Due to their ease of interpretability, linear models enjoy great popularity for many practical applications. However, these models force their predictions to be linear combinations of the features and thus are often not able to describe complex relationships appropriately. One popular example where linear models are incapable to adequately capture the problem due to their lack of complexity are Credit Spreads. In general, the Credit Spread is the difference between a Bond Yield and a risk-free rate. Especially in portfolio management, it would be a big advantage to model this Spread and subsequently decompose it into its determinants such as Credit, Inflation, Liquidity and Risk Premium. To do so, besides using linear models, we examine a selection of the most common Machine Learning methods including Support Vector Regression, Ensemble Methods such as Random Forest or Bayesian Additive Regression Tree models as well as Neural Networks like a Bayesian Regularization Artificial Neural Network and a Long Short-Term Memory Neural Network. We find that the model that fits the Credit Spread the best is the Random Forest model. This model is then used for the decomposition of the Credit Spread. The framework for decomposing the Spread is based on SHAP values - a relatively new concept that is build on Shapley values from cooperative game theory. In general, SHAP values explain the difference between the average prediction and the concrete prediction of a single observation. To apply these SHAP values for the decomposition of the Credit Spread, we extend the SHAP framework by a methodology that allows us to decompose the whole Spread. This framework is then applied to Corporate, Sovereign, Covered and German Sovereign Bond Spreads. Finally, the resulting Spread decompositions are used to predict future decompositions of the Spread based on two time series models, namely an Exponential Smoothing model as well as a Vector Autoregressive model. The models' predicted decompositions are then compared to the empirical ones to evaluate the predictive ability.     «

Due to their ease of interpretability, linear models enjoy great popularity for many practical applications. However, these models force their predictions to be linear combinations of the features and thus are often not able to describe complex relationships appropriately. One popular example where linear models are incapable to adequately capture the problem due to their lack of complexity are Credit Spreads. In general, the Credit Spread is the difference between a Bond Yield and a risk-free r...     »

Aufgrund ihrer einfachen Interpretierbarkeit erfreuen sich lineare Modelle in vielen Anwendungsbereichen großer Beliebtheit. Allerdings erfordern diese Modelle, dass ihre Vorhersagen Linearkombinationen der Kovariablen sind. Daher sind sie oft nicht in der Lage, komplexe Zusammenhänge angemessen zu beschreiben. Ein Beispiel, bei dem lineare Modelle das Problem aufgrund ihrer mangelnden Komplexität nur unzureichend erfassen können, sind Credit Spreads. Credit Spreads beschreiben die Differenz zwischen einer Anleihenrendite und einem risikofreien Zinssatz. Insbesondere im Portfoliomanagement wäre es von großem Vorteil, diesen Spread zu modellieren und anschließend in seine Bestimmungsfaktoren wie Kredit-, Inflations-, Liquiditäts- und Risikoprämie zu zerlegen. Zu diesem Zweck untersuchen wir neben linearen Modellen eine Auswahl der gebräuchlichsten Machine Learning Methoden, darunter Support Vektor Regression, Ensemble Methods wie Random Forest oder Bayesian Additive Regression Trees sowie Neuronale Netze inklusive eines Bayesian Regularization Artificial Neural Networks und eines Long Short-Term Memory Neural Networks. Unsere Analysen zeigen, dass das Modell, welches den Credit Spread am besten modelliert, das Random Forest Modell ist. Dieses Modell wird für die Zerlegung der Credit Spreads verwendet. Der Framework für die Zerlegung der Credit Spreads basiert auf SHAP Values - einem relativ neuen Konzept, welches auf Shapley Values aus der kooperativen Spielertheorie aufbaut. Im Allgemeinen erklären SHAP Values den Unterschied zwischen der durchschnittlichen Vorhersage und der konkreten Vorhersage eines einzelnen Datenpunkts. Um diese SHAP Values für die Zerlegung des Credit Spreads anzuwenden, erweitern wir den SHAP Framework um eine Methode, die es uns erlaubt, den gesamten Spread zu zerlegen. Dieser Framework wird dann auf die Spreads von Unternehmensanleihen, Staatsanleihen, Pfandbriefen und deutschen Staatsanleihen angewendet. Schließlich werden die daraus resultierenden Spread-Zerlegungen zur Vorhersage künftiger Zerlegungen verwendet. Diese Vorhersagen basieren auf zwei Zeitreihenmodellen: einem Exponential Smoothing Modell sowie einem Vektor Autoregressiven Modell. Die von den Modellen vorhergesagten Zerlegungen werden dann mit den empirischen Zerlegungen verglichen, um die Prognosegüte zu bewerten.     «

Aufgrund ihrer einfachen Interpretierbarkeit erfreuen sich lineare Modelle in vielen Anwendungsbereichen großer Beliebtheit. Allerdings erfordern diese Modelle, dass ihre Vorhersagen Linearkombinationen der Kovariablen sind. Daher sind sie oft nicht in der Lage, komplexe Zusammenhänge angemessen zu beschreiben. Ein Beispiel, bei dem lineare Modelle das Problem aufgrund ihrer mangelnden Komplexität nur unzureichend erfassen können, sind Credit Spreads. Credit Spreads beschreiben die Differenz zwi...     »