Обычно все мы отбираем облигации по сроку, доходности, кредитному качеству, сложности (наличию/отсутствию оферт, амортизации и пр.), другим параметрам и получаем некоторый список подходящих нам бумаг.
Однако, часто, в этом списке сложно сориентироваться - список большой, разброс доходностей широкий даже на одном уровне кредитного рейтинга - не понятно какие именно бумаги выбрать.
Базовые стратегии, параметры Ликвидности (обычно мы рекомендуем всегда делать отбор только среди ликвидных бумаг), Качества эмитента и его составляющие (здесь подробная статья об этом показателе и его отличие от рейтингов) в нашем сервисе "Анализ облигаций" хорошо помогают уточнить и сократить список для выбора.
Но даже после этих фильтров обычно остаются те же самые проблемы - разброс доходностей, разброс показателей качества и т.д. Это рождает необходимость дополнительно учитывать размер бизнеса эмитента, его долговую нагрузку, ликвидность, оценивать соответствует ли данная доходность риску и придумывать еще множество методов соединения всех этих показателей для получения итоговой оценки, хотя бы в уме.
Функция iBond
Наш сервис "Анализ облигаций" позволяет пройти весь описанный выше путь, но даже нам, профессионалам, это не всегда легко.
По крайней мере, у нас есть преимущество. Мы можем настроить вывод всех необходимых данных и, используя наш опыт, правильно и комплексно оценить их, а затем отобрать нужное число бумаг для конкретного портфеля. Функция iBond - это цифровое представление этого опыта - искусственный интеллект.
Функция iBond в сервисе Анализ облигаций предоставляет следующие возможности:
- Применение опыта экспертов к отбору облигации по нужным вам параметрам в один клик;
- Выбор наиболее интересных облигаций с лучшим балансом доходности, кредитоспособности эмитента и рыночных характеристик бумаг;
- Исключение облигаций с высоким (в том силе "скрытым") риском и недостаточной доходностью для покрытия этого риска;
- Совместный учтёт взаимосвязей доходности конкретной облигации, долговой нагрузки эмитента, размера бизнеса, качества эмитента, качества раскрытия им информации и прочих параметров;
- Автоматический учет ликвидности и сложности облигаций.
- Регулирование жесткости отбора (установка требований диверсификации).
Функция iBond отбирает наиболее интересные облигации из любого списка, полученного вами в нашем сервисе, так, как бы это сделал опытный эксперт.
Само собой, идеальная настройка этого "эксперта" потребует вашей обратной связи и времени.
Пока что функция работает только с корпоративными облигациями, но постепенно мы расширим ее возможности на государственные бумаги (ОФЗ) и бумаги субъектов федерации.
Как применять
Чтобы примерить функцию просто включите ее в главном меню фильтров Анализа облигаций и выберете нужным вам уровень диверсификации.
Мы рекомендуем использовать iBond по умолчанию и далее применять все остальные нужные вам фильтры.
Функция будет отбирать самые интересные облигации при каждом применении/изменении или отключении любого фильтра. Она также работает при поиске аналогов для всех бумаг и поиске замен.
Для лучших результатов сократите область отбора, то есть выберете подходящую для вас Базовую стратегию, срок/доходность облигаций и т.д.
Помимо этого, iBond сразу учитывает ликвидность, поэтому фильтр "Ликвидность" можно не использовать отдельно. Также сразу отбрасываются очень сложные облигации и фильтр "Сложность" (в группе фильтров Факторы) также можно не настраивать отдельно.
Ниже мы подробно рассказываем как именно работает функция iBond в контексте классической логики и нечеткой логики, которая применялась для переноса опыта экспертов в цифровой вид.
Классическая логика
iBond учитывает сложную взаимосвязь доходности конкретной облигации, кредитного рейтинга и показателя качества ее эмитента, составляющих этого качества, долговой нагрузки, размера бизнеса и качества раскрытия информации, чтобы дать ей комплексную оценку для сравнения с другими бумагами.
Как описать эту взаимосвязь? Сначала мы пытались использовать классическую логику.
Допустим, вы хотите дать оценку облигации (от 0 до 10), назовем ее iScore) исходя из ее доходности и качества эмитента, которые также измеряются оценками от 1 до 10.
Мы пропустим вопросы стандартизации доходности для этой модели. Этот сложный процесс выходит за рамки данной статьи. Также, очевидно , что эти два фактора недостаточны, чтобы дать адекватную оценку, но для простоты остановимся только на них.
