Umeå universitets logga

umu.sePublikationer
Driftstörningar
Det förekommer återkommande driftstörningar på några av sök-portalerna på grund av hög belastning. Vi arbetar på att lösa problemet, ni kan tillfälligt mötas av ett felmeddelande.
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Systematic Macro, Factor Investing, and MachineLearning in G10 Fixed Income: Systematiska makrostrategier, faktorinvesteringar och maskininlärning på G10-räntemarknaden
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för matematik och matematisk statistik.
2026 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

When inflation returned in 2021 and ended four decades of falling yields, it sparked a curiosity among market makers to better understand systematic hedge fund behavior in sovereign bond markets, and it is this curiosity that the present thesis seeks to address. Conducted in collaboration with SEB’s Rates desk within the FICC division, the study aims to give market makers a better understanding of how systematic hedge funds (CTAs) may trade in fixed income markets. Using macroeconomic data synchronized with daily bond futures prices from September 2019 to April 2025, the thesis implements and back-tests ten rule-based strategies across the classic factor categories: Momentum, Value, and Carry. The strategies are evaluated both as outright directional positions and as market-neutral cross-sectional portfolios. A multi-strategy composite portfolio is constructed using equal weighting, Global Minimum Variance, and Enhanced Portfolio Optimization with covariance shrinkage. Finally, an XGBoost classifier is trained on pre-2019 data and tested out-of-sample.The results show that macroeconomic momentum and value strategies performed best in risk-adjusted terms compared to the passive equal-weighted G10 benchmark, especially during the 2021-2023 inflationary shock. The best-performing strategies were Unemployment Momentum (Sharpe 0.70), Inflation Breakout (Sharpe 0.57), and Yield Curve Slope Reversal (Sharpe 0.54), while Carry strategies struggled in the inverted yield curve environment. Multi-strategy portfolios delivered the strongest overall performance, achieving the highest risk-adjusted returns with substantially lower drawdowns than any standalone strategy. Multi-strategy portfolios improved Sharpe ratios and reduced drawdowns, with moderate covariance shrinkage (λ = 0.25–0.50) providing the best balance between diversification and turnover. No individual strategy reaches statistical significance at the 5% level under Newey-West adjusted tests. The results indicate that these strategies do not work equally well at all times. They performed best during the 2021–2023 period when inflation surged and central banks raised interest rates aggressively, but tended to add less value during calmer periods. This thesis also gives a clear and practical way to evaluate and replicate systematic macro strategies. For SEB’s Rates desk, the results offer a starting point for understanding what drives systematic CTA client activity.

Abstract [sv]

När inflationen återvände 2021 och avslutade fyra decennier av fallande räntor, föddesen nyfikenhet bland market makers för att förstå systematiska hedgefonders beteende påstatsobligationsmarknaden, det är denna nyfikenhet som detta examensarbetet adresserar.Arbetet har genomförts i samarbete med SEB:s ränteavdelning inom FICC-divisionenoch syftar till att ge market makers bättre förståelse för hur systematiska hedgefonder(CTA:er) kan handla inom fixed income marknaden. Med makroekonomisk data synkroniserad med dagliga obligationsfuturespriser från september 2019 till april 2025 implementeras och backtestas tio regelbaserade strategier inomfaktorkategorierna Momentum, Value och Carry. Strategierna utvärderas både som riktade positioner (outright) och som marknadsneutrala tvärsnittsportföljer (cross-sectional).En sammansatt multi-strategi-portfölj konstrueras med likaviktning, Global MinimumVariance och Enhanced Portfolio Optimization med kovariansreducering. Slutligen tränasen XGBoost-klassificerare på data före 2019 och utvärderas strikt out-of-sample. Resultaten visar att makroekonomiska momentum- och värdestrategier presterade bästi riskjusterade termer jämfört med det passiva likaviktade G10-riktmärket, särskilt under inflationschocken 2021–2023. De bästa strategierna var Arbetslöshetsmomentum(Sharpe 0,70), Inflationsutbrott (Sharpe 0,57) och Räntekurvans slope reversal (Sharpe0,54), medan Carry-strategierna hade svårt i den inverterade avkastningskurvan. Multistrategi-portföljerna förbättrade både Sharpe-kvoten och minskade drawdowns, där måttligkovariansreducering (λ = 0,25–0,50) gav den bästa balansen mellan diversifiering och omsättning. Ingen enskild strategi uppnår statistisk signifikans på 5-procentnivån enligt Newey-West-justerade tester. Resultaten visar att makroekonomiska momentum- och värdestrategier presterade bäst i riskjusterade termer jämfört med det passiva likaviktade G10-riktmärket, särskilt under inflationschocken 2021–2023. De bästa strategierna var Arbetslöshetsmomentum (Sharpe0,70), Inflationsutbrott (Sharpe 0,57) och Räntekurvans slope reversal (Sharpe 0,54), medan Carry-strategierna hade svårt i den inverterade avkastningskurvan. Multi-strategiportföljerna gav den bästa övergripande prestandan med högst riskjusterad avkastning och betydligt lägre drawdowns än någon enskild strategi. Multi-strategi-portföljerna förbättrade både Sharpe-kvoten och minskade drawdowns, där måttlig kovariansreducering (λ = 0,25–0,50) gav den bästa balansen mellan diversifiering och omsättning. Ingen enskild strategi uppnår statistisk signifikans på 5-procentnivån enligt Newey-West-justerade tester.

Ort, förlag, år, upplaga, sidor
2026. , s. 55
Nyckelord [en]
systematic macro, factor investing, fixed income, momentum, value, carry, XGBoost, SHAP, portfolio optimization, covariance shrinkage, CTA, G10, sovereign bonds, regime dependency, back-testing
Nationell ämneskategori
Matematik
Identifikatorer
URN: urn:nbn:se:umu:diva-255653OAI: oai:DiVA.org:umu-255653DiVA, id: diva2:2077462
Externt samarbete
Skandinaviska Enskilda Banken
Utbildningsprogram
Civilingenjörsprogrammet i industriell ekonomi
Handledare
Examinatorer
Tillgänglig från: 2026-06-23 Skapad: 2026-06-23 Senast uppdaterad: 2026-06-23Bibliografiskt granskad

Open Access i DiVA

fulltext(8094 kB)442 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 8094 kBChecksumma SHA-512
65e0647e2b1ecdae902eb9c97bebec8b18e98c51ed07cc1cb709bd8f928d02484e1986ecd2617b343b7e040420482739fa40f5c2e02d90d06f1635cf68bf9d7f
Typ fulltextMimetyp application/pdf

Sök vidare i DiVA

Av författaren/redaktören
Karlsson, Andreas
Av organisationen
Institutionen för matematik och matematisk statistik
Matematik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 172 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf