論文の概要: Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2601.04608v1
• Date: Thu, 08 Jan 2026 05:26:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.051694
• Title: Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach
• Title（参考訳）: 米国債利回り曲線の予測:分散ロバスト機械学習アプローチ
• Authors: Jinjun Liu, Ming-Yen Cheng,
• Abstract要約: 配当の不確実性下における米国債利回り曲線の予測について検討する。 予測者は、平均予測誤差を最小化する代わりに、最悪のケース予測損失を最小限に抑える決定ルールを選択する。 本研究では,因子モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.12891210250935145
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We study U.S. Treasury yield curve forecasting under distributional uncertainty and recast forecasting as an operations research and managerial decision problem. Rather than minimizing average forecast error, the forecaster selects a decision rule that minimizes worst case expected loss over an ambiguity set of forecast error distributions. To this end, we propose a distributionally robust ensemble forecasting framework that integrates parametric factor models with high dimensional nonparametric machine learning models through adaptive forecast combinations. The framework consists of three machine learning components. First, a rolling window Factor Augmented Dynamic Nelson Siegel model captures level, slope, and curvature dynamics using principal components extracted from economic indicators. Second, Random Forest models capture nonlinear interactions among macro financial drivers and lagged Treasury yields. Third, distributionally robust forecast combination schemes aggregate heterogeneous forecasts under moment uncertainty, penalizing downside tail risk via expected shortfall and stabilizing second moment estimation through ridge regularized covariance matrices. The severity of the worst case criterion is adjustable, allowing the forecaster to regulate the trade off between robustness and statistical efficiency. Using monthly data, we evaluate out of sample forecasts across maturities and horizons from one to twelve months ahead. Adaptive combinations deliver superior performance at short horizons, while Random Forest forecasts dominate at longer horizons. Extensions to global sovereign bond yields confirm the stability and generalizability of the proposed framework.
• Abstract（参考訳）: 我々は,米国財務収率曲線の分布不確実性の下での予測と,運用調査および管理決定問題としてのリキャスト予測について検討する。 予測者は、平均予測誤差を最小化する代わりに、予測誤差分布のあいまいなセットよりも最悪のケース予測損失を最小限に抑える決定ルールを選択する。 そこで本研究では,適応予測の組み合わせにより,パラメータ係数モデルと高次元非パラメトリック機械学習モデルを統合する分散ロバストなアンサンブル予測フレームワークを提案する。 フレームワークは3つの機械学習コンポーネントで構成されている。 第一に, 経済指標から抽出した主成分を用いて, 水平, 傾斜, 曲率の動的特性を加味したロールウインドウFacter Augmented Dynamic Nelson Siegelモデルである。 第二に、ランダムフォレストモデルはマクロ金融ドライバーとラッジされた財務利回りの間の非線形相互作用を捉えている。 第3に、分布的に堅牢な予測組み合わせスキームは、モーメントの不確実性の下で不均一な予測を集約し、予測不足によるダウンサイドテールリスクを罰し、リッジ正規化共分散行列による第2モーメント推定を安定化する。 最悪のケース基準の深刻度は調整可能であり、予測者はロバスト性と統計効率のトレードオフを規制することができる。 月間データを用いて、成熟度と地平線のサンプル予測を1～12カ月前に評価した。 適応的な組み合わせは短い地平線で優れたパフォーマンスをもたらすが、ランダムフォレスト予測は長い地平線で優位である。 世界的国債利回りの拡大は、提案された枠組みの安定性と一般化性を確認する。

関連論文リスト

• Forests of Uncertaint(r)ees: Using tree-based ensembles to estimate probability distributions of future conflict [0.0]
  我々は、従来の点予測から完全な予測分布へ移行し、紛争予測の不確実性を定量化する戦略を開発する。 モデルは、最大1年前の予測において、コンフリクト履歴から派生したベンチマークスイートを一貫して上回ることができる。 我々は,計量が与えられた予測問題に対してどのように振る舞うかを理解する必要があることを強調する。
  論文  参考訳（メタデータ） (2025-12-05T23:10:16Z)
• The Uncertainty of Machine Learning Predictions in Asset Pricing [2.0249250133493195]
  予測されたリターンのニューラルネットワーク予測は、古典的ノンパラメトリック手法と同じ分布を持つことを示す。 これらの予測信頼区間を不確実な逆投資枠組みに組み込む。
  論文  参考訳（メタデータ） (2025-03-01T16:32:00Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Causality-oriented robustness: exploiting general noise interventions [4.64479351797195]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 DRIGはトレーニングデータにおける一般的なノイズ介入を利用して、目に見えない介入に対する堅牢な予測を行う。 我々のフレームワークには特別なケースとしてアンカー回帰が含まれており、より多様な摂動から保護される予測モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Robust Nonparametric Distribution Forecast with Backtest-based Bootstrap and Adaptive Residual Selection [14.398720944586803]
  分布予測は予測の不確実性を定量化し、対応する推定確率で様々な予測シナリオを提供する。 本稿では,バックテストベースのブートストラップと適応的残差選択に依存する,実用的で堅牢な分布予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-16T09:53:48Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)

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。