1. Essays on U.S. Corporate Bonds
- Author
-
Aeschbacher, Thomas Philipp, Audrino, Francesco (Prof. PhD) (Referent), and Kind, Axel (Prof. Dr.) (Koreferent)
- Subjects
Factor selection ,Synthetic control method ,Corporate bond funds ,EDIS-5262 ,False discovery rate ,Capital investment ,economics ,Kausalität ,Causality ,Event study ,Machine learning ,Ökonometrie ,Corporate bonds ,Econometrics ,Lasso ,Kapitalanlage ,Industrieobligation ,Maschinelles Lernen ,Fallen angel - Abstract
In der ersten Arbeit analysiere ich die Renditen von Fallen Angel-Anleihen vor und nach ihrer Herabstufung zu hochverzinslichen Anleihen. Fallen Angel-Anleihen verzeichnen einen starken Kursrückgang vor und eine deutliche Erholung nach der Ankündigung der Herabstufung durch die Ratingagentur. Ich führe eine neue Benchmark ein, die den Preis von Fallen Angel-Anleihen besser widerspiegeln sollte, wenn sie nicht vor ihrer Herabstufung einen Ausverkauf erlebt hätten. Auf diese Weise kann ich den gesamten Ausverkauf vor der Bekanntgabe der Herabstufung schätzen und auf dieser Grundlage entscheiden, welche Fallen Angel-Anleihen nach ihrer Herabstufung gekauft werden sollten. Es besteht ein starker negativer Zusammenhang zwischen dem Ausmass des Ausverkaufs vor der Herabstufung und den zukünftigen Renditen nach der Herabstufung. Ich kann dann zeigen, dass ein Investor höhere Renditen erzielen kann, wenn er nur Fallen Angel-Anleihen kauft, die mit einem Abschlag zu ihrer jeweiligen geschätzten Benchmark-Rendite gehandelt werden. Im Vergleich zu bisherigen Methoden aus der Literatur, kann ein Anleger mit der eingeführten innovativen, datengestützten, neuartigen Benchmark höhere Renditen erzielen. Diese Outperformance wird umso deutlicher, je mehr man sich auf die Fallen Angel-Anleihen konzentriert, die vor der Ankündigung den grössten Ausverkauf erlebt haben. In der zweiten Arbeit untersuchen wir den Querschnitt von Unternehmensanleihen, indem wir einen grossen Datensatz von Jahresabschluss-, Aktien-und Anleihenmerkmalen verwenden. Wir verwenden einen prädiktiven Regressionsrahmen und das adaptive Lasso, um die wichtigsten Merkmale für den Querschnitt der Unternehmensanleihen auszuwählen. Bei Anwendung des adaptiven Lasso auf den gesamten Datensatz ergibt sich ein Zehn-Faktoren-Modell, wobei Value, Bond Reversal und Equity Momentum Spillover die dominierenden Faktoren sind. Im Gegensatz zu Aktienstudien scheinen Finanzvariablen aus Compustat keine grosse Aussagekraft bei der Vorhersage von Unternehmensanleihenrenditen zu haben. Wir validieren unsere ersten Ergebnisse, indem wir eine Out-of-Sample-Untersuchung mit einem Expanding-Window-Ansatz durchführen. Von den 60 Monaten, die in der Out-of-Sample-Stichprobe verwendet wurden, wählt das adaptive Lasso konsistent Value-, Bond-Reversal- und Equity-Momentum-Spillover aus. Abschliessend bewerten wir den wirtschaftlichen Nutzen von Investitionen gemäss den Vorhersagen des adaptiven Lassos und stellen fest, dass sie in Bezug auf die absoluten und risikobereinigten Renditen erhebliche Vorteile bieten. In der dritten Arbeit wird die Fähigkeit der Manager von Unternehmensanleihenfonds, Alpha zu generieren, bewertet. Wir wenden die False Discovery Rate (FDR) an, um zwischen Können und Glück zu unterscheiden. Wir stellen fest, dass eine langfristige Outperformance schwer zu erreichen ist, da nur 1% der Fonds in der Lage ist, während ihrer Laufzeit ein signifikantes Alpha zu erzielen. Allerdings sind die Fondsmanager in der Lage, kurzfristig Alpha zu generieren, wobei der Anteil der Können Fonds auf 13,5% steigt, wenn wir dreijährige Teilperioden untersuchen. Um diese Ergebnisse zu validieren, entwerfen wir eine Out-of-Sample-Anlagestrategie, bei der wir in Fonds entsprechend ihrem geschätzten Können investieren. Unsere Strategie generiert ein positives und signifikantes Alpha, was die Persistenz der Outperformance im kurzfristigen Bereich bestätigt. Unsere Ergebnisse sind für Anleger von wirtschaftlicher Bedeutung und deuten darauf hin, dass sich eine dynamische und aktive Managerauswahl auszahlt., In the first paper, I analyze fallen angel bonds' returns before and after their downgrade to high-yield. Fallen angel bonds experience a sharp price decline prior and a sharp recovery after the rerating announcement by the rating agency. I introduce a novel benchmark that should more closely mirror the price fallen angel bonds would have had, had they not experienced a fire sale prior to their downgrade. This allows me to estimate the total preannouncement sell-off and I then use this in order to decide on which fallen angel bonds should be bought after their downgrade. There exists a strong negative relationship between the size of the preannouncement sell-off and future postannouncement returns. I can then show, that an investor fares better, if only fallen angels are bought that trade at a discount to their respective estimated benchmark return had they not experienced the sell-off. Using the introduced innovative, data-driven, novel benchmark allows an investor to generate higher returns. This outperformance gets more pronounced as one focuses on the fallen angel bonds that experienced the highest preannouncement sell-off. In the second paper, we study the cross-section of corporate bonds utilizing a large set of financial statements, equity and bond characteristics. We use a predictive regression framework and the adaptive Lasso to choose the most relevant characteristics for the cross-section of corporate bonds. Applying the adaptive Lasso to the full dataset, we find a ten-factor model, with value, bond reversal, and equity momentum spillover being the dominant factors. Contrary to equity studies, financial variables from Compustat do not appear to have strong power in predicting corporate bond returns. We validate our initial results by running an out-of-sample exercise using an expanding window approach. Out of the 60 months utilized in the out-of-sample, the adaptive Lasso consistently chooses value, bond reversal, and equity momentum spillover. Finally, we evaluate the economic benefits of investing according to the predictions of the adaptive Lasso and find significant benefits in terms of absolute and risk-adjusted returns. In the third paper, we evaluate the ability of U.S. corporate bond fund managers to generate alpha. We apply the False Discovery Rate (FDR) to distinguish between «skill» and «luck.» We find that long-term outperformance remains elusive, with only 1% of the funds able to generate significant alpha over their life. However, fund managers are able to generate alpha over the short-term with the proportion of skilled funds increasing to 13.5% when we examine three-year sub-periods. To confirm these findings, we design an out-of-sample investment strategy where we invest in funds according to their estimated «skill» from past returns. Our strategy generates positive and significant alpha, which confirms the persistence in outperformance over the short-run. Our results are economically meaningful for investors suggesting that dynamic and active manager selection pays off.
- Published
- 2022