論文の概要: Yield Curve Forecasting using Machine Learning and Econometrics: A Comparative Analysis

• arxiv url: http://arxiv.org/abs/2605.09842v1
• Date: Mon, 11 May 2026 00:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.446777
• Title: Yield Curve Forecasting using Machine Learning and Econometrics: A Comparative Analysis
• Title（参考訳）: 機械学習とエコノメトリを用いた収率曲線予測:比較分析
• Authors: Aman Singh, Tokunbo Ogunfunmi, Sanjiv Das,
• Abstract要約: 本稿では,47年以上にわたる日次データを用いて,計量・時系列分析,古典的機械学習,深層学習などにおける米国財務収率曲線データの予測性能を比較した。 本研究では、収率曲線予測、特に深層学習アルゴリズムで試験されていない様々な手法について検討する。
• 参考スコア（独自算出の注目度）: 3.563550766121287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While machine learning has revolutionized many fields such as natural language processing (NLP) and computer vision, its impact on time-series forecasting is still widely disputed, especially in the finance domain. This paper compares forecasting performance on U.S. Treasury yield curve data across econometrics/time-series analysis, classical machine learning, and deep learning methods, using daily data over 47 years. The Treasury yield curve is important because it is widely used by every participant in the bond markets, which are larger than equity markets. We examine a variety of methods that have not been tested on yield curve forecasting, especially deep learning algorithms. The algorithms include the Autoregressive Integrated Moving Average (ARIMA) model and its extensions, naive benchmarks, ensemble methods, Recurrent Neural Networks (RNNs), and multiple transformers built for forecasting. ARIMA and naive econometric models outperform other models overall, except in one time block. Of the machine learning methods, TimeGPT, LGBM and RNNs perform the best. Furthermore, the paper explores whether stationary or nonstationary data are more appropriate as input to deep learning models.
• Abstract（参考訳）: 機械学習は自然言語処理(NLP)やコンピュータビジョンなどの多くの分野に革命をもたらしたが、時系列予測への影響は、特に金融分野において、いまだに広く議論されている。 本稿では,47年以上にわたる日次データを用いて,計量・時系列分析,古典的機械学習,深層学習などにおける米国財務収率曲線データの予測性能を比較した。 金融利回り曲線は、株式市場よりも大きい債券市場の参加者全員によって広く使用されているため、重要である。 本研究では、収率曲線予測、特に深層学習アルゴリズムで試験されていない様々な手法について検討する。 アルゴリズムには、Autoregressive Integrated moving Average(ARIMA)モデルとその拡張、単純ベンチマーク、アンサンブルメソッド、リカレントニューラルネットワーク(RNN)、予測用に構築された複数のトランスフォーマーが含まれる。 ARIMAとナイーブ・エコノメトリ・モデルは1つの時間ブロックを除いて他のモデルよりも優れています。 機械学習手法のうち、TimeGPT、LGBM、RNNが最善を尽くしている。 さらに,本研究では,定常データと非定常データが,ディープラーニングモデルへの入力として適切かどうかを考察する。

関連論文リスト

• QuitoBench: A High-Quality Open Time Series Forecasting Benchmark [32.21290355342465]
  時系列予測は、ファイナンス、ヘルスケア、クラウドコンピューティングにおいて重要である。 時系列予測のための状態バランスのベンチマークであるtextscQuitoBenchを紹介する。
  論文  参考訳（メタデータ） (2026-03-27T02:24:34Z)
• Multi-Agent Stock Prediction Systems: Machine Learning Models, Simulations, and Real-Time Trading Strategies [0.0]
  本稿では、機械学習(ML)とディープラーニング(DL)技術を活用して、株価予測の総合的な研究を行い、財務予測精度を向上する。 本研究は,Long Short-Term Memory (LSTM) Network, Gated Recurrent Units (GRU)など,様々なリカレントニューラルネットワーク(RNN)アーキテクチャの性能を評価する。 その結果,注意に基づくモデルは他のアーキテクチャよりも優れており,短期的・長期的両方の依存関係を捉えることで高い精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-02-21T06:36:16Z)
• Stock Price Prediction and Traditional Models: An Approach to Achieve Short-, Medium- and Long-Term Goals [0.0]
  在庫価格予測のためのディープラーニングモデルと従来の統計手法の比較分析は、ナイジェリア証券取引所のデータを用いている。 深層学習モデル、特にLSTMは、データの複雑な非線形パターンをキャプチャすることで従来の手法より優れている。 この結果は、金融予測と投資戦略を改善するための深層学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-09-29T11:20:20Z)
• MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU [29.760324699979417]
  本稿では,多頭部クロスアテンション機構と改良型GRUに基づくストック予測モデルMCI-GRUを提案する。 4つの主要株式市場での実験では、提案手法は複数の指標でSOTA技術を上回っている。
  論文  参考訳（メタデータ） (2024-09-25T14:37:49Z)
• 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)
• Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
  伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。 最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。 予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
  論文  参考訳（メタデータ） (2022-03-07T18:59:54Z)
• Machine Learning for Stock Prediction Based on Fundamental Analysis [13.920569652186714]
  フィードフォワードニューラルネットワーク(FNN)、ランダムフォレスト(RF)、適応型ニューラルファジィ推論システム(ANFIS)の3つの機械学習アルゴリズムについて検討する。 RFモデルは最高の予測結果を達成し,FNNとANFISのテスト性能を向上させることができる。 この結果から, 機械学習モデルは, 株式投資に関する意思決定において, 基礎アナリストの助けとなる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-26T18:48:51Z)
• Economic Recession Prediction Using Deep Neural Network [26.504845007567972]
  本稿では,米国における景気後退の開始と終了を予測するための最も正確なモデルとして,オートエンコーダを用いたBi-LSTMの深層学習手法を同定する。 我々は、さまざまな機械学習モデルの能力を比較して、サンプル内とサンプル外の両方で優れた予測を生成するために、一般的なマクロおよびマーケットコンディション機能を採用する。
  論文  参考訳（メタデータ） (2021-07-21T22:55:14Z)
• A Time Series Analysis-Based Stock Price Prediction Using Machine Learning and Deep Learning Models [0.0]
  我々は、統計的、機械学習、ディープラーニングモデルの集合から成り立つ、非常に堅牢で正確な株価予測の枠組みを提示する。 当社は、インドの国立証券取引所(NSE)に上場している非常に有名な企業の、毎日の株価データを5分間隔で収集しています。 統計,機械学習,深層学習を組み合わせたモデル構築の凝集的アプローチは,株価データの揮発性およびランダムな動きパターンから極めて効果的に学習できる,と我々は主張する。
  論文  参考訳（メタデータ） (2020-04-17T19:41:22Z)
• Machine Learning Algorithms for Financial Asset Price Forecasting [0.0]
  本研究は、高性能コンピューティングインフラ上での機械学習アルゴリズムの最先端実装を直接比較し、対比する。 実装された機械学習モデル – ストックユニバース全体の時系列データに基づいてトレーニングされた – は、OOS(Out-of-sample)テストデータにおいて、CAPMを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-31T18:14:18Z)

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。