Bei Value Investing in Unternehmensanleihen geht es darum, unterbewertete („günstige“) Anleihen zu kaufen und davon zu profitieren, wenn deren Kurse schließlich zu ihrem erwarteten („angemessenen“) Niveau zurückkehren. Aufbauend auf dem wissenschaftlichen Ansatz für Value Investing haben wir bei Robeco einen erweiterten Value-Faktor entwickelt und in unsere Multifaktor Unternehmensanleihestrategien integriert.
Dieser erweiterte Value-Ansatz folgt demselben Prinzip wie der wissenschaftliche, bringt aber zwei wichtige Verbesserungen mit sich. Erstens ergänzt er das Rating um mehrere, genauere und leichter anzupassende Risikokennzahlen wie den Verschuldungsgrad, die „Entfernung“ zu einem Adressenausfall und die Volatilität von Aktien. Zweitens geht er durch die Verwendung einer gekrümmten Linie, um den angemessenen Wert zu schätzen, über den vereinfachenden „geradlinigen Ansatz“ hinaus. Mit dieser verbesserten Methode wird die nichtlineare Beschaffenheit der von Anlegern in tatsächlichen Szenarien beobachteten Creditspread-Kurven besser erfasst, und es kann damit besser zwischen wirklich unterbewerteten Anleihen und sogenannten „Value-Fallen“ unterschieden werden.1
Robeco hat diesen erweiterten Value-Ansatz in seinen Multifaktor-Unternehmensanleihen- und High-YieldStrategien erfolgreich umgesetzt. Bei der Flaggschiff-Strategie, der Global Multi-Factor Credits-Strategie, hat der Value-Faktor seit Auflegung am stärksten zur Outperformance beigetragen. Bemerkenswerterweise hat sie sogar in solchen Phasen eine gute Performance erzielt, in denen Value-Strategien bei Aktien sich nur unterdurchschnittlich entwickelten. 2
Integration des maschinellen Lernens hebt Value-Ansatz auf die nächste Stufe
Auch wenn der erweiterte Value-Ansatz von Robeco zu positiven Ergebnissen geführt hat und bis zu fünf Milliarden Euro an Kundengeldern in Strategien investiert sind, die diesen Faktor nutzen, gibt es gemäß unserer jüngsten Studien bei der Beurteilung des angemessenen Werts weiteren Verbesserungsspielraum, besonders in risikoreicheren Segmenten des Unternehmensanleihemarkts wie High-Yield-Anleihen. In diesen Segmenten mit höheren absoluten Spreads ist ein genauerer Ansatz nötig, um „Value-Fallen“ zu vermeiden. Nach umfangreichen Analysen haben wir deshalb beschlossen, unseren bestehenden Value-Ansatz durch Einbeziehung von Techniken des maschinellen Lernens (ML) zu erweitern, mit denen der Grad der Unterbewertung von Anleihen besser beurteilt werden kann.
Die als Regressionsbäume bezeichneten ML-Techniken, die wir einsetzen wollen, wurden entwickelt, um die komplexen Beziehungen und Muster zwischen den verschiedenen, von uns verwendeten Risikokennzahlen besser auszunutzen. Mit dieser erweiterten Methode können wir echte Value-Anlagechancen besser erkennen, um noch höhere risikobereinigte Renditen erzielen zu können.
Steigerung risikobereinigter Renditen
Die nachfolgende Tabelle zeigt die Untersuchungsergebnisse für ein globales Universum von Unternehmensanleihen in den Jahren 1994 bis 2002. Darin sind die einem Backtest unterzogene Outperformance, das aktive Risiko (Tracking Error) und das Rendite-Risiko-Verhältnis (Information Ratio) des wissenschaftlichen Value-Ansatzes, des aktuell von Robeco verwendeten Ansatzes und des ML-basierten Ansatzes dargestellt.
Die entscheidende Verbesserung des ML-basierten Ansatzes gegenüber dem aktuell verwendeten ValueAnsatz ist die Reduzierung des aktiven Risikos (Tracking Error). Der ML-basierte Value-Ansatz zeichnet sich dadurch aus, dass er „Value-Fallen“ im risikoreicheren Segment des Marktes meidet, was zu weniger Exponiertheit gegenüber den risikoreichsten Anleihen führt. Im Investment-Grade-Bereich wird diese Reduzierung des aktiven Risikos bei im Vergleich zum derzeitigen Ansatz etwas geringerer Outperformance erreicht. Bei High-Yield-Anleihen ist die Outperformance zwar geringer. Der ML-basierte Ansatz reduziert aber das aktive Risiko erheblich, was zu einer deutlich besseren risikobereinigten Gesamtperformance der Strategie führt, wie die Information Ratio zeigt. Dies macht deutlich, dass mit dem ML-basierten Value-Faktor bei moderatem Risiko eine attraktive Outperformance erreicht werden kann.
Integration des ML-basierten Value-Faktors in bestehende Strategien
Die Multi-Factor Credits-, Multi-Factor High Yield-, Conservative Credits- und die Enhanced Index-Strategie von Robeco bieten eine ausgewogene Exponiertheit gegenüber mehreren Faktoren. Value ist einer von fünf Faktoren – neben Low-Risk, Quality, Momentum und Size. Wir ergänzen den bestehenden Value-Faktor künftig durch einen ML-basierten Value-Faktor von 50 Prozent. Diese Ergänzung zielt in erster Linie darauf ab, den Risikobeitrag des Value-Faktors zu verringern und so höhere risikobereinigte Renditen zu erzielen. Durch Einbeziehung des ML-basierten Values können diese Strategien besser zwischen wirklich unterbewerteten Anleihen und „Value-Fallen“ unterscheiden, was letztendlich zu besseren Anlageentscheidungen führt.
Von Patrick Houweling, Co-Leiter Quant Fixed Income, Robeco
1 Houweling, Van Zundert, Beekhuizen und Kyosev: „Smart Credit Investing: The Value Factor“; White Paper von Robeco; 2016.
2 Berkien und Houweling: „There’s no quant crisis in credits“; White Paper von Robeco; 2021.
