Priced risk in corporate bonds

De auteurs concluderen dat het vaststellen van gemeenschappelijke factorprijzen in corporate bonds uiterst moeilijk is, omdat eerder voorgestelde risicofactoren, met uitzondering van verhandelde liquiditeit, geen extra verklarende kracht hebben boven de algemene marktfactor.

De kern

De Grote Ontmaskering: Waarom de "Geheime Formules" voor Obligaties niet Werken

Stel je voor dat je een grote, drukke markt bezoekt waar mensen handelen in leningen (obligaties) die bedrijven aan elkaar geven. Net als op de beurs voor aandelen, proberen beleggers en economen een "heilige graal" te vinden: een simpele formule die precies voorspelt welke leningen meer rendement opleveren dan andere.

De afgelopen jaren hebben wetenschappers (zoals Bai, Bali en Wen, ofwel BBW) beweren dat ze zo'n formule hebben gevonden. Ze zeiden: "Het is niet genoeg om alleen te kijken naar de algemene markt. Je moet ook kijken naar drie speciale 'gevaarschalen':

1. De neerwaartse schaal: Hoe slecht gaat het als de markt crasht?
2. De krediet-schaal: Hoe groot is de kans dat het bedrijf failliet gaat?
3. De liquiditeits-schaal: Hoe moeilijk is het om de lening snel te verkopen?"

Volgens hen zijn deze drie schalen de sleutel tot het begrijpen van de prijzen. Maar in dit nieuwe artikel zeggen de auteurs: "Stop! Die formules werken niet zoals ze zeggen."

Hier is wat ze hebben ontdekt, vertaald naar alledaagse taal:

1. De "Gekke" Data (De Verkeerde Koekjesrecepten)

De eerste grote ontdekking is dat de data die de vorige onderzoekers gebruikten, eigenlijk een beetje "verkeerd" was.

• De Analogie: Stel je voor dat je een recept voor een taart volgt, maar de instructies zeggen: "Gebruik de eieren die je morgen gaat kopen." Dat is onmogelijk! Je kunt niet weten wat er morgen in de winkel ligt.
• Wat ze vonden: De onderzoekers van dit artikel zagen dat de vorige formules soms gebruik maakten van informatie uit de toekomst (een "look-ahead bias") of informatie uit het verleden die niet meer actueel was. Het was alsof ze een koekjesrecept gebruikten dat gebaseerd was op ingrediënten die ze pas de volgende week zouden kopen.
• Het resultaat: Toen ze de formules opnieuw maakten met de juiste, actuele data, bleek de "magie" weg te zijn. De speciale schalen (neerwaarts, krediet, liquiditeit) bleken niet zo speciaal als gedacht.

2. De Simpele Oplossing vs. De Complexe Machine

De auteurs tonen aan dat je eigenlijk heel weinig nodig hebt om de prijzen van obligaties te begrijpen.

• De Analogie: Stel je voor dat je een auto wilt repareren. De vorige experts zeiden: "Je hebt een ingewikkelde machine nodig met 100 verschillende sensoren, een GPS, een radar en een AI-chip om te weten waarom de auto niet start."
• Wat ze vonden: Deze auteurs zeggen: "Nee, kijk gewoon naar de motor. Als de motor (de algemene obligatiemarkt) goed draait, werkt de auto."
• Het bewijs: Ze toonden aan dat als je alleen kijkt naar de totale markt voor obligaties (de "Bond Market Factor"), je al 99% van het verhaal begrijpt. Het toevoegen van die extra, complexe schalen (neerwaarts, krediet, etc.) voegt nauwelijks iets toe. Het is alsof je een GPS toevoegt aan een auto die al perfect rijdt; het kost geld en moeite, maar je komt niet sneller aan.

3. De Uitzondering: De "Vloeibaarheid"

Er is één klein uitzondering.

• De Analogie: Stel je voor dat je een dure schilderij wilt verkopen. Als je het direct wilt verkopen, moet je vaak een korting geven omdat het moeilijk is om een koper te vinden. Dit heet "liquiditeitsrisico".
• Wat ze vonden: Alleen dit ene aspect (hoe makkelijk je een obligatie kunt verkopen) bleek echt een rol te spelen. Beleggers willen extra geld (een premie) als ze een obligatie kopen die moeilijk te verkopen is. Maar alle andere "geheime" factoren bleken nutteloos.

