Kort fortalt
- Kunstig intelligens hjælper porteføljeteam med at udvælge de bedste emerging markets-obligationer.
- Modellen har bidraget til et godt afkast i år for Danske Invest Nye Markeder Obligationer set i forhold til fondens benchmark.
- Vi anbefaler generelt, at emerging markets-obligationer udgør 10 pct. af obligationsdelen af din portefølje.
ANBEFALINGERNE her på Investeringsnyt er primært tiltænkt investorer, der selv ønsker at investere med input og sparring fra os. Har du investeret i en investeringsløsning i Danske Bank som fx Danske Porteføljepleje og Flexinvest Fri, tager vores specialister løbende hånd om at pleje og optimere dine investeringer, så du ikke selv behøver at foretage dig noget.
Da Søren Mørch sidste år tog over som ny chefporteføljeforvalter for Danske Invest Nye Markeder Obligationer*, var hans opgave enkel, men udfordrende: At fortsætte og yderligere forbedre fondens succesfulde strategi for investeringer i emerging markets-obligationer udstedt i hård valuta som fx dollar og euro.
Indtil videre har Søren Mørch og hans team gjort et rigtig godt arbejde. Siden Søren Mørch tiltrådte i begyndelsen af november 2022, har fonden leveret et merafkast på 2,63 procentpoint i forhold til sit benchmark – heraf 1,37 procentpoint i 2023 (opgjort pr. 31.08). Og ifølge data fra analyseselskabet eVestment var fonden i første halvår af 2023 blandt verdens bedste på sit felt.
Så hvad har Søren Mørch og hans team ændret?
"Strategien for fondens investeringer hvilede i forvejen på et solidt fundament, og det har vi fastholdt. Men vi har tilføjet en mere sofistikeret model til at vurdere landes kreditrisiko, og den giver efter vores opfattelse mulighed for at træffe endnu bedre beslutninger om, hvilke lande vi skal investere mest i. Her har nøglen været maskinlæring, som betragtes som en afart af kunstig intelligens," fortæller han.
Indtil videre har Søren Mørch og hans team gjort et rigtig godt arbejde. Siden Søren Mørch tiltrådte i begyndelsen af november 2022, har fonden leveret et merafkast på 2,63 procentpoint i forhold til sit benchmark – heraf 1,37 procentpoint i 2023 (opgjort pr. 31.08). Og ifølge data fra analyseselskabet eVestment var fonden i første halvår af 2023 blandt verdens bedste på sit felt.
Så hvad har Søren Mørch og hans team ændret?
"Strategien for fondens investeringer hvilede i forvejen på et solidt fundament, og det har vi fastholdt. Men vi har tilføjet en mere sofistikeret model til at vurdere landes kreditrisiko, og den giver efter vores opfattelse mulighed for at træffe endnu bedre beslutninger om, hvilke lande vi skal investere mest i. Her har nøglen været maskinlæring, som betragtes som en afart af kunstig intelligens," fortæller han.
Målet med vores nye model er at kunne vurdere landes kreditrisiko bedre og dermed forbedre vores evne til at udvælge de emerging markets-obligationer, der har det bedste forhold mellem forventet afkast og risiko. Søren Mørch, chefporteføljeforvalter.
Anvendelse af kunstig intelligens
Emerging markets-obligationer i hård valuta er udstedt af lande som fx Mexico, Tyrkiet, Egypten, Indonesien og Nigeria, og kreditrisikoen er den vigtigste faktor for den type obligationer. Altså risikoen for, at landene på et tidspunkt ikke længere er i stand til at betale de løbende renter på obligationerne og indfri dem ved udløb.
