【VERDAD】预测债券评级上下调
type
Post
status
Published
date
Jan 27, 2023
summary
How We Built Models to Predict Rating Changes in the Bond Market
tags
category
阅读笔记
password
slug
icon
主动选择债券始于收益率结束的地方：选择债券的核心挑战是选择随后质量提高的债券，并避免债券变得更糟。了解这一点的一种简单方法是查看评级机构评级上调与下调评级的债券的表现。下图显示了BB债券在相应12个月内按升级和降级活动划分的平均起始收益率和平均后续12个月回报率。
固定收益的资金来自购买随后改善的债券，而不是收益率。
信用评级之于固定收益，就像估值倍数之于股票一样。大多数信贷分析师关注收益率和久期，而大多数股票分析师关注增长和贴现率，但在我们看来，回报的真正驱动因素是债券评级的变化和股票倍数的变化。我们认为，在了解真正推动信贷回报的因素方面，关键在于了解是什么推动了评级的变化。
虽然我们比大多数机构更尊重评级机构，但第一步是脱离机构评级，并定义更敏感的质量变化衡量标准。具体而言，我们使用从当前市场价格得出的市场隐含评级。该评级的变化是衡量市场如何定价债券风险的绝佳指标，这些变化提供了更精确的目标。当我们切换到市场隐含评级时，性能差异的大小会随着评级的变化而增加，如下所示。
信贷市场定量分析的最大挑战是建立一个数据库，将公司债券回报与公司财务长期联系起来。Verdad债券数据库每月拥有30 +年的描述性和财务数据，涉及5，000多种美国投资级和高收益债券。对于这个项目，我们将数据汇总到公司层面，对有担保、无担保和次级债务进行了单独的级别。由此产生的数据库包含 3，257 家独特公司的数据和 90 多个财务指标，包括标准财务指标、债务特定指标和构建变量，这些变量在以前的定量工作中已被证明对我们有用。在大多数情况下，我们还将数据转换为自然对数尺度，这给出了更对称的分布，使其更容易建模。
这些信号可以分为以下几类：
- 价格信号，包括债券的市场隐含评级
- 债券价格的动量（以及在股票市场上交易的公司的股权）
- 规模度量，包括总资产和总收入
- 杠杆指标，包括公司的总债务负担及其偿还债务的能力
- 利润率
- 会计质量，包括公司管理营运资金的有效性
为了基于这些数据构建模型，我们必须定义我们试图预测的变量。我们决定尝试预测市场隐含评级的变化。我们将升级定义为在 12 个月内评分上调超过 1 个单位，将降级定义为在 12 个月内评分下降超过 1 个单位。这相当于一个等级的升级，例如从BB2升级到BB1，或者一个等级的降级，例如从A3到BBB1。请注意，我们的基础市场隐含信用评级是连续的，因此它们可以以小数增量变化。下图显示了我们数据集中 12 个月评级变化的分布。
有趣的是，当我们按信用评级绘制升级和降级的基本利率时，我们看到不同的概率分布。升级大致是线性的：评级越低，升级的可能性就越高。评级下调遵循U形分布，评级最高和最低的债券最有可能被下调。这些上调和下调市场隐含评级的基本利率如下所示。
为了在预测升级和降级时捕捉起始评级的重要性，我们决定依靠非参数统计模型：一个不受变量之间关系的固定假设约束的模型。这很重要，因为初始评级以不同的方式与不同的变量相互作用。举一个简单的例子：基于信用利差的动量策略，往往是评级较高的债券的倾向于均值回归，但对于评级较低的债券，倾向于趋势（即，评级较低的债券变差时未来往往会继续恶化，而评级较高的债券遇到困难时期往往会扭转局面）。
理想的模型需要捕捉这种动态，惩罚具有负动量的低评级债券，同时奖励具有负动量的高评级债券 - 这是机器学习模型非常适合的任务。
