Skattning av aktie- och räntebeta i företagsobligationer
Detta material har tagits fram av Captor Fund Management AB enbart i informations- och marknadsföringssyfte och ska inte ensamt användas som investeringsunderlag. Innehållet är uteslutande avsett för kunder i Sverige. För råd om placeringar anpassade efter just dina förutsättningar är du välkommen att kontakta rådgivare på Captor.
Historisk avkastning är ingen garanti för framtida avkastning. De pengar som placeras i fonder kan både öka och minska i värde och det är inte säkert att du får tillbaka hela det insatta kapitalet.
Sammanfattning
Vi tar fram en modell för skattning av aktiebeta som förklaring till spreadrisk i företagsobligationer baserat på likvida börshandlade amerikanska ETF’er. Modellen syftar till att, via rating, kreditduration och ränteduration, ge en fingervisning om risken i en företagsobligationsportfölj för vilken det saknas marknadsdata av hög kvalitet. Modellen bygger på att lejonparten av risken i portföljen kan attribueras till aktie respektive ränteriskfaktorer.
Inledning
Historiska tidsserier av företagsobligationsportföljer är ofta av alltför låg kvalitet för att utgöra underlag för portföljoptimering. Det är allmänt känt att dess volatilitet i normal marknad ofta underskattar risken för större förluster i samband med stressade marknadsförhållanden. I syfte att kunna jämföra ”äpplen med äpplen” gör vi en skattning av aktie- respektive räntebeta i företagsobligationer beroende av rating samt kredit- och ränteduration m h a frekvent handlade ETF’er på den amerikanska marknaden. Tanken är att dessa skattningar ska kunna användas för att ge en approximativ bild av portföljer där motsvarande kvalitet i marknadsdata saknas såsom fonder och icke-noterade obligations- och låneportföljer. Målet är att ta fram en modell där man baserat på portföljens rating, kreditduration och ränteduration ska kunna uttala sig om dess risk på ett sätt som är jämförbart med likvid aktie- och räntemarknad.
Modellen tar sikte på generell marknadsrisk, d v s väldiversifierade portföljer där den specifika fallissemangsrisken i enskilda innehav får liten påverkan. Det bör även påpekas att modellen inte försöker skatta framtida avkastning utan ska ses som ett hjälpmedel att förstå risk i en sammansatt portfölj av aktier och obligationer.
Aktie och ränterisk utgör två helt skilda riskfaktorer med svagt negativ korrelation under längre tidsperioder. Under senare år och i synnerhet sedan centralbankernas stimulanser inleddes i samband med finanskrisen kan man observera att de flesta risktillgångar har fått en ökad korrelation med aktiemarknaden. Marknader har även med tiden blivit mer kopplade p g a teknikutveckling vilket spätt på den ökande korrelationen mellan risktillgångar. Ränterisk är den enda större diversifierande riskfaktorn som tycks bestå. Obligationer kan betraktas som bestående av en del ren ränterisk samt en del kreditrisk i form av den spread investeraren kräves som kompensation för risken denne bär. Generell spreadrisk är starkt korrelerad med aktiemarknaden.
Underlaget
Den amerikanska ETF marknaden utgör en unik population av tillgångar där statistisk analys kan göras utan de sedvanliga problemen att justera för olika marknaders helt olika prisbildningsprocesser och transparens. De handlas samtliga i en öppen orderbok, med hög omsättning och ett stort antal avslut per dag. Volatiliteten i dessa ETF’er är högre än motsvarande traditionella fonder och portföljer som förlitar sin värdering på kvoterade, inte alltid handlade, priser. Den underliggande risken är dock densamma och i en stressad marknad konvergerar prisbildningen. ETF marknaden utgör ett utmärkt fönster för att öka förståelsen för hur en mindre likvid portfölj kommer utvecklas i relation till andra tillgångsslag i portföljen i nästa stressade marknad.
För att göra betaskattningar har vi valt ut ett antal likvida ETF’er.
Underlag för rating, kreditduration samt ränteduration är hämtade från respektive fondbolags hemsida oh i vissa fall Bloomberg. Portföljrating är beräknad via Morningstar ”New Methodology for Average Credit Quality”, 2010, där vikter mellan olika ratingkategorier utgår från historiska fallissemang. Vi har vidare valt att arbeta med veckodata i syfte att få tillräckligt stora observationer och därmed reducera eventuellt brus samtidigt som vi fortsatt behåller tillräckligt många observationer. Den analyserade tidsperioden är 2008-01-01 fram till idag.
