Priced risk in corporate bonds

Questo studio mette in discussione i recenti risultati a favore dei modelli multifattoriali, dimostrando che, con l'eccezione della liquidità scambiata, i fattori di rischio proposti non possiedono potere esplicativo aggiuntivo rispetto al fattore di mercato obbligazionario, rendendo estremamente difficile stabilire una pricing fattoriale comune nei bond corporate.

L'essenziale

Immagina il mercato delle obbligazioni aziendali come un grande mercato dell'usato, dove le persone comprano e vendono "promesse di pagamento" di varie aziende. Per decenni, gli investitori e i matematici hanno cercato di capire la "ricetta segreta" per prevedere quali di queste obbligazioni daranno un buon rendimento e quali no.

È un po' come cercare di prevedere il meteo: se sai che c'è una tempesta (rischio), ti aspetti che il prezzo scenda, giusto? Ma la domanda è: quali sono le vere tempeste?

Ecco di cosa parla questo studio, spiegato in modo semplice:

1. La Caccia al "Fattore Magico"

Negli ultimi anni, alcuni ricercatori famosi (chiamiamoli i "Cacciatori di Fattori") hanno detto: "Non basta guardare il mercato generale! Abbiamo scoperto nuovi 'fattori di rischio' specifici per le obbligazioni, come il rischio di credito, il rischio di liquidità o il rischio di volatilità. Se usi questi nuovi ingredienti nella tua ricetta, puoi battere il mercato!"

Hanno creato modelli complessi, come un menu gourmet con 4 ingredienti speciali, sostenendo che questo menu è molto meglio del semplice "piatto del giorno" (che è solo il mercato delle obbligazioni).

2. Il Grande Esame di Ripasso

Gli autori di questo articolo (Dickerson, Mueller e Robotti) hanno deciso di fare da ispettori sanitari per quel menu gourmet. Hanno preso i dati, ricreato le ricette passo dopo passo e hanno detto: "Fermiamoci e controlliamo se questi ingredienti extra funzionano davvero."

Ecco cosa hanno scoperto, usando delle metafore:

• L'Ingrediente "Finto" (Il problema dei dati): Hanno scoperto che le ricette originali dei "Cacciatori di Fattori" avevano un difetto di costruzione. Era come se qualcuno avesse scritto la ricetta per il dolce di oggi, ma avesse usato gli ingredienti che si compreranno domani. C'era un errore di tempo (un "look-ahead bias"). Quando hanno corretto questo errore, il sapore del piatto è cambiato drasticamente: non era più così buono come sembrava.
• Il "Fattore Liquido" (L'unica eccezione): C'era un ingrediente, la liquidità (quanto è facile vendere l'obbligazione velocemente), che sembrava avere un po' di senso. È come se in un mercato affollato, pagare un extra per la facilità di vendita avesse un senso. Ma anche qui, il beneficio era molto piccolo.
• Il "Fattore Mercato" (Il Re): Hanno scoperto che, in realtà, tutti questi nuovi ingredienti extra (rischio di credito, volatilità, incertezza economica) erano già contenuti nel semplice "Fattore Mercato".
  • Metafora: Immagina di avere un'auto (il mercato delle obbligazioni). I ricercatori dicevano: "Dobbiamo aggiungere un turbo, un sistema di navigazione GPS e un sedile massaggiante per andare più veloci!". Gli autori di questo studio dicono: "No, guardate: l'auto va già veloce da sola. Il turbo e il GPS sono solo decorazioni che pesano e non aggiungono vera velocità. Se togliete il turbo, l'auto va quasi uguale."

3. La Verità Scomoda

Il risultato principale è che non serve complicarsi la vita.
Se un investitore vuole guadagnare dalle obbligazioni aziendali, non ha bisogno di modelli complessi con 4 o 7 fattori. Basta guardare il mercato delle obbligazioni nel suo insieme (il "Fattore Mercato").

• I modelli complessi promettevano rendimenti extra, ma quando li hanno testati con le regole giuste (senza errori di calcolo), quei rendimenti extra sono svaniti.
• Aggiungere questi fattori extra è come cercare di migliorare una torta di cioccolato aggiungendo sale, pepe e cannella: alla fine, il sapore è confuso e non migliora il risultato. Anzi, costa di più (commissioni di transazione) e crea confusione.

