht onder verschillende toekomstbeelden mogelijk.

Explainable AI (XAI) en Beperkingen
De aanbevelingen zijn tot stand gekomen via een gestructureerd proces van data-aggregatie, gekwantificeerde risicobeoordeling, financiële modellering onder scenario's en een optimalisatiealgoritme dat financiële en ESG-criteria balanceert. De overwegingen omvatten de mate van naleving van Nederlandse ESG-richtlijnen, de financiële materiële impact van ESG-factoren en de algemene veerkracht tegen systeemschokken. Beperkingen omvatten de afhankelijkheid van de kwaliteit en publieke beschikbaarheid van gerapporteerde ESG-data (die per bedrijf kan variëren), de aannames in de scenario- en waarderingsmodellen (disconteringsvoeten, groeiratio's) en de subjectiviteit in de weging van 'impactgericht beleggen'. Toekomstige analyses kunnen profiteren van realtime datastromen, geavanceerdere kwantitatieve modellen en het integreren van alternatieve databronnen (bijv. satellietbeelden voor milieu-impact) om de robuustheid en granulariteit te vergroten.