SPY utgör aktiefaktor och TLT utgör räntefaktor. GOVT är likt TLT bestående av amerikanska statsobligationer och används som en brygga mot de kortare löptider som företagsobligationsportföljerna har vid en beräkning av implicit ränteduration.
Skattningar
Hela perioden
I en första övergripande analys gör vi en linjär tvåfaktorregression över hela perioden.
Ett bra test på skattningarnas kvalitet är att jämföra portföljernas angivna ränteduration med den implicit framräknade via regressionsanalysen. Som synes ger den enkla linjära tvåfaktormodellen en bra skattning för de flesta portföljer utom för de två ”high yield” portföljerna HYG och JNK. Beteendet för dessa två förklaras nästan uteslutande av aktieriskfaktorn då det minimala ränteriskbidraget försvinner i bruset.
Lågvolatil marknad respektive stressad marknad
För att testa stabiliteten i skattningarna delar vi upp avkastningarna i en lågvolatil del samt en stressad del. Båda delarna består av 2 års, icke sammanhängande data, d v s 104 observationer. Vi låter VIX index utgöra en indikator på vad som anses vara lågvolatil respektive stressad marknad.
Den uppenbara slutsatsen av uppdelningen är att stressurvalet ligger mycket närmare skattningarna av hela perioden än vad det lågvolatila urvalet gör. I det lågvolatila urvalet är rörelserna så små att skattningar blir väldigt osäkra. För att få en uppfattning om hur det ser ut under normal marknad använder vi istället perioden mellan finanskrisen och Coronautbrottet, 2009-06-30 till 2019-12-31.
QE Bull marknad
Det är uppenbart att aktiebeta ökar i en stressad marknad jämfört med andra perioder. Man skulle kunna tänka sig att testa en ickelinjär modell istället men vi väljer att fortsättningsvis jobba med dessa två scenarion separat.
Interpolering och extrapolering m h a historiskt skattad kumulativ sannolikhet för fallissemang per ratingkategori
I syfte att fylla ytan i en aktiebetamatris av rating och kreditduration är det rimligt att använda sig av historiskt skattade sannolikheter för fallissemang. Vi har valt att använda Moody’s data där de justerat estimaten för bolag som valt att dra tillbaka sin rating vilket ofta händer vid större ratingförsämringar över tid och som då underskattar estimat där justering inte gjorts. Vi gör en anpassning av Moodys’s data till skattad aktiebeta med en enda konstant så att de relativa avstånden mellan ratingkategorierna bibehålls.
I en proportionell anpassning av de kumulativa sannolikheterna för fallissemang till skattade aktiebeta kan man observera att portföljerna inom ”investment grade” tenderar att ha en något högre marknadsrisk än vad historiska förluster indikerar.
I stress accentueras observationen från normalmarknadsskattningarna och ”investment grade” portföljer tenderar att ha en väsentligen högre marknadsrisk än vad som indikeras av historiska förluster.
En anpassning till den observerade marknadsdatan i stressad marknad
Det kan konstateras att högre rating har en högre aktiebeta relativt lägre rating i förhållande till den risk som indikeras av historiska fallissemang. Eftersom vi i detta fall är intresserade av att modellera de faktiska marknadsrörelserna i förhållande till aktieriskfaktorn behöver vi justera vår anpassning. Vi väljer istället att anpassa ”high yield” och ”investment grade” separat från varandra och därefter fyller vi utrymmet emellan genom att jämnt fördela ut övriga ratingkategorier.
Slutsatser
Man hade kunnat förvänta sig att den risk som indikeras av fallissemangsfrekvens skulle återspegla linjärt i betaskattningarna men så är inte fallet. Bättre ratingkategorier har ett högre aktiebeta och är därmed mer volatila än vad historisk fallissemangsfrekvens indikerar i förhållande till sämre ratingkategorier. För att skapa en betatabell behöver man anpassa olika ratingkategorier separat och därefter gör en interpolering för de ratingkategorier som saknar data.
Referenser
New Methodology for Average Credit Quality, Morningstar 2010
Measuring Corporate Default Rates, Moody’s 2006
Appendix
