De volgende stap in waardebeleggen in credits: integratie van machine learning

Traditioneel gezien is waardebeleggen in credits gericht op het identificeren van ondergewaardeerde obligaties om te kunnen profiteren van het koersherstel naar hun reële waarde. Robeco implementeert al jarenlang een robuuste value-factor die relevante risicomaatstaven en nauwkeurige statistische technieken omvat om de reële waarde van bedrijfsobligaties te schatten. Deze value-factor heeft een belangrijke rol gespeeld in de outperformance van Robeco's Multi-Factor Credits-strategie, met miljarden dollars aan beheerd vermogen, sinds de lancering ervan in 2015.
Waardebeleggen in credits draait om het kopen van ondergewaardeerde ('goedkope') obligaties om te kunnen profiteren van hun daaropvolgende herstel zodra de koers terugkeert naar het verwachte ('reële') niveau. Obligaties kunnen om vele redenen tijdelijk onjuist gewaardeerd zijn, iets wat vaak te maken heeft met het gedrag van beleggers. Als beleggers bijvoorbeeld te sterk reageren op slecht nieuws, kan de koers van een obligatie meer dalen dan dat nieuws rechtvaardigt. Op dezelfde manier kan de koers van een obligatie buitensporig dalen na verlaging van de creditrating, waarbij die onder het punt zakt dat je op basis van de herziene rating zou verwachten.

Het is echter cruciaal om onderscheid te maken tussen obligaties die ondergewaardeerd zijn en obligaties die goedkoper zijn vanwege een hoger risico. Het omzeilen van deze zogenoemde value traps is essentieel om waardebeleggen tot een succes te maken. Het streven is dan ook om obligaties te vermijden die ondergewaardeerd lijken, maar waarschijnlijk niet zullen herstellen naar een hogere koers.

De wetenschappelijke benadering voor value en de tekortkomingen

In de wetenschappelijke literatuur zijn talloze studies te vinden over factorbeleggen in bedrijfsobligaties en over de value-factor in het bijzonder. Een gebruikelijke wetenschappelijke benadering is beoordelen in hoeverre de waardering van een obligatie te verklaren is aan de hand van zijn creditrating en resterende looptijd. Hierbij is de onderliggende aanname dat obligaties met een vergelijkbare creditrating en looptijd een vergelijkbaar risicoprofiel hebben, en dus ook een vergelijkbare waardering moeten hebben. Op basis van deze benadering is een value-strategie erop gericht om obligaties te kopen waarvan de waardering ruim onder de verwachte waarde ligt. Deze value-benadering laat betere risicogecorrigeerde rendementen zien, zoals onder meer blijkt uit onze wetenschappelijke publicatie.¹

Deze wetenschappelijke benadering heeft echter ook de nodige beperkingen. Ten eerste is de creditrating van een obligatie weliswaar een goede, maar geen perfecte maatstaf voor het risico. Dat komt vooral doordat het vrij lang kan duren voordat creditratings zijn aangepast aan nieuwe informatie, doordat ze doorgaans maar een paar keer per jaar worden bijgewerkt. Ten tweede wordt, om de mate van onderwaardering te bepalen, de waardering van een obligatie vergeleken met die van obligaties met een vergelijkbare creditrating en looptijd, waarbij gebruik wordt gemaakt van een lineair schattingsmodel.

In werkelijkheid is de relatie tussen de waardering en deze factoren echter verre van lineair. Dat zien we vooral bij obligaties met een zeer hoog spreadniveau, waarvoor de lineaire schatting leidt tot minder nauwkeurige waarderingen. Tot slot zien we dat de wetenschappelijke benadering moeilijk kan omgaan met de wisselwerking tussen de verschillende risicofactoren naarmate het aantal risicofactoren toeneemt.