”Målet med vores nye model er at kunne vurdere landes kreditrisiko bedre og dermed forbedre vores evne til at udvælge de emerging markets-obligationer, der har det bedste forhold mellem forventet afkast og risiko,” siger Søren Mørch og uddyber:
”Grundlæggende handler det for os om at forudsige bedst muligt, hvordan forskellige landes kreditvurdering vil udvikle sig – og dernæst vurdere, i hvilken grad det er afspejlet i prissætningen på landenes obligationer. En bedre kreditvurdering kan give et markant løft i obligationskurserne og dermed en gevinst for investorerne, hvis det ikke allerede er indregnet i obligationskurserne."
Træner modellen med historiske data
Den nye maskinlæringsmodel kreditvurderer lande i kategorier fra AAA til D baseret på store mængder makroøkonomiske data om fx staters gæld og rentebetalinger, institutionel styrke osv. Modellen identificerer de mønstre og relationer mellem forskellige data, der fungerer bedst som indikator for den fremtidige kreditrisiko.
Som tidligere Head of Country Risk hos Den Europæiske Bank for Genopbygning og Udvikling (EBRD) har seniorporteføljeforvalter Joshua Loud spillet en central rolle i udviklingen af den nye model.
"Der er tusindvis af forskellige relationer mellem data, vi kunne overveje, og modellen udforsker dem alle og præsenterer os for dem, der fungerer bedst. Vi træner modellen ved hjælp af historiske data, og derefter indtaster vi makroøkonomiske prognoser, der gør det muligt for modellen at lave forudsigelser om kreditrisiko," fortæller han.
• Emerging markets-obligationer kan øge risikospredningen i din portefølje og bidrage til et højere risikojusteret afkast – dvs. et højere afkast set i forhold til niveauet af risiko i dine investeringer.
• Emerging markets-obligationer udgør derfor også en fast del af porteføljerne i vores investeringsløsninger i Danske Bank.
• I Danske Bank anbefaler vi som udgangspunkt, at emerging markets-obligationer udgør 10 pct. af obligationsdelen af private investorers porteføljer.Næsten umuligt for mennesker at gennemtænke
Maskinlæringsmodellen er ikke begrænset af alle de antagelser, vi normalt gør os.
"Modellen kan frit udforske en mangfoldighed af forskellige relationer mellem variable – herunder nogle, vi som mennesker aldrig ville tænke på at overveje. Samtidig kan den regne på meget komplekse sammenhænge mellem mange variable på måder, som er næsten umulige for os mennesker at gennemtænke,” siger Joshua Loud.
Porteføljeteamet foretager derudover en kvalitativ justering af modellens output i forhold til information, som modellen ikke umiddelbart kan se. Det kan fx være forestående politiske valg, som kan have stor betydning for den førte økonomiske politik i de enkelte lande.
Ofte er emerging markets også præget af en lavere grad af politisk, økonomisk og regulatorisk stabilitet end udviklede økonomier, hvilket investorer forlanger sig kompenseret for med en højere rente, når de investerer i obligationer fra disse lande.
Historisk afkast for fonden
De seneste 10 års akkumuleret afkast for Danske Invest Nye Markeder Obligationer (indekseret). Historiske afkast er ingen pålidelig indikator for fremtidige afkast, og afkast kan også blive negative.
Emerging markets-obligationer i hård valuta er udstedt af lande som fx Mexico, Tyrkiet, Egypten, Indonesien og Nigeria, og kreditrisikoen er den vigtigste faktor for den type obligationer. Altså risikoen for, at landene på et tidspunkt ikke længere er i stand til at betale de løbende renter på obligationerne og indfri dem ved udløb.
”Målet med vores nye model er at kunne vurdere landes kreditrisiko bedre og dermed forbedre vores evne til at udvælge de emerging markets-obligationer, der har det bedste forhold mellem forventet afkast og risiko,” siger Søren Mørch og uddyber:
”Grundlæggende handler det for os om at forudsige bedst muligt, hvordan forskellige landes kreditvurdering vil udvikle sig – og dernæst vurdere, i hvilken grad det er afspejlet i prissætningen på landenes obligationer. En bedre kreditvurdering kan give et markant løft i obligationskurserne og dermed en gevinst for investorerne, hvis det ikke allerede er indregnet i obligationskurserne."
