在股市中，通常通过将股票的市场价格和一个基准（例如公司的账面价值或盈利）进行比较，来确定估值。同样，在信用债市场，价值投资寻求确定债券的信用利差是否足以补偿其风险，以此来识别错误定价。
一个典型的量化方法是在信用利差的线性回归框架中估计公允利差（Houweling和Van Zundert，2017年1）。回归的残差（即公允利差估计值和市场利差之差）被用作一个价值指标。残差大则说明债券定价错误，而残差小则说明债券定价公允。
运用机器学习优化风险管理
然而，随着风险指标（非线性关系和相互作用关系）之间的依赖关系越来越复杂，线性回归模型将难以招架。例如，5个风险指标会产生10种相互作用关系，而10个风险指标产生的相互作用关系高达45种。
因此，解决之道在于使用基于机器学习的模型，特别是所谓的回归树，来增强价值因子。回归树的风险控制效果好于传统方法，它能够纳入非线性关系和相互作用效应，因此可以减少对风险较高债券的偏见，使投资者从真正的错误定价中获得更多的回报。
为了弄清楚基于机器学习的价值因子在降低风险方面的成效，我们评估了基于机器学习的价值因子对传统公司债券风险的暴露，并将其与具有线性风险控制的价值因子和无风险控制的价值因子进行了比较。
图1：对风险维度的敞口
数据来源：荷宝，2024年。
为什么选择机器学习控制风险？
我们每月都计量所有价值因子对信用评级、行业、发行人规模组别和到期时间组别的风险敞口，并随时间汇总主动敞口情况。风险敞口评分越低，则说明一个价值因子控制给定风险维度的成效越大。上图显示，与无风险控制相比，使用线性风险控制有望将风险降低一半，这凸显了控制风险的重要性。
上图还显示，使用基于机器学习的风险控制有望进一步降低风险。由于这种大幅的风险降低，基于机器学习的价值因子在面对系统性冲击时能够表现出更强的韧性，因此风险更低。同时也说明，在信用债市场，基于机器学习的方法明显比传统价值因子更具优势。这也是我们在量化信用债策略中使用基于机器学习的价值因子的原因之一。
关注官方微信
免责声明:
本文由荷宝私募基金管理(上海)有限公司(“荷宝上海”)编制, 本文内容仅供参考, 并不构成荷宝上海对任何人的购买或出售任何产品的建议、专业意见、要约、招揽或邀请。本文不应被视为对购买或出售任何投资产品的推荐或采用任何投资策略的建议。本文中的任何内容不得被视为有关法律、税务或投资方面的咨询, 也不表示任何投资或策略适合您的个人情况, 或以其他方式构成对您个人的推荐。本文中所包含的信息和/或分析系根据荷宝上海所认为的可信渠道而获得的信息准备而成。荷宝上海不就其准确性、正确性、实用性或完整性作出任何陈述, 也不对因使用本文中的信息和/或分析而造成的损失承担任何责任。荷宝上海或其他任何关联机构及其董事、高级管理人员、员工均不对任何人因其依据本文所含信息而造成的任何直接或间接的损失或损害或任何其他后果承担责任或义务。本文包含一些有关于未来业务、目标、管理纪律或其他方面的前瞻性陈述与预测, 这些陈述含有假设、风险和不确定性, 且是建立在截止到本文编写之日已有的信息之上。基于此, 我们不能保证这些前瞻性情况都会发生, 实际情况可能会与本文中的陈述具有一定的差别。我们不能保证本文中的统计信息在任何特定条件下都是准确、适当和完整的, 亦不能保证这些统计信息以及据以得出这些信息的假设能够反映荷宝上海可能遇到的市场条件或未来表现。本文中的信息是基于当前的市场情况, 这很有可能因随后的市场事件或其他原因而发生变化, 本文内容可能因此未反映最新情况, 荷宝上海不负责更新本文, 或对本文中不准确或遗漏之信息进行纠正。