Robeco logo

免责声明

荷宝私募基金管理(上海)有限公司及其关联公司(“荷宝”)授予您访问本网站的权利, 但您需遵守以下条款和条件。请您仔细阅读以下条款和条件。

访问本网站及其任何页面, 即表示您声明并保证您所在司法管辖区的适用法律和法规允许您访问该信息, 并且您已同意以下条款和条件。如果您不同意这些条款和条件, 请不要访问本网站。 荷宝保留更改该等条款和条件的权利, 您应当定期查看此类更改, 您继续使用本网站即表示同意所有此类更改。

本网站上的任何内容均不构成税务、会计、监管、法律、保险或投资建议。本网站所载的信息或任何意见均不构成荷宝对买卖任何证券、期货、期权、基金或其他金融工具的招揽或要约, 并且若在任何司法管辖区内, 根据其适用法律, 此类要约、招揽、购买或出售是违法的, 也不得向任何人提供或出售任何此类金融工具。

限制
本网站不针对由于任何原因本网站被禁止发布或使用的司法管辖区内的人士, 任何适用此类禁令的人士不得访问本网站。访问本网站的用户有责任遵守适用法律法规。

信息与材料
这些页面中包含的信息, 材料, 条款, 条件和说明可能会有所变化。本网站包含的信息和材料, 包括但不限于文本, 图形, 链接或其他项目, 均为“现有”或“现存”信息。

荷宝尽合理努力在本网站中提供准确和最新的信息。但是荷宝不保证此信息和材料的准确性, 充分性或完整性, 并明确表示不对此类信息和材料中的错误或遗漏承担责任。您必须自己评估本网站所含信息的相关性, 准确性和充分性, 并进行您认为必要或适当的独立调查, 以进行此类评估。本网站包含的任何意见或估计均为一般性的, 您不得依赖其作为建议。

荷宝及其任何雇员或代理均未对您或任何特定人士或群体的投资目标, 财务状况或特殊需要进行任何考虑或调查。因此, 对于因您或任何人士或群体根据本网站包含的任何信息, 意见或估价而直接或间接造成的任何损失, 荷宝不作任何保证, 也不承担任何责任。

用于编制本网站的任何研究或分析均由荷宝获得, 供其自行使用, 并且可能是出于其自身目的而采取的行动。荷宝保留随时更改和更正意见、本网站及相关材料和链接的权利, 恕不另行通知。

不保证: 限制与责任
荷宝提供本网站的信息及材料, 但不作出与此相关的任何保证, 无论是明示的, 暗示的或法定的保证, 包括但不限于不侵犯第三方权利, 所有权, 适销性, 适用于特殊用途, 或免于计算机病毒的保证。

对于通过使用或访问本网站可能导致的任何形式的损失或损害, 包括直接的、间接的或后果性的损害, 荷宝均不承担责任。

互联网用户应该意识到, 由于我们无法控制的情况,
互联网上的通信可能会受到干扰、传输中断、数据传输延迟或错误的影响。荷宝明确表示不对中断、缺陷、操作或传输延迟、计算机病毒或系统故障,
或与本网站提供的信息和材料中的任何错误或遗漏承担责任。此外, 对于与本网站、使用或无法使用本网站有关或由此引起的任何损失或损害,
或任何未经授权方和任何计算机病毒篡改用户计算机系统的行为, 荷宝均不承担责任。

19-04-2024 · 研究

机器学习如何改善信用债的价值投资

价值投资被股票和信用债投资者广泛采用,概括来说就是“低买高卖”。具体投资方法因资产类别而异,但目标是一致的,即识别相对的错误定价。荷宝的研究发现,基于机器学习的风险控制有望进一步降低风险,提升基于机器学习的价值因子面对系统性冲击时的稳定性,并凸显其相较于传统信用债投资的优势。

    作者

  • Philip Messow - Researcher

    Philip Messow

    Researcher

  • Patrick Houweling - Head of Quant Fixed Income

    Patrick Houweling

    Head of Quant Fixed Income

  • Robbert-Jan 't Hoen - Researcher

    Robbert-Jan 't Hoen

    Researcher

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

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

image.png


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。