Robeco verwacht dat machine learning-technieken kunnen helpen om het voor risico gecorrigeerde rendement van bedrijfsobligaties te verbeteren. Maar het machine learning-beest laat zich niet zomaar temmen. ‘Als belegger moet je dan weten wat zinnig is en waar de machine moet stoppen.’
Bij de traditionele benadering van het waardebeleggen in bedrijfsobligaties spelen risicomaatstaven als kredietrating en looptijd een grote rol om de waardering te bepalen. Het idee is dat credits met dezelfde kredietratings en looptijden vergelijkbare risicoprofielen en dus vergelijkbare waarderingen hebben. Is dat niet het geval, dan liggen daar mogelijk kansen voor de belegger.
Maar deze benadering is volgens Robeco niet zonder beperkingen. Zo zegt de kredietrating van een obligatie niet alles. Ratingbureaus reageren niet direct op nieuwe informatie over een bedrijf en ratings worden doorgaans met vertraging aangepast.
Ook worden in de traditionele benadering obligaties vergeleken op basis van lineaire modellen, maar in werkelijkheid is de relatie tussen waardering en de verschillende risicomaatstaven niet altijd lineair, vooral niet bij obligaties met een hoog risico. De traditionele benadering heeft volgens de Rotterdamse asset manager ook moeite om de verschillende risicofactoren op waarde te schatten.
Robeco breidde de traditionele benadering al eerder uit, onder meer door extra risicomaatstaven mee te nemen in het beleggingsproces, maar is nog niet helemaal tevreden. De asset manager zet dan ook een nieuwe stap, door machine learning te gebruiken om naar onderwaarderingen bij bedrijfsobligaties te speuren.
Stabielere outperformance
‘In de eerste instantie laten we ‘de machine’ kijken naar risicomaatstaven die we al kennen en gebruiken, legt Patrick Houweling, co-head Quant Fixed Income van Robeco, uit, wijzend op indicatoren als de kredietrating van een bedrijf, de looptijd van een lening en hoeveel schuld er op de balans staat. ´Het doel is om te kijken of we met dezelfde gegevens nieuwe patronen kunnen ontdekken. In dit opzicht lijken de traditionele technieken en de nieuwe machine learning-methodes op elkaar, maar ze vullen elkaar aan, alsof je twee verschillende experts om hun mening vraagt en het gemiddelde neemt van beide adviezen.’
De nieuwe technieken leiden volgens Robeco niet per definitie tot een hogere, maar wel tot een stabielere outperformance, en daarmee op een verbeterd risicogewogen rendement.
Geen black box meer
De vraag is of Robeco de machine kan temmen. Machine learning is een relatief nieuwe techniek en heeft nog steeds de reputatie van een black box: er wordt een hoop data in de machine gegooid en er rolt ‘iets’ uit. Maar wat er onder de motorkap gebeurt, is voor velen een vraag. Vindt Robeco het spannend om zijn kwantitatieve bedrijfsobligatieportefeuilles te laten draaien op deze nieuwe technieken?
Houweling ervaart die spanning niet. Hij leidt het Quant Fixed Income-team bij Robeco dat nu voor het eerst machine learning heeft opgenomen in de selectiemodellen. Er is veel tijd en energie gespendeerd om goed te begrijpen hoe machine learning werkt. ‘Toen we de mogelijkheden aan het onderzoeken waren, waren we wel een beetje sceptisch, ook vanwege de reputatie van een black box, maar we zouden nooit een methode gebruiken waarvan we niet begrijpen hoe die werkt. We hebben het heel goed getest, er is flink geïnvesteerd om onze kennis hierover op peil te brengen.
De expert van Robeco ziet dat er inmiddels veel academische literatuur en informatie op het internet beschikbaar is, naast software en rekenkracht om machine learning-modellen te trainen. ‘Dat geeft ons het vertrouwen om het te implementeren in onze obligatieportefeuilles. De grote techbedrijven gebruiken de technieken allemaal. Het zijn in een relatief korte tijd bekende en betrouwbare gereedschappen geworden en dat helpt.’
Maar Robeco geeft de machine geen vrij spel: ‘Er is altijd menselijke kennis nodig over bedrijfsobligaties en de waardefactor om dit goed te laten werken. Zet je het nieuwe gereedschap niet goed in, dan kunnen er ongelukken gebeuren.’
Niet volledig waterdicht
Volledig waterdicht is de machine niet. ‘Maar ook de traditionele methodes hebben ook voor- en nadelen’, aldus Houweling. De kracht van machine learning is volgens hem ook de grootste valkuil. De machine kan allerlei patronen uit de data halen om de waardering van een obligatie te bepalen, maar bepaalde patronen kunnen ook toevalligheden zijn die zich niet zullen herhalen in de toekomst.
Houweling noemt dat ‘overfitting’: er wordt meer uit de data gehaald, dan erin zit. ‘Als belegger moet je dan weten wat zinnig is en waar de machine moet stoppen.’
Rol van portfoliomanager verandert niet
Houweling verwacht niet dat de rol van portfoliomanager verandert door machine learning. ‘Als belegger kijken we nog steeds naar wat er uit de machine rolt, of die resultaten logisch zijn en of het model nog iets over het hoofd heeft gezien. We kijken nog altijd zelf naar bijzonderheden, bijvoorbeeld lopende rechtszaken of overnames, die van invloed zijn op de waarde van een obligatie. We hebben met machine learning gewoonweg een nauwkeurigere manier gevonden om vast te stellen of een obligatie onder- of overgewaardeerd is.’