Træner modellen med historiske data
Den nye maskinlæringsmodel kreditvurderer lande i kategorier fra AAA til D baseret på store mængder makroøkonomiske data om fx staters gæld og rentebetalinger, institutionel styrke osv. Modellen identificerer de mønstre og relationer mellem forskellige data, der fungerer bedst som indikator for den fremtidige kreditrisiko.
Som tidligere Head of Country Risk hos Den Europæiske Bank for Genopbygning og Udvikling (EBRD) har seniorporteføljeforvalter Joshua Loud spillet en central rolle i udviklingen af den nye model.
"Der er tusindvis af forskellige relationer mellem data, vi kunne overveje, og modellen udforsker dem alle og præsenterer os for dem, der fungerer bedst. Vi træner modellen ved hjælp af historiske data, og derefter indtaster vi makroøkonomiske prognoser, der gør det muligt for modellen at lave forudsigelser om kreditrisiko," fortæller han.
Derfor er emerging markets-obligationer interessante
• På længere sigt kan emerging markets-obligationer forventes at give et højere afkast end fx danske stats- og realkreditobligationer, men har også en højere risiko.• Emerging markets-obligationer kan øge risikospredningen i din portefølje og bidrage til et højere risikojusteret afkast – dvs. et højere afkast set i forhold til niveauet af risiko i dine investeringer.
• Emerging markets-obligationer udgør derfor også en fast del af porteføljerne i vores investeringsløsninger i Danske Bank.
• I Danske Bank anbefaler vi som udgangspunkt, at emerging markets-obligationer udgør 10 pct. af obligationsdelen af private investorers porteføljer.
Maskinlæringsmodellen er ikke begrænset af alle de antagelser, vi normalt gør os.
"Modellen kan frit udforske en mangfoldighed af forskellige relationer mellem variable – herunder nogle, vi som mennesker aldrig ville tænke på at overveje. Samtidig kan den regne på meget komplekse sammenhænge mellem mange variable på måder, som er næsten umulige for os mennesker at gennemtænke,” siger Joshua Loud.
Porteføljeteamet foretager derudover en kvalitativ justering af modellens output i forhold til information, som modellen ikke umiddelbart kan se. Det kan fx være forestående politiske valg, som kan have stor betydning for den førte økonomiske politik i de enkelte lande.
Emerging markets kort fortalt
Emerging markets er en betegnelse for en lang række udviklingslande i Asien, Afrika, Latinamerika og Østeuropa. Det er lande med en lavere indkomst pr. indbygger end udviklede økonomier som fx USA, Japan og landene i Vesteuropa, men typisk højere økonomiske vækstrater.Ofte er emerging markets også præget af en lavere grad af politisk, økonomisk og regulatorisk stabilitet end udviklede økonomier, hvilket investorer forlanger sig kompenseret for med en højere rente, når de investerer i obligationer fra disse lande.
Historisk afkast for fonden
De seneste 10 års akkumuleret afkast for Danske Invest Nye Markeder Obligationer (indekseret). Historiske afkast er ingen pålidelig indikator for fremtidige afkast, og afkast kan også blive negative.
Nu bruger de to modeller side om side
Porteføljeteamet bruger også fortsat den gamle såkaldte økonometriske mode, som har været rygraden for vores strategi for emerging markets-obligationer i hård valuta i årevis. Ligesom de fleste traditionelle modeller er den baseret på mange flere antagelser. For eksempel antager de fleste traditionelle modeller, at variabler er lineært relateret til hinanden – som fx at hvis et lands gæld stiger med 10 pct. af BNP, øges landets kreditrisikoscore med 1 niveau.
Modsat kræver maskinlæringsmodellen ingen antagelser om linearitet eller andre former for relationer. Den kan fx finde ud af, at virkningen af stigende gæld på kreditrisikoen er anderledes for lande med lav gældsbyrde end for lande med høj gældsbyrde, eller at virkningen afhænger af landets udviklingsniveau.
