Predicting the call date of callable bonds using machine learning algorithms in Python

Abstract

Hvordan utstedere av obligasjoner med kjøpsopsjoner velger å utøve sin kjøpsrett påvirker prisingen av utstederens obligasjoner med kjøpsopsjoner. Dersom du vet om og når disse opsjonene blir utøvd, kan du potensielt høste flere gevinster som en investor. Derfor har vi valgt å utforske:

- I hvilken grad kan maskinlæringsmodeller bli brukt til å forutsi om og når kjøpsopsjonen til obligasjoner med kjøpsopsjoner blir utøvd av utstederen?

Vi har testet modellene logistisk regresjon, støttevektormaskiner og ‘gradient boosted’ beslutningstrær på utøvelses problematikken, ved å bruke uavhengige variabler støttet av finansiell teori og data hentet fra NBIM sine datavarehus og Bloomberg. Alle modellene presterte dårlig, og ingen kunne slå referansemodellen. Vi har derimot vist at maskinlæringsmodeller kan i en stor grad brukes til å forutsi om kjøpsopsjonen til obligasjoner med kjøpsopsjoner blir utøvd av utstederen. Til tross for våre modellers dårlige resultater. Ingen av koden eller dataen utviklet og brukt i oppgaven kan deles siden vi har skrevet konfidensialitetsavtaler med NBIM.

The call exercise behaviour of bond issuers effects the pricing of the issuer’s callable bonds. If you know whether and when callable bonds will be called, you therefore potentially stand to reap multiple benefits as an asset manager. We’ve therefore chosen to explore:

- To which extent can machine learning models be used to predict whether and when callable bonds will be called?

We’ve tested the models logistic regression, support vector machine and gradient boosted decision trees on the problem of whether callable bonds will be called, using features backed by financial theory and data sourced from NBIM’s data warehouses and Bloomberg. All of the models performed poorly, and none could beat the benchmark greedy model. However, we’ve shown that machine learning models can to a large extent be used to predict whether callable bonds will be called. Despite our models performing poorly. None of the code or data developed and used in our thesis can be shared due to confidentiality agreements we have with NBIM.