В качестве отправной точки рассмотрим простейшую зависимость, когда ваша оценка облигации iScore линейно зависит от качества эмитента (рейтинга Quality от 0 до 10 с произвольным шагом).
iScore = Quality
Чтобы учесть доходность облигации, добавим ее рейтинг YTM (тоже от 0 до 10 с произвольным шагом) и предположим, что качество эмитента и доходность бумаги одинаково влияют на оценку iScore.
iScore =(Quality+YTM)/2
Неплохо. Однако предположим, что вы хотите, чтобы качество было более важным фактором, чем доходность. Например, вы решаете, что ваша оценка облигации на 80% должна состоять из качества эмитента и модифицируете формулу:
iScore =Quality*0,8+YTM*0,2
Предположим далее, что вы хотите давать более стабильную оценку качества в средине, оставляя возможность повышать или понижать ее, когда качество эмитента исключительно хорошее или очень плохое.
В этом случае линейных выражений уже недостаточно. Вместо этого придется создать кусочно-линейную конструкцию с использованием логической индексации:
iScore(Quality<3) = 5/3*Quality(Quality<3);
iScore(Quality>=3 & Quality<7) = 5;
iScore(Quality>=7) = 5/3*Quality(Quality>=7)-20/3;
Теперь добавим к этой модели линейный фактор доходности с весом в 20%:
iScore(Quality<3) = (5/3*Quality(Quality<3))*0,8 + 0,2*(YTM(Quality<3)) iScore(Quality>=3 & Quality<7) = 5*0,8 + 0,2*YTM(Quality>=3 & S<7) iScore(Quality>=7 & Quality<=10) = (5/3*(Quality(Quality>=7 & Quality<=10)-20/3)*0,8 +0,2*(YTM(Quality>=7 & Quality<=10)
Все выглядит относительно хорошо, но расчет получается сложным. Тому, кто не видел исходного процесса разработки, непонятно, как работает алгоритм.
К тому же, напрашиваются дальнейшие усложнения расчета iScore даже по этим двум факторам, не говоря уже о добавлении новых (например, размер бизнеса или долговая нагрузка).
Мы долго шли по этому пути и получили запутанным и непонятный для настройки алгоритм, результаты которого сложно тестировать и интерпретировать. Поэтому мы решили использовать алгоритмы нечеткой логики.
Нечеткая логика
Чтобы решить эту проблему с помощью нечеткой логики, нужно уловить суть желаемого поведения iScore. Можно составить очевидный список правил того, как качество эмитента влияет на оценку облигаций:
- Если Качество плохое, оценка будет низкой.
- Если Качество среднее, то оценка будет средней.
- Если Качество хорошее, то оценка будет высокой.
Аналогично, для доходности:
- Если Доходность ниже средней, то оценка низкая
- Если Доходность средняя, то оценка средняя.
- Если Доходность выше средней, то оценка высокая
- Если Доходность сильно выше средней, то оценка средняя (допустим, мы полагаем, что очень высокая доходность отражает проблемы эмитента, которых пока не видно в его качестве)
Если мы объединим эти правила, то получим:
Если Качество плохое или Доходность ниже средней, оценка будет низкой.
Если Качество среднее или Доходность средняя или Доходность сильно выше средней, то оценка средняя
Если Качество хорошее или Доходность выше средней, то оценка высокая.
Для определения Качества и Доходности в правилах используются лингвистические термины, такие как «плохое» и «высокая». В цифровой вид они приводятся с помощью диапазонов переменных, которые могут устанавливаться "нечетко", то есть принадлежать сразу нескольким определениям в разной степени.
Например, "Качество = 6", может считаться одновременно немного средним и немного хорошим, а "Качество = 4" одновременно немного очень плохим и немного просто "ниже среднего". Другими словами, таким способом мы можем перенести в цифровой вид опыт специалистов "как он есть", приблизившись к тому как они в действительности оценивают те или иные показатели.
При использовании нечеткого вывода (сопоставлении всех переменных) мы можем получить более "натуральные" нелинейные зависимости различных факторов по отношению к финальной оценке облигации.
Например, вот так выглядит влияние факторов Качества и Доходности на нашу оценку облигации в функции iBond (без учета прочих факторов):
Вот функции для некоторых других факторов которые мы используем в iBond:
В результате наша система теперь основана на наборе правил здравого смысла, которые легко понять тому, кто ее не создавал, а для разработчиков она является легкой в настройке и интерпретации.
Надеемся, функция iBond будет полезной для вас. Ставьте лайки к этой статье, ее увидит больше людей и наши сервисы станут еще лучше.
========
Вы можете подбирать облигации под ваши требования по десяткам параметров и готовым выборкам в нашем сервисе «Анализ облигаций».
Если вам не подходят отдельные облигации, наш биржевой фонд BOND ETF может быть хорошим выбором для инвестирования в широкий портфель облигаций при минимальных затратах (всего 0.4% в год).
Не является индивидуальной инвестиционной рекомендацией.
При подготовке статьи частично использовались материалы The MathWorks.
Читайте также:
и еще десятки полезных публикаций в нашем канале Telegram. Вот тут есть полный гид по каналу.