Forecasting Dynamic Term Structure Models with Autoencoders

Julian Ramirez, Carlos Castro
2021
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
more » ... nemos 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.
doi:10.48713/10336_31955 fatcat:fiywkgd3ajagdfboav7xa3ixdm