論文の概要: Predicting Recession Probabilities Using Term Spreads: New Evidence from a Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2101.09394v1
• Date: Sat, 23 Jan 2021 01:26:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-19 10:42:30.761153
• Title: Predicting Recession Probabilities Using Term Spreads: New Evidence from a Machine Learning Approach
• Title（参考訳）: 項拡散による回帰確率の予測:機械学習アプローチによる新しい証拠
• Authors: Jaehyuk Choi, Desheng Ge, Kyu Ho Kang, Sungbin Sohn
• Abstract要約: 我々は、機械学習を用いて、金利の予測能力を改善することができるかどうかを調査する。 機械学習アルゴリズムは最適な成熟度ペアを特定し、利子率の効果を拡散した用語と区別する。 私達の発見は10年3か月の財務収支の広がりの従来の使用を支えます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The literature on using yield curves to forecast recessions typically measures the term spread as the difference between the 10-year and the three-month Treasury rates. Furthermore, using the term spread constrains the long- and short-term interest rates to have the same absolute effect on the recession probability. In this study, we adopt a machine learning method to investigate whether the predictive ability of interest rates can be improved. The machine learning algorithm identifies the best maturity pair, separating the effects of interest rates from those of the term spread. Our comprehensive empirical exercise shows that, despite the likelihood gain, the machine learning approach does not significantly improve the predictive accuracy, owing to the estimation error. Our finding supports the conventional use of the 10-year--three-month Treasury yield spread. This is robust to the forecasting horizon, control variable, sample period, and oversampling of the recession observations.
• Abstract（参考訳）: 利回り曲線を使って不況を予測する文献は、10年利と3カ月利回りの差として一般的にこの用語が広まるのを計測する。 さらに、スプレッドという用語を用いることで、長期と短期の金利はリセッション確率に同じ絶対的な影響を及ぼすことになる。 本研究では、利子率の予測能力が向上できるかどうかを調べるために、機械学習手法を採用する。 機械学習アルゴリズムは最適な成熟度ペアを特定し、利子率の効果を拡散した用語と区別する。 包括的実証実験の結果,予測誤差により,機械学習アプローチでは予測精度が著しく向上しないことがわかった。 従来から10年3カ月の国債利回り拡大を支えている。 これは、予測水平線、制御変数、サンプル周期、不況観測のオーバーサンプリングに対して堅牢である。

関連論文リスト

• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Combining predictive distributions of electricity prices: Does minimizing the CRPS lead to optimal decisions in day-ahead bidding? [0.0]
  本研究では,新しい重み付け手法であるCRPS学習を用いることで,日頭入札における最適決定が導かれるかどうかを検討する。 アンサンブルの多様性の増大は精度に肯定的な影響を与える可能性がある。 分布の等重集約と比較してCRPS学習を使用する場合の計算コストは、高い利益によって相殺されない。
  論文  参考訳（メタデータ） (2023-08-29T17:10:38Z)
• Forecasting inflation using disaggregates and machine learning [0.0]
  我々は、インフレーションの異なる分散レベルを考慮し、線形および非線形機械学習(ML)モデルと同様に、様々な伝統的な時系列技術を用いて、より多くの予測値を扱う。 多くの予測地平線において、非凝集予測の集計は、この集計を用いて直接予測を生成するサーベイベースの予測とモデルと同様に実行される。 本研究は,ML手法による非凝集予測の集約を含む,データ豊富な環境下でのインフレーション予測におけるモデルの活用のメリットを裏付けるものである。
  論文  参考訳（メタデータ） (2023-08-22T04:01:40Z)
• Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
  長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。 多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。 深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。 本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-18T16:21:15Z)
• Variational Prediction [95.00085314353436]
  本稿では,変動境界を用いた後部予測分布に対する変動近似の学習手法を提案する。 このアプローチは、テスト時間の限界化コストを伴わずに、優れた予測分布を提供することができる。
  論文  参考訳（メタデータ） (2023-07-14T18:19:31Z)
• Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
  分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。 歴史的情報を適切に再利用するオンライン手法を提案する。 我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
  論文  参考訳（メタデータ） (2023-02-06T04:03:33Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• The Yield Curve as a Recession Leading Indicator. An Application for Gradient Boosting and Random Forest [0.0]
  我々は、米国経済不況を予測するための最も関連性の高い財務用語と、経済不況検知に関する関連するルールを検出するための方法を見出した。 後者の結果は、機械学習手法が解釈に有用であることを示す文献が増えているのとは対照的である。
  論文  参考訳（メタデータ） (2022-03-13T12:46:22Z)
• Measuring Financial Time Series Similarity With a View to Identifying Profitable Stock Market Opportunities [12.101446195463591]
  歴史的価格データのみを用いて株式市場のリターンを予測するケースベースの推論手法について述べる。 この研究の重要な貢献は、歴史的価格データを比較するための新しい類似度指標の開発である。
  論文  参考訳（メタデータ） (2021-07-07T17:26:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。