4. Perché è importante?

Perché nel mondo della finanza, a volte si crea "rumore" attorno a teorie che sembrano brillanti ma che, se provate nella realtà, non reggono.
Questo studio dice: "Rallentiamo. Smettiamo di cercare la formula magica complicata. La soluzione più semplice (il mercato delle obbligazioni) è spesso quella più robusta e affidabile."

In sintesi:
Gli autori hanno smontato i modelli complessi proposti da altri ricercatori, mostrando che contenevano errori di calcolo e che i loro "super-poteri" erano illusori. Hanno dimostrato che, per le obbligazioni aziendali, la semplicità vince sulla complessità. Il mercato delle obbligazioni è già un buon indicatore di rischio; non serve cercare di inventare nuovi "super-eroi" finanziari che, in realtà, non esistono.

Sommario tecnico

1. Il Problema di Ricerca

La letteratura recente sui titoli di credito (corporate bonds) ha proposto modelli multifattoriali (in particolare il modello a quattro fattori di Bai, Bali e Wen, 2019 - BBW) che sostengono di spiegare la variazione trasversale dei rendimenti attesi in eccesso. Questi modelli introducono fattori di rischio aggiuntivi rispetto al semplice fattore di mercato obbligazionario, tra cui:

• Rischio di ribasso (Downside Risk - DRF).
• Rischio di credito (Credit Risk - CRF).
• Rischio di liquidità (Liquidity Risk - LRF).
• Fattori non scambiati (es. incertezza macroeconomica, volatilità sistematica, rischio di consumo a lungo termine).

Tuttavia, l'articolo solleva dubbi sulla validità empirica e metodologica di queste scoperte. Il problema centrale è stabilire se questi fattori aggiuntivi possiedano un vero potere esplicativo incrementale rispetto al fattore di mercato obbligazionario (MKTB) o se i risultati positivi riportati in letteratura siano artefatti statistici derivanti da errori di costruzione dei dati, specificazione errata del modello o mancanza di identificazione.

2. Metodologia e Dati

Gli autori utilizzano un approccio rigoroso basato su dati e strumenti statistici avanzati per riesaminare le evidenze precedenti.

Dati:

• Fonte principale: Database TRACE (Trade Reporting and Compliance Engine) migliorato, integrato con FISD (Mergent Fixed Income Securities Database).
• Periodo: Luglio 2002 – Dicembre 2016.
• Campione: 31.348 obbligazioni emesse da 3.792 aziende (861.524 osservazioni mensili).
• Filtraggio: Applicazione rigorosa delle regole di filtraggio della letteratura (rimozione di obbligazioni private, strutturate, con coupon variabile, ecc.) e pulizia dei dati intraday.

Strumenti Statistici e Metodologici:

1. Analisi di Replica e Correzione Errori: Gli autori hanno ricreato i fattori BBW e hanno scoperto errori sistematici nei dati originali (errori di lead/lag o look-ahead bias per DRF e CRF, e errori di lag per LRF in certi periodi). Hanno corretto questi errori per le analisi successive.
2. Frontiera Media-Varianza e Rapporto di Sharpe: Utilizzo del rapporto di Sharice corretto per il bias (bias-adjusted squared Sharpe ratio) per confrontare l'efficienza dei modelli.
3. Regressioni Trasversali (CSR):
   • Confronto tra OLS (Ordinary Least Squares) e GLS (Generalized Least Squares). Seguendo Lewellen, Nagel e Shanken (2010), gli autori evidenziano che l'OLS può sovrastimare l'adattamento ($R^2$) in presenza di eterogeneità nei rendimenti, mentre il GLS offre una valutazione più robusta.
   • Utilizzo di t-statistiche robuste alla specificazione errata del modello (misspecification-robust), come proposto da Kan, Robotti e Shanken (2013).
4. Test di Confronto tra Modelli: Test di confronto a coppie e multipli (non annidati) basati sui rapporti di Sharice e sulle $R^2$ delle regressioni trasversali.
5. Analisi a Livello di Obbligazione: Utilizzo di regressioni Fama-MacBeth con betas post-ranking per verificare la validità dei risultati a livello di singola obbligazione, riducendo l'errore di stima.