Robeco’s benadering voor waardebeleggen

Voortbouwend op de wetenschappelijke benadering voor waardebeleggen heeft Robeco een verbeterde value-factor ontwikkeld en geïntegreerd in zijn multifactor-creditstrategieën. Deze verbeterde value-benadering volgt hetzelfde principe als de wetenschappelijke benadering, maar komt met twee belangrijke verbeteringen. Om te beginnen vult de benadering de creditrating aan met verschillende, meer nauwkeurige en adaptieve risicomaatstaven, zoals leverage, distance to default en aandelenvolatiliteit. Daarnaast gaat de benadering verder dan de simplistische ‘rechte lijn-benadering’ door gebruik te maken van een kromme lijn om de reële waarde te schatten. Deze verbeterde methodologie zorgt voor een betere afspiegeling van de niet-lineaire aard van creditspreadcurves, waar beleggers in de praktijk mee te maken hebben, en verbetert het vermogen om werkelijk ondergewaardeerde obligaties te onderscheiden van value traps.²

Robeco heeft deze verbeterde value-benadering succesvol geïmplementeerd in zijn multifactorstrategieën voor credits en high yield. In ons vlaggenschip, de Global Multi-Factor Credits-strategie, levert de value-factor consistent de grootste bijdrage aan zijn outperformance sinds de oprichting. Opvallend genoeg presteerde deze factor zelfs goed in periodes waarin value-strategieën voor aandelen achterbleven.³

Een stap vooruit met de integratie van machine learning

Robeco’s verbeterde benadering voor de value-factor heeft zonder meer positieve resultaten opgeleverd, met maar liefst EUR 5 miljard aan beheerd vermogen van klanten in strategieën die gebruikmaken van deze factor. Toch blijkt uit ons meest recente onderzoek dat er nog ruimte is voor verdere verbetering als het gaat om het bepalen van de reële waarde, met name in risicovollere segmenten van de creditmarkt zoals high yield. In deze segmenten, waar het absolute spreadniveau hoger ligt, moeten we nog nauwkeuriger te werk gaan om value traps te vermijden. Daarom hebben we na uitvoerig onderzoek besloten om onze bestaande value-benadering te verbeteren door ML-technieken toe te passen. Die zijn namelijk beter in staat om de mate van onderwaardering van obligaties te beoordelen.

De specifieke ML-techniek die we gaan gebruiken, zogeheten regressiebomen, is ontworpen om de complexe relaties en patronen tussen de verschillende risicomaatstaven die we gebruiken beter te benutten. Dankzij deze verbeterde methodologie kunnen we werkelijke waardekansen effectiever identificeren, wat leidt tot een verdere verbetering van het risicogecorrigeerde rendement. Voor meer gedetailleerde technische informatie over de ML-technieken die we gaan toepassen, verwijzen we naar onze whitepaper over dit onderwerp.⁴

De belangrijkste verbetering van de ML-gebaseerde benadering ten opzichte van de huidige benadering voor de value-factor zit hem in de verlaging van het actieve risico (tracking error). De ML-gebaseerde benadering blinkt uit in het vermijden van value traps in de risicovollere segmenten van de markt, wat resulteert in een kleinere exposure naar de obligaties met het hoogste risico. Binnen investment grade wordt deze actieve risicoreductie bereikt met een iets lagere outperformance dan bij de huidige benadering. Binnen high yield is de outperformance weliswaar lager, maar de ML-gebaseerde benadering zorgt wel voor een forse verlaging van het actieve risico. Dat leidt tot een flink hogere risicogecorrigeerde performance voor de strategie, zoals aangegeven door de informatieratio. Dit onderstreept het vermogen van de ML-gebaseerde value-factor om een aantrekkelijke outperformance te realiseren bij een bescheiden risiconiveau.

Implementatie in bestaande strategieën

De Robeco-strategieën Multi-Factor Credits, Multi-Factor High Yield, Conservative Credits en Enhanced Index bieden evenwichtige exposure naar meerdere factoren. Value is een van de vijf factoren, naast low-risk, quality, momentum en size. We vullen de bestaande value-factor nu aan met 50% ML-gebaseerde value. Dat doen we hoofdzakelijk om de risicobijdrage van de value-factor te beperken, waarmee het risicogecorrigeerde rendement verbetert. Dankzij integratie van de ML-gebaseerde value-factor kan de strategie straks beter onderscheid maken tussen werkelijk ondergewaardeerde obligaties en value traps, wat resulteert in meer verfijnde beleggingsbeslissingen.