Das HFRC Working Paper “Predicting Corporate Bond Illiquidity via Machine Learning” wurde zur Veröffentlichung im Financial Analysts Journal angenommen. Die Studie, verfasst von Axel Cabrol (TOBAM), Wolfgang Drobetz (Universität Hamburg), Tizian Otto (Universität Hamburg) und Tatjana Xenia Puhan (Swiss Re Management Ltd und Universität Mannheim) untersucht den Nutzen maschineller Lernverfahren für die Schätzung der Illiquidität von US-Unternehmensanleihen. Maschinelle Lernverfahren übertreffen einen auf historischer Illiquidität basierenden Ansatz, der in der Praxis die am meisten verwendete Benchmark darstellt, sowohl aus statistischer als auch aus ökonomischer Sicht. Verfahren mit Regressionsbäumen schneiden dabei besonders gut ab. Auch wenn die historische Illiquidität die wichtigste Vorhersagevariable ist, besitzen zahlreiche fundamentale und rendite- sowie risikobasierte Kennzahlen ebenfalls eine bedeutende Vorhersagekraft für die zukünftige Anleihenilliquidität. Nichtlineare Effekte und Wechselwirkungen zwischen den Vorhersagevariablen sind für die Prognosequalität entscheidend. Für Praktiker hängt die Wahl des geeigneten maschinellen Lernmodells von der jeweiligen Anwendung ab.
Das Paper kann über folgenden Link heruntergeladen werden: https://lnkd.in/exvF8HtN
***
The HFRC Working Paper “Predicting Corporate Bond Illiquidity via Machine Learning” has been accepted for publication in the Financial Analysts Journal. The study, authored by Axel Cabrol (TOBAM), Wolfgang Drobetz (University of Hamburg), Tizian Otto (University of Hamburg), and Tatjana Xenia Puhan (Swiss Re Management Ltd und University of Mannheim) tests the predictive performance of machine learning methods in estimating the illiquidity of US corporate bonds. Machine learning techniques outperform the historical illiquidity-based approach, the most commonly applied benchmark in practice, from both a statistical and an economic perspective. Gradient-boosted regression trees perform particularly well. Historical illiquidity is the most important single predictor variable, but several fundamental and return- as well as risk-based covariates also possess predictive power. Capturing nonlinear effects and interactions among these predictors further enhances forecasting performance. For practitioners, the choice of the appropriate machine learning model depends on the specific application.
The paper can be downloaded via the following link: https://lnkd.in/exvF8HtN
