در این پژوهش، به تحلیل و پیش‌بینی ارزش شرکت‌ها با استفاده از داده‌های مالی، شاخص‌های ESG (زیست‌محیطی، اجتماعی و حکمرانی) و ریسک‌های اقلیمی پرداخته شده است. هدف اصلی این تحقیق، توسعه یک مدل پیش‌بینی دقیق‌تر با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین نظیر XGBoost و شبکه‌های عصبی چند لایه (MLP) برای تحلیل تأثیر داده‌های ESG و ریسک‌های اقلیمی بر ارزش شرکت‌ها است. نتایج نشان می‌دهند که ROE (بازده حقوق صاحبان سهام) بیشترین تأثیر را بر پیش‌بینی ارزش شرکت‌ها دارد، در حالی که ویژگی‌های غیرمالی مانند ESG و ریسک‌های اقلیمی تأثیر نسبتاً کمتری دارند. مدل MLP عملکرد بهتری نسبت به XGBoost در پیش‌بینی‌ها از خود نشان داد و دقت بالاتری در شبیه‌سازی داده‌ها داشت. این تحقیق همچنین نشان داد که ریسک‌های اقلیمی و شاخص‌های ESG، هرچند تأثیر کمتری بر پیش‌بینی‌های مالی دارند، اما به‌عنوان ابزاری برای ارزیابی پایداری بلندمدت شرکت‌ها باید در تحلیل‌های مالی گنجانده شوند. بر اساس این یافته‌ها، پیشنهاد می‌شود که از مدل‌های پیچیده‌تر و دقیق‌تر برای پیش‌بینی ارزش شرکت‌ها و ارزیابی تأثیر ریسک‌های اقلیمی در بازارهای سرمایه استفاده گردد.