Ítem
Acceso Abierto
Forecasting Dynamic Term Structure Models with Autoencoders
Título de la revista
Autores
Castro, Carlos
Ramirez, Julian
Fecha
2021-05-10
Directores
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
El Análisis de Componentes Principales (PCA) es un método estadístico para construir modelos factoriales en finanzas. PCA es también un caso particular de un tipo de red neuronal conocido como Autoencoder. Recientemente los autoencoders han sido utilizados satisfactoriamente en modelos factoriales en finanzas, Gu et al. (2020), Heaton y Polson (2017). En este documento estudiamos la relación entre autoencoders y modelos de estructura a plazos de la tasa de interés dinámicos; adicionalmente proponemos varias alternativas para generar pronósticos. Comparamos el desempeño de pronóstico de los modelos factoriales basados en autoencoders, modelos clásicos de la estructura a plazos de la tasa de interés propuestos en Diebold y Li (2006) y modelos de redes neuronales para series de tiempo. Nuestro ejercicio empírico evalúa el desempeño de pronóstico de los autoencoders con información de la curva de tasa de interés de los tesoros del gobierno norteamericano durante ellos últimos 35 años. Los resultados preliminares indican que un modelo hibrido de autoencoders y vectores autorregresivos, representado como un modelo dinámico de la estructura a plazos de la tasa de interés, proporciona un pronóstico adecuado y consistente a lo largo de la muestra. Este modelo hibrido supera los inconvenientes de sobre-ajuste dentro de la muestra de otros modelos y los cambios estructurales observados en los datos.
Abstract
Principal Components Analysis (PCA) is a statistical approach to build factor models in finance. PCA is also a particular case of a type of neural network known as an autoencoder. Recently, autoencoders have been successfully applied in financial applications using factor models, Gu et al. (2020), Heaton and Polson (2017). We study the relationship between autoencoders and dynamic term structure models; furthermore we propose different approaches for forecasting. We compare the forecasting accuracy of dynamic factor models based on autoencoders, classical models in term structure modelling proposed in Diebold and Li (2006) and neural network-based approaches for time series forecasting. Empirically, we test the forecasting performance of autoencoders using the U.S. yield curve data in the last 35 years. Preliminary results indicate that a hybrid approach using autoencoders and vector autoregressions framed as a dynamic term structure model provides an accurate forecast that is consistent throughout the sample. This hybrid approach overcomes in-sample overfitting and structural changes in the data.
Palabras clave
Uso de redes neuronales recurrentes para la estimación de tasas de interés , Comparación entre Autoencoder de modelos de estructura a plazos en la determinación de tasas de interés dinámicas , Uso de redes neuronales recurrentes en evaluación financiera , Modelos factoriales y estructura a plazos de tasas de interés , Comparación entre de técnicas predictivas de tasas de interés en finanzas
Keywords
Comparison of predictive techniques of interest rates in surety bonds , Use of recurrent neural networks to estimate interest rates , Comparison between Autoencoder of term structure models in the determination of dynamic interest rates , Use of recurrent neural networks in financial evaluation , Factor models and term structure of interest rates