4. Waarom is dit belangrijk?

Voor beleggers en economen is dit een groot nieuws.

• Geen onnodige kosten: Als je denkt dat je die complexe formules nodig hebt om rijk te worden, doe je het misschien verkeerd. Je betaalt misschien hoge kosten voor het handelen in complexe producten die eigenlijk niets extra's opleveren.
• Eerlijkheid: Het artikel waarschuwt dat we niet blindelings moeten geloven in ingewikkelde wiskundige modellen. Soms is de simpele waarheid (de hele markt) beter dan een ingewikkeld verhaal.
• De les: In de wereld van obligaties is het zoeken naar "nieuwe, slimme factoren" vaak net als het zoeken naar de heilige graal in een leeg veld. De meeste van die factoren zijn gewoon ruis.

Kortom:
De auteurs zeggen: "Stop met zoeken naar ingewikkelde, geheime formules. De simpele 'Bond Market Factor' (de totale markt) is al bijna alles wat je nodig hebt. De andere factoren die we de afgelopen jaren hebben bedacht, zijn vaak gebaseerd op fouten in de data of zijn gewoon niet belangrijk."

Het is een oproep om terug te gaan naar de basis en niet te verstrikt te raken in ingewikkelde theorieën die in de praktijk niet werken.

Technische samenvatting

Probleemstelling

De afgelopen jaren is er een groeiende literatuur ontstaan die multifactormodellen voor corporate obligaties voorstelt om de cross-sectionele variatie in verwachte excess returns te verklaren. Een prominente studie hierin is Bai, Bali en Wen (2019, hierna BBW), die een vier-factormodel introduceert met de obligatiemarktfactor (MKTB), een downside risk factor (DRF), een credit risk factor (CRF) en een liquiditeitsrisicofactor (LRF). BBW claimt dat deze factoren, naast de marktfactor, een significante en incrementele prijsbepalende kracht hebben.

De auteurs van dit artikel stellen echter dat het empirisch vaststellen van gemeenschappelijke factorprijzen in obligaties uiterst moeilijk is. Ze betogen dat eerdere bevindingen mogelijk berusten op methodologische fouten, modelmisspecificatie en onjuiste constructie van de factoren. Het centrale probleem is of nieuwe factoren daadwerkelijk meer uitlegkracht bieden dan het simpele Capital Asset Pricing Model (CAPM) voor obligaties, of dat ze slechts artefacten zijn van data-problemen.

Methodologie

De auteurs gebruiken een robuuste, economisch en statistisch onderbouwde aanpak om de claims van BBW en andere studies te toetsen:

1. Data en Replicatie:

   • Gebruik van de Enhanced TRACE database (juli 2002 – december 2016) gecombineerd met Mergent FISD.
   • Strikte filtering van obligaties (verwijdering van gestructureerde producten, conversibles, floating rate notes, etc.).
   • Kritieke ontdekking: Bij het repliceren van de BBW-factoren ontdekten de auteurs ernstige fouten in de oorspronkelijke data. De DRF en CRF factoren hadden een look-ahead bias (voorspellende fout) voor het grootste deel van de steekproef, en de LRF had een lag-fout. De oorspronkelijke factoren vertoonden ook een "winsorization"-effect dat negatieve rendementen kunstmatig dempte.

2. Statistische Instrumenten:

   • Sharpe Ratio Analyse: Vergelijking van de bias-gecorrigeerde kwadratische Sharpe ratio's om te zien of multifactormodellen een efficiënter frontieren bieden dan het enkelvoudige MKTB-model.
   • Cross-Sectional Regressies (CSR): Toepassing van zowel OLS (Ordinary Least Squares) als GLS (Generalized Least Squares). De auteurs volgen Lewellen, Nagel en Shanken (2010) en betogen dat OLS vaak kunstmatig hoge $R^2$-waarden oplevert, terwijl GLS (die portfolios met hogere variabiliteit minder zwaar weegt) een economisch betekenisvollere maatstaf is.
   • Robuuste Inference: Gebruik van tests die robuust zijn voor modelmisspecificatie en identificatieproblemen (volgens Kan, Robotti en Shanken, 2013).
   • Niet-verhandelde factoren: Analyse van factoren zoals macro-uncertainty, aggregate liquidity (PS en AM), en systematische volatiliteit (VIX) via 'mimicking portfolios'.
   • Bond-level Analyse: Toepassing van Fama-MacBeth regressies op individuele obligaties om te controleren of de bevindingen op portfolio-niveau ook op micro-niveau gelden.

