“该方法通过带有加性预测误差的模型预测债券超额回报，使用20年滚动窗口估计并进行多模型比较。样本外预测性能通过R²评估，使用Fama-MacBeth方法分析误差显著性。重要性分析表明，随机森林和套索模型表现良好，不同预测因子对债券类型的重要性不同。经济收益分析显示，仅使用企业债券特征的策略，每月回报率达1.37%。”
资产类别：债券 | 地区：美国 | 频率：每月 | 市场：债券 | 关键词：机器学习，企业债券
策略概述
<方法论>
本方法的精髓如下：资产（特别是债券）的超额回报通过带有加性预测误差的模型表征。使用面板方法预测债券回报，假设所有债券回报观测值的条件期望形式相同。条件期望被表示为债券特征和总体预测因子的总和。模型通过每年末基于过去20年的滚动窗口进行递归估计，并固定用于接下来12个月的预测。多种预测模型，如组合预测、惩罚线性回归、降维和集成树模型，被用于性能评估。
<性能评估指标>
- 样本外R2预测性能：通过相对于基准预测的均方误差减少量来评估。使用20年移动平均超额回报作为基准。
- Fama-MacBeth样本外R2预测：通过每月的预测误差时间序列评估，Fama-MacBeth的样本外预测性能计算有助于使用稳健的标准误评估预测误差的统计显著性。
- 变量重要性：通过将某一预测因子设置为0并保持其他预测因子不变，来计算预测误差的减少量，进而识别对企业债券回报预测能力较强的因子。
<数据>
企业债券回报数据来自四个数据库：Lehman Brothers Fixed Income (LBFI)、DataStream、National Association of Insurance Commissioners (NAIC) 和 Trade Reporting and Compliance Engine (TRACE)。样本数据涵盖1973年至2020年，优先使用TRACE、NAIC、LBFI和DataStream数据。
只考虑普通债券，剔除如资产支持债券、非美元计价债券、特殊息票债券及期限低于一年或超过30年的债券。
预测结果表明，企业债券的回报具有强大的样本外可预测性，尤其是随机森林和套索模型的表现良好。
<经济收益>
作者通过变量重要性评估发现，不同债券特征和总体预测因子的相对重要性因债券类型而异。在随机森林模型中，仅使用企业债券特征的多空策略每月回报率为1.37%，夏普比率为2.23。加入总体预测因子后，平均回报率提升至1.86%，夏普比率提升至3.41。
策略合理性
企业债券资产定价测试和回报预测的实证方法之所以能够有效运作，基于以下几个根本原因：
- 数据可获得性的提升：2002年7月启动的交易报告和合规引擎（TRACE）提供了全面的企业债券交易数据，使研究人员能够访问大量数据进行实证分析。这促进了开发更准确和可靠的企业债券回报预测模型。
- 对企业债券的关注度提升：尽管资产定价和回报预测的实证方法在股票市场中得到了广泛研究，但在企业债券领域的文献相对较少。然而，鉴于企业贷款市场与股票市场规模相当，并且是公共融资的主要来源，研究人员越来越认识到理解企业债券的风险回报权衡和回报可预测性的重要性。这激励了研究人员开发专门为企业债券量身定制的新方法和模型，从而提高了实证方法在该领域的功能性。
- 机器学习的进展：近年来，诸如套索回归、主成分分析和随机森林等机器学习方法由于能够处理高维数据并捕捉非线性关系而受到欢迎。这些方法通过整合大量预测因子并探索复杂的预测因子结构，已证明在预测企业债券回报方面非常有效。机器学习技术的广泛应用提高了企业债券回报预测的模型准确性和稳健性。
- 长期样本数据的可用性：1976年至2020年期间的长期企业债券回报样本的可用性，使研究人员能够评估不同商业周期下的回报预测，并分析预测模型的长期表现。这为企业债券回报的时间可预测性提供了洞见，推动了实证方法在该领域的改进。
- 公募和私募债券的全面评估：与早期研究主要关注公募债券不同，最近的研究扩展了分析范围，涵盖了公募和私募债券，从而更全面地评估了企业债券的回报可预测性。这导致了不同的回报预测模式在公募和私募债券中的发现，并有助于更好地理解两类债券的风险回报动态。
总体而言，数据可获得性的提升、对企业债券的关注度增加、机器学习的进展、长期样本数据的可用性以及公募和私募债券的全面评估，集体推动了实证方法在企业债券资产定价测试和回报预测中的功能性改进。这些进展为投资者和政策制定者提供了在管理和预测企业债券投资相关风险方面的宝贵洞见。
论文来源
Predicting Individual Corporate Bond Returns [点击浏览原文]
- Xin He, 湖南大学
- Guanhao Feng, 香港城市大学
- Junbo Wang, 香港城市大学经济与金融系
- Chunchi Wu, 美国纽约州立大学布法罗分校管理学院
<摘要>
本文通过机器学习方法，记录了企业债券回报可预测性及其带来的投资收益的显著证据。基于预测的多空策略和市场时机策略，在交易成本之后仍能实现显著的风险调整回报。随机森林方法表现最佳，因为回归树的集成有助于减少过拟合。利用1976年至2020年的长期样本，我们可以评估不同商业周期中的回报预测性，发现总体预测因子（如企业债券市场回报和期限因子）比债券特征具有更高的预测能力。
回测表现
| 年化收益率 | 24.7% |
| 波动率 | 7.24% |
| Beta | N/A |
| 夏普比率 | 3.41 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