3. Contributi Chiave

Il paper apporta diversi contributi metodologici e empirici fondamentali:

• Identificazione di Errori nei Dati BBW: Dimostrazione che i fattori DRF e CRF originali di BBW contenevano errori di look-ahead bias (i rendimenti del mese $t$ erano in realtà quelli del mese $t+1$) per l'80% del campione, e errori di lag per LRF.
• Rivalutazione del Ruolo del Fattore di Mercato: Sostegno alla tesi che il fattore di mercato obbligazionario (MKTB) sia sufficiente a spiegare la maggior parte della variazione trasversale, rendendo gli altri fattori ridondanti.
• Robustezza Statistica: Applicazione sistematica di test robusti alla specificazione errata e all'identificazione debole, evidenziando come molti risultati precedenti siano fragili quando si correggono per questi problemi.
• Analisi dei Fattori Non Scambiati: Valutazione critica di fattori non scambiati (liquidità aggregata, incertezza macro, volatilità), mostrando che i loro portafogli "mimicking" non generano premi per il rischio significativi.

4. Risultati Principali

A. Fattori Scambiati (Traded Factors):

• Ridondanza dei Fattori BBW: Una volta corretti gli errori di lead/lag, i fattori DRF, CRF e LRF non mostrano un potere esplicativo incrementale significativo rispetto al solo fattore di mercato (MKTB).
• Confronto di Modelli: Il modello CAPM obbligazionario (con solo MKTB) non è dominato dal modello BBW a quattro fattori. Le differenze nei rapporti di Sharice quadrati corretti e nelle $R^2$ (GLS) non sono statisticamente significative.
• Eccezione della Liquidità (LRF): Il fattore di liquidità scambiato (LRF) mostra un potere esplicativo incrementale marginale e statisticamente significativo, specialmente nelle regressioni GLS e a livello di singola obbligazione. Tuttavia, anche questo risultato è debole in termini economici.
• Altri Modelli: Modelli come DEFTERM (Fama-French), HKM (capitale degli intermediari) e CAPM azionario non migliorano l'adattamento rispetto al CAPM obbligazionario.

B. Fattori Non Scambiati (Non-Traded Factors):

• Ridondanza Totale: Fattori come l'incertezza macroeconomica (UNC), la liquidità aggregata (PS e AM), la volatilità sistematica (VIX) e il rischio di consumo a lungo termine (LRC) non generano premi per il rischio statisticamente significativi.
• Portafogli Mimicking: I portafogli costruiti per replicare questi fattori non riescono a battere il fattore di mercato obbligazionario in termini di rapporto di Sharice.
• Fattore LRC: L'analisi sul fattore di consumo a lungo termine (EJN) suggerisce che è "assorbito" dal fattore di mercato obbligazionario quando si correggono gli errori di stima nei pesi del portafoglio mimicking.

C. Livello di Obbligazione:

• Le regressioni Fama-MacBeth a livello di singola obbligazione confermano i risultati a livello di portafoglio: solo MKTB e, in misura minore, LRF mostrano premi per il rischio significativi. Gli altri fattori non aggiungono potere esplicativo.

5. Significato e Implicazioni

• Critica alla Ricerca Attuale: Il paper mette in guardia contro l'adozione acritica di modelli multifattoriali complessi per le obbligazioni corporate, sottolineando che la ricerca di nuovi fattori spesso porta a risultati spurii dovuti a errori di dati o a una specifica statistica inadeguata.
• Semplicità vs. Complessità: I risultati suggeriscono che, dal punto di vista economico e statistico, un modello semplice basato sul fattore di mercato obbligazionario (Bond CAPM) è sufficiente. L'aggiunta di fattori complessi non giustifica i costi di transazione elevati tipici del mercato OTC delle obbligazioni.
• Implicazioni per la Pratica: Gli investitori e i gestori dovrebbero essere cauti nell'utilizzare modelli come quello BBW come benchmark per la performance, poiché i "premi per il rischio" aggiuntivi potrebbero essere illusori.
• Guida Metodologica: Il paper offre raccomandazioni cruciali per la ricerca futura: l'uso di dati corretti, l'impiego di regressioni GLS robuste, la considerazione dell'incertezza di specificazione e la verifica dei risultati a livello di singola obbligazione.

In conclusione, Dickerson, Mueller e Robotti dimostrano che la ricerca di fattori di rischio comuni nelle obbligazioni corporate è estremamente difficile e che le evidenze a supporto di modelli multifattoriali complessi sono deboli o inesistenti una volta corretti gli errori metodologici e di dati. Il fattore di mercato rimane il driver dominante.