PulseAugur
中
实时 11:38:39
English(EN) Data-Driven Duration Management -- Term Structure Forecasting Using Machine Learning

机器学习在债券收益率曲线预测中优于传统模型

作者 PulseAugur 编辑部 · [2 个来源] ·

一篇新的研究论文探讨了机器学习（ML）技术在预测美国和欧洲政府债券期限结构方面的应用。该研究将动态Nelson-Siegel（DNS）和主成分分析（PCA）等传统计量经济学模型与各种神经网络（NN）架构进行了比较。通过纳入宏观经济变量，研究结果表明，在预测准确性和投资组合表现方面，神经网络均持续优于传统方法。对于美国市场，结合了DNS因子和用于宏观经济特征的自动编码器的直接预测神经网络被证明是最有效的；而对于欧洲市场，使用PCA因子且不整合宏观经济因素的基于因子的神经网络则产生了最佳结果。 AI

影响 通过先进的机器学习技术，增强了收益率曲线预测能力，并支持固定收益投资组合的构建。

排序理由 该集群包含一篇学术论文，详细介绍了机器学习在金融预测中应用的新研究成果。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

机器学习在债券收益率曲线预测中优于传统模型

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Tobias Lausser, Joao Eduardo Vuolo, Rudi Zagst ·

    数据驱动的期限管理——利用机器学习进行期限结构预测

    arXiv:2606.26815v1 Announce Type: cross Abstract: This paper compares different methods for forecasting the term structure of U.S. and European zero-coupon government bonds using both traditional econometric and Machine Learning (ML) approaches. We compare classical models (e.g.,…

  2. arXiv stat.ML TIER_1 English(EN) · Rudi Zagst ·

    数据驱动的期限管理——利用机器学习进行期限结构预测

    This paper compares different methods for forecasting the term structure of U.S. and European zero-coupon government bonds using both traditional econometric and Machine Learning (ML) approaches. We compare classical models (e.g., Dynamic Nelson-Siegel (DNS) and Principal Compone…

相关实体

相关话题