"Vi bruger nu begge modeller side om side, fordi vi ser værdi i at have to forskellige perspektiver. Når signalerne fra begge modeller peger den samme vej, kan vi være mere sikre på resultatet, mens vi ved modstridende signaler har tendens til at være lidt mere forsigtige og graver endnu dybere i vores research," siger Søren Mørch.
To eksempler: El Salvador og Egypten
Søren Mørch fremhæver El Salvador og Egypten som konkrete eksempler på værdien af teamets nye maskinlæringsmodel.
"Begge vores modeller indikerede, at El Salvador havde en bedre kreditværdighed end landets officielle kreditvurdering. Vores nye maskinlæringsmodel var dog en smule mere optimistisk, hvilket bekræftede vores positive syn på landet – og indtil videre har vores overvægt i El Salvador bidraget positivt til vores merafkast i år set i forhold til fondens benchmark. Modsat var vores to modeller mere uenige om Egypten, hvor maskinlæringsmodellen var mere negativ end vores traditionelle model. Det gjorde os mere forsigtige med Egypten, og denne forsigtighed har vist sig berettiget," siger han.
Modsat kræver maskinlæringsmodellen ingen antagelser om linearitet eller andre former for relationer. Den kan fx finde ud af, at virkningen af stigende gæld på kreditrisikoen er anderledes for lande med lav gældsbyrde end for lande med høj gældsbyrde, eller at virkningen afhænger af landets udviklingsniveau.
"Vi bruger nu begge modeller side om side, fordi vi ser værdi i at have to forskellige perspektiver. Når signalerne fra begge modeller peger den samme vej, kan vi være mere sikre på resultatet, mens vi ved modstridende signaler har tendens til at være lidt mere forsigtige og graver endnu dybere i vores research," siger Søren Mørch.
To eksempler: El Salvador og Egypten
Søren Mørch fremhæver El Salvador og Egypten som konkrete eksempler på værdien af teamets nye maskinlæringsmodel.
"Begge vores modeller indikerede, at El Salvador havde en bedre kreditværdighed end landets officielle kreditvurdering. Vores nye maskinlæringsmodel var dog en smule mere optimistisk, hvilket bekræftede vores positive syn på landet – og indtil videre har vores overvægt i El Salvador bidraget positivt til vores merafkast i år set i forhold til fondens benchmark. Modsat var vores to modeller mere uenige om Egypten, hvor maskinlæringsmodellen var mere negativ end vores traditionelle model. Det gjorde os mere forsigtige med Egypten, og denne forsigtighed har vist sig berettiget," siger han.
Find den rette investering for dig
Vi kan hjælpe alle med at investere deres opsparing – fra små beløb til store formuer.Tjek dine muligheder
Få vores nyhedsbrev om investering
Jeg vil ikke gå glip af nogetDenne publikation er markedsføringsmateriale og udgør ikke investeringsrådgivning. Vær altid opmærksom på, at historisk afkast ikke er en indikation af fremtidigt afkast, som kan være negative. Rådfør dig altid med dine professionelle rådgivere omkring juridiske, skattemæssige, finansielle og andre aspekter, der kan være relevante for at vurdere egnetheden og hensigtsmæssigheden af en investering. Vi henviser dig til at læse prospektet og dokumentet med central information, inden du træffer en endelig investeringsbeslutning. Et sammendrag af investorrettigheder er tilgængeligt på dansk og kan sammen med mere information om fondens bæredygtighedsrelaterede egenskaber findes her. Beslutningen om at investere i fonden bør træffes under hensyntagen til alle fondens miljømæssige og/eller sociale karakteristika som beskrevet i prospektet. Danske Invest Management A/S kan beslutte at opsige aftalerne, som er indgået med henblik på markedsføring af dets fonde.