Belangrijkste Bijdragen

1. Onthulling van Data-fouten: Het artikel identificeert en corrigeert kritieke constructiefouten (look-ahead bias en lag-fouten) in de oorspronkelijke BBW-factoren. Dit verklaart waarom eerdere studies tot andere conclusies kwamen.
2. Methodologische Robuustheid: Het toont aan dat veel eerdere bevindingen in de obligatiepricingsliteratuur kwetsbaar zijn voor modelmisspecificatie. Door GLS en robuuste inferentie te gebruiken, worden de resultaten van OLS-gebaseerde studies vaak weerlegd.
3. Empirische Validatie: Het biedt een uitgebreide, herhaalbare analyse (met openbare code) die aantoont dat de "nieuwe" factoren in de meeste gevallen redundant zijn.

Resultaten

De resultaten zijn overtuigend en consistent over verschillende niveaus van analyse:

• Factorkwaliteit: De gecorrigeerde BBW-factoren (DRF, CRF, LRF) hebben een veel hogere volatiliteit dan de originele, maar hun incrementele uitlegkracht verdwijnt bijna volledig.
• Sharpe Ratio: Het enkelvoudige bond CAPM (alleen MKTB) presteert economisch en statistisch even goed als het BBW-vierfactormodel. De toevoeging van DRF, CRF en LRF verbetert de Sharpe ratio niet significant.
• Cross-Sectional Regressies (GLS):
  • Bij gebruik van GLS (de economisch relevante maatstaf) zijn de meeste factoren niet significant geprijsd.
  • De enige uitzondering is de verhandelde liquiditeitsfactor (LRF), die een beperkte, maar niet-triviale incrementele uitlegkracht behoudt.
  • De credit- en downside-risicofactoren (DRF, CRF) worden volledig "gespanned" (verklaard) door de marktfactor MKTB.
• Niet-verhandelde factoren: Factoren zoals macro-uncertainty, aggregate liquidity (PS/AM), en systematische volatiliteit blijken redundant en vaak spurious. Ze genereren geen statistisch significante risicopremies en verbeteren de risicorendementsverhouding niet ten opzichte van het bond CAPM.
• Bond-level Analyse: De bevindingen op portfolio-niveau worden bevestigd op het niveau van individuele obligaties. Zelfs hier presteren de meeste factoren niet beter dan MKTB, met LRF als enige marginale uitzondering.
• Robuustheid: De resultaten houden stand bij gebruik van alternatieve databases (WRDS, ICE) en bij het uitbreiden van de steekproefperiode.

Significantie en Conclusie

Het artikel heeft grote implicaties voor de academische en praktische vaststelling van obligatieprijzen:

1. Terugkeer naar Simpliciteit: Voor het prikken van corporate obligaties is het simpele bond CAPM (met MKTB als enige factor) vaak voldoende. De poging om complexe multifactormodellen te gebruiken, leidt vaak tot overfitting en geen economisch meerwaarde.
2. Waarschuwing voor Data-Kwaliteit: Het artikel benadrukt het gevaar van het vertrouwen op publiek beschikbare factoren zonder ze zelf te repliceren en te controleren op data-fouten (zoals look-ahead bias).
3. Methodologische Standaard: Het pleit voor het gebruik van GLS en robuuste inferentie-methoden in plaats van OLS, omdat OLS de prestaties van modellen vaak kunstmatig opblaast in de obligatiemarkt.
4. Toekomstige Richting: De auteurs concluderen dat de zoektocht naar nieuwe factoren voor obligaties momenteel stagneert door gebrek aan theoretische onderbouwing en data-problemen. Ze suggereren dat toekomstig onderzoek zich moet richten op transactiekosten (die in de OTC-markt voor obligaties hoog zijn) en mogelijke nieuwe dimensies van risico, zoals frequentie-afhankelijkheid.

Kortom, de auteurs concluderen dat er geen overtuigend bewijs is dat de nieuw voorgestelde risicofactoren voor corporate obligaties een incrementele prijsbepalende kracht hebben boven de traditionele marktfactor, met uitzondering van een beperkte rol voor verhandelde liquiditeit.