机器学习如何改善信用债的价值投资

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。

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。

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。