Machine learning applied to active fixed-income portfolio management: a Lasso logit approach

• Mercedes de Luis ^[1] ; Emilio Rodríguez ^[1] ; Diego Torres ^[1]
  1. [1] Banco de España
• Localización: Documentos de trabajo - Banco de España, ISSN 0213-2710, Nº 24, 2023
• Idioma: inglés
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    El uso de métodos cuantitativos es fundamental en la gestión de carteras de inversores institucionales. En la última década, se han realizado diversos estudios empíricos que emplean modelos probabilísticos o de clasificación para predecir los rendimientos del mercado de valores, modelar calificaciones de riesgo y probabilidades de incumplimiento de bonos, así como pronosticar la curva de rendimientos. Sin embargo, existe una escasa investigación sobre la aplicación de estos modelos en la gestión activa de renta fija. Este documento busca abordar esta brecha al comparar un algoritmo de aprendizaje automático, la regresión logística Lasso, con una estrategia de inversión pasiva (comprar y mantener) en la construcción de un modelo de gestión de duración para carteras de bonos gubernamentales, con enfoque específico en los bonos del Tesoro de Estados Unidos. Además, se propone un procedimiento de dos pasos, junto con un promedio simple entre variables de características estadísticas similares, con el objetivo de minimizar el posible sobreajuste de los algoritmos tradicionales de aprendizaje automático. Asimismo, se introduce un método para seleccionar umbrales que conviertan probabilidades en señales basadas en distribuciones de probabilidad condicional. Se utiliza un amplio conjunto de variables financieras y económicas para obtener una señal de duración y se comparan otras estrategias de inversión. Como resultado, la mayoría de las variables seleccionadas por el modelo están relacionadas con flujos financieros y fundamentos económicos, aunque los parámetros no parecen ser estables a lo largo del tiempo, lo que sugiere que la relevancia de las variables es dinámica y se requiere una evaluación continua del modelo. Además, el modelo logra un exceso de retorno estadísticamente significativo en comparación con la estrategia pasiva. Estos resultados respaldan la inclusión de herramientas cuantitativas en el proceso de gestión activa de carteras para inversores institucionales, con especial atención en el posible sobreajuste y en los parámetros inestables. Las herramientas cuantitativas deben considerarse como un complemento del análisis cualitativo y fundamental, junto con la experiencia del gestor de carteras, para tomar decisiones de inversión fundamentadas de manera más sólida.

  • English

    The use of quantitative methods constitutes a standard component of the institutional investors’ portfolio management toolkit. In the last decade, several empirical studies have employed probabilistic or classification models to predict stock market excess returns, model bond ratings and default probabilities, as well as to forecast yield curves. To the authors’ knowledge, little research exists into their application to active fixed-income management. This paper contributes to filling this gap by comparing a machine learning algorithm, the Lasso logit regression, with a passive (buy-and-hold) investment strategy in the construction of a duration management model for high-grade bond portfolios, specifically focusing on US treasury bonds. Additionally, a two-step procedure is proposed, together with a simple ensemble averaging aimed at minimising the potential overfitting of traditional machine learning algorithms. A method to select thresholds that translate probabilities into signals based on conditional probability distributions is also introduced.

    A large set of financial and economic variables is used as an input to obtain a signal for active duration management relative to a passive benchmark portfolio. As a first result, most of the variables selected by the model are related to financial flows and economic fundamentals, but the parameters seem to be unstable over time, thereby suggesting that the variable relevance may be time dependent. Backtesting of the model, which was carried out on a sovereign bond portfolio denominated in US dollars, resulted in a small but statistically significant outperformance of benchmark index in the out-of-sample dataset after controlling for overfitting. These results support the case for incorporating quantitative tools in the active portfolio management process for institutional investors, but paying special attention to potential overfitting and unstable parameters. Quantitative tools should be viewed as a complementary input to the qualitative and fundamental analysis, together with the portfolio manager’s expertise, in order to make better-informed investment decisions