为了确保我们正在开发一个可以预测样本外的稳健模型，我们创建了一个公司的保留样本来评估样本外预测的准确性。这样，我们可以根据模型从未见过的新数据来判断模型，而不是在训练过程中已经学习的样本。为了使保留样本完全独立于训练样本，我们随机选择了 40% 的公司进行保留。例如，从 1996 年到 2020 年的所有年份，训练样本可能包括苹果、通用和埃克森美孚，但这些公司永远不会出现在保留样本中。同样，保留样本可能包括波音、耐克和威瑞森，但这三家公司永远不会出现在训练样本中。下图总结了我们的样品拆分方法。
最后，我们使用训练样本训练了两个机器学习模型：一个用于预测降级，另一个用于预测升级。这些随机森林模型的工作原理是构建数百个独立的决策树，然后对这些树的预测求平均值，以便为每个公司做出组合预测。目标是让模型为保留样本中的每个新公司提供降级或升级的概率。
当我们根据保留样本评估我们的模型时，我们希望看到降级概率高的公司实际上被高利率下调。同样，我们希望看到升级概率高的公司在保留样本中实际上以高速度升级。事实上，这就是发生的事情。下图根据我们两个模型的预测降级概率和预测升级概率将保留样本划分为十分位数。每个预测十分位数的实际结果显示在实线中。请注意实际结果如何与每个十分位数中的预测概率紧密一致。
样本外升级的可能性
样本外降级的可能性
对于排名前十分之一的公司，降级模型预测降级概率为45%，实际上有43%的公司被降级。这比随机猜测好 1.8 倍，因为数据集中的基本降级率为 24%。
同样，在升级概率的前十分位数中，升级模型预测升级概率为 44%，38% 的公司实际上进行了升级。这也比随机猜测好 1.8 倍，因为数据中的基本升级率为 21%。
按升级概率预测分组，划分的样本外远期12个月债券回报（1996年12月至2020年8月）
自1996年以来的24年中，最有可能升级的前十分之一债券产生了9.7%的年化回报率，每年比最低十分之一高出4个百分点以上。
在下调预测的回报率中可以看到类似的利差，如下图所示。自1996年以来的24年中，最不可能被下调的债券产生了8.7%的年化回报率，每年比最差的十分之一债券高出5个百分点以上。
按降级预测划分，样本外12个月远期债券回报（1996年12月至2020年8月）
上调和下调预测可以合并为一个统一的排名，以追求既有上调几率高又有低被下调几率的债券。这种组合导致一种策略，即根据其基本面购买比应有的
便宜的债券，同时避免风险最高的CCC债券，因为它们的高升级概率也与高概率降级有关
。这种组合的另一个好处是，降级模型可以抵消升级模型的收益偏好。降级模型对起始评级相当中性，因为所有降级十分位数的平均收益率为7%。另一方面，由于信用评级与升级概率之间存在线性关系，升级模型有利于高收益债券。因此，处于升级概率前十分之一的债券（年回报率为9.7%）的起始收益率也在10%左右。因此，整合这两个模型应该可以抵消组合排名中的任何收益偏差。
按综合排名划分的样本外12个月远期债券回报（1996年12月至2020年8月）
这些样本外结果也为股票投资者带来了好消息。如果预测评级变化有利于债券回报，那么它也应该有利于从属于这些债券的股票。图4根据上面的综合债券排名证实了这一点。自1996年以来，综合债券排名最高的十分之一股票的年化回报率为15.1%，每年比最低十分位数的股票高出13个百分点以上。
我们认为，我们的信用模型在股票市场的样本外表现可以作为额外的稳健性检查。综合债券排名最低十分之一的股票每年回报率勉强超过1%，表现逊于大多数公司债券，这是有道理的。毕竟，这些股票从属于低质量信贷，由于降级，这些信贷甚至没有获得起始收益率。另一方面，综合债券排名前十分之一的股票每年获得15%的高回报，因为它们从属于质量不断提高并显着超过其收益率的信贷