La siguiente frontera de la inversión value en crédito: integrar el machine learning

Tradicionalmente, la inversión value en crédito ha consistido en identificar bonos infravalorados para aprovechar su potencial de apreciación hasta valor razonable. Durante muchos años, Robeco ha aplicado un factor de valor sólido que incorpora medidas de riesgo relevantes y técnicas estadísticas precisas para calcular el valor razonable de los bonos corporativos. Este factor value ha sido un determinante clave de la mejor rentabilidad relativa de la multimillonaria estrategia Multi-Factor Credits de Robeco desde su creación en 2015.

La inversión value en crédito consiste en comprar bonos infravalorados ("baratos") y beneficiarse de su posterior recuperación cuando los precios vuelvan a los niveles previstos ("razonable"). Los bonos pueden experimentar desajustes de valoración temporales por diversos motivos, que a menudo dependen del comportamiento de los inversores. Por ejemplo, cuando los inversores reaccionan de forma exagerada ante una mala noticia, el precio de un bono puede caer más de lo que estaría justificado. Del mismo modo, el precio de un bono puede reducirse demasiado tras una rebaja de la calificación crediticia, más allá de lo que la revisión implicaría.

Sin embargo, resulta crucial discernir entre bonos infravalorados y bonos que están baratos por un aumento del riesgo. Evitar las denominadas "trampas del valor" es fundamental para que la inversión en value tenga éxito. El objetivo es evitar los bonos que parecen infravalorados, pero cuyo precio es poco probable que remonte.

El enfoque académico de la inversión value y sus carencias

La literatura académica contiene varios estudios sobre la inversión factorial en bonos corporativos y en concreto sobre el factor value. Un enfoque académico típico consiste en evaluar en qué medida la calificación crediticia y el plazo de vencimiento de un bono justifican su valoración. La hipótesis de partida es que los bonos con calificaciones crediticias y vencimientos similares tienen perfiles de riesgo similares y, por tanto, deberían tener valoraciones similares. Según esta premisa, una estrategia de valor debe intentar comprar bonos cuyas precios sean significativamente inferiores a sus valores previstos. Este enfoque de valor ha exhibido mejores rentabilidades ajustadas al riesgo, como hemos demostrado en una publicación académica.¹

Sin embargo, el enfoque académico no está exento de limitaciones. En primer lugar, la calificación crediticia de un bono constituye una medida aceptable pero no perfecta del riesgo. La principal causa de ello es que las calificaciones crediticias pueden tardar en ajustarse cuando la información cambia, ya que en general se actualizan pocas veces al año. En segundo lugar, para determinar el grado de infravaloración de un bono, se compara su valoración con la de bonos con calificaciones crediticias y vencimientos similares utilizando un modelo de estimación lineal.

Sin embargo, la relación entre la valoración y esos factores dista mucho de ser lineal en la realidad. Eso es especialmente cierto en el caso de los bonos con diferenciales muy elevados, en los que la estimación lineal se traduce en valoraciones poco precisas. Por último, el enfoque académico tiene dificultades para obtener buenos resultados con distintos factores de riesgo cuando el número de parámetros de riesgo aumenta.

El enfoque de inversión value de Robeco

En base al enfoque académico de la inversión en valor, Robeco diseñó un factor value reforzado que ha incorporado a sus estrategias de crédito multifactoriales. Este enfoque de valor reforzado sigue el mismo principio que el enfoque académico, pero introduce dos mejoras importantes. En primer lugar, refuerza la calificación crediticia incorporando múltiples parámetros de riesgo más precisos y adaptables, como el apalancamiento, la distancia al impago y la volatilidad de la renta variable. En segundo lugar, va más allá del simplista "enfoque rectilíneo" y emplea una línea curva para calcular el valor razonable. Esta superior metodología capta mejor la naturaleza no lineal de las curvas de diferenciales de crédito observadas por los inversores en la vida real, y mejora la capacidad para distinguir entre bonos verdaderamente infravalorados y trampas de valor.²

Robeco ha aplicado con éxito este enfoque de valor reforzado en sus estrategias de crédito multifactoriales y high yield. En la emblemática estrategia Global Multi-Factor Credits, el factor valor ha sido sistemáticamente el que más ha contribuido a su mejor rentabilidad relativa desde lanzamiento. Sorprendentemente, incluso ha obtenido buenos resultados en periodos en los que las estrategias value de renta variable se ha quedado rezagadas.³

Un paso adelante con la integración del machine learning

Aunque el enfoque de valor reforzado de Robeco ha dado resultados positivos, con hasta 5.000 millones de euros de activos de clientes invertidos en estrategias que utilizan este factor, nuestras últimas investigaciones apuntan a que hay margen para mejorar el cálculo del valor razonable, especialmente en los segmentos de mayor riesgo del mercado crediticio, como los bonos high yield. En estos segmentos, donde los niveles absolutos de diferencial son más elevados, es necesario utilizar un enfoque de mayor precisión para evitar las trampas de valor. En consecuencia, y tras una amplia investigación, hemos decidido mejorar nuestro enfoque de valor con la incorporación de técnicas de machine learning, que son más útiles para determinar el grado de infravaloración de los bonos.

La técnica específica de ML que emplearemos, conocida como árboles de regresión, está pensada para aprovechar las complejas relaciones y patrones que existen entre las distintas medidas de riesgo que utilizamos. Esta metodología mejorada nos permite identificar más eficazmente oportunidades de valor reales, consiguiendo una mayor rentabilidad ajustada al riesgo. Si desea información técnica detallada sobre las técnicas de ML que aplicaremos, consulte nuestro informe sobre este tema.⁴

La mejora clave del enfoque basado en el machine learning en comparación con el enfoque de valor actual radica en la reducción del riesgo activo (error de seguimiento). El valor basado en el machine learning destaca por evitar las trampas de valor en el segmento de mayor riesgo del mercado, lo que se traduce en una menor exposición a los bonos de mayor riesgo. En la categoría de inversión se consigue esa reducción activa del riesgo, al tiempo que se genera una rentabilidad relativa ligeramente inferior a la del enfoque actual. En los bonos high yield, aunque la rentabilidad relativa es menor, el enfoque basado en el machine learning reduce significativamente el riesgo activo, lo que propicia un aumento significativo de la rentabilidad global ajustada al riesgo de la estrategia, como recoge la ratio de información. Todo ello pone de manifiesto la capacidad del factor de valor basado en el machine learning de generar una buena rentabilidad relativa con un nivel de riesgo moderado.

Aplicación en las estrategias existentes

Las estrategias Multi-Factor Credits, Multi-Factor High Yield, Conservative Credits y Enhanced Index de Robeco ofrecen una exposición equilibrada a múltiples factores. El value constituye uno de los cinco factores considerados, además de los de bajo riesgo, calidad, impulso y tamaño. A partir de ahora complementaremos al 50% el factor de valor actual con un valor basado en el machine learning. El principal objetivo será reducir la contribución de riesgo del factor value, mejorando así la rentabilidad ajustada al riesgo. Con la integración del valor basado en el machine learning, la estrategia podrá distinguir mejor entre bonos verdaderamente infravalorados y trampas de valor, lo que propiciará decisiones de inversión más depuradas.