論文の概要: Data-Driven Duration Management -- Term Structure Forecasting Using Machine Learning

• arxiv url: http://arxiv.org/abs/2606.26815v1
• Date: Thu, 25 Jun 2026 09:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.231188
• Title: Data-Driven Duration Management -- Term Structure Forecasting Using Machine Learning
• Title（参考訳）: データ駆動型期間管理 -機械学習を用いた用語構造予測
• Abstract要約: 我々は、米国と欧州のゼロクーポン国債の期間構造を予測する異なる方法の比較を行った。 予測性能を高めるため、マクロ経済変数が組み込まれている。 その結果、NNは予測精度とポートフォリオパフォーマンスの両方で従来のモデルより一貫して優れていた。
• 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: 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 Component Analysis (PCA)) with different Neural Network (NN) architectures, including those inspired by the classical models, on the U.S. Treasury market and bonds issued by the European Central Bank (ECB). To enhance predictive performance, macroeconomic variables are incorporated. The findings for both markets are separately analyzed and compared. To this end, we propose a robust model evaluation framework combining statistical accuracy metrics - such as RMSE, MAE, and directional accuracy - with the economic relevance of a quantitative bond trading strategy. Results show that NNs consistently outperform traditional models in both forecasting accuracy and portfolio performance. For the U.S., the most effective approach is a direct-forecasting NN that incorporates DNS factors to reduce the dimensionality of zero-rate data and an Autoencoder (AE) to extract macroeconomic features, while for Europe, the optimal model is a factor-based NN using PCA-derived zero-rate factors without the integration of macroeconomic variables. Overall, the paper demonstrates how combining traditional modeling approaches with modern ML techniques and evaluation can improve yield curve forecasts and support applications in fixed-income portfolio construction.
• Abstract（参考訳）: 本稿では,従来のエコノメトリと機械学習(ML)の両手法を用いて,米国と欧州のゼロクーポン国債の項構造を予測する方法を比較した。 我々は、古典的モデル(DNS)と主成分分析(PCA)を、古典的モデルに触発されたもの、米国財務市場、欧州中央銀行(ECB)が発行した債券など、異なるニューラルネットワーク(NN)アーキテクチャと比較する。 予測性能を高めるため、マクロ経済変数が組み込まれている。 両市場の調査結果は別々に分析され、比較される。 そこで本研究では,RMSE,MAE,方向精度などの統計精度指標と,量的債券取引戦略の経済性を組み合わせたロバストモデル評価手法を提案する。 その結果、NNは予測精度とポートフォリオ性能の両方で従来のモデルより一貫して優れていた。 アメリカにとって最も効果的なアプローチは、ゼロレートデータの次元を減少させるためにDNS因子を組み込んだ直接予測NNと、マクロ経済的特徴を抽出するオートエンコーダ(AE)である。 本稿は,従来のモデリング手法と現代のML手法とを組み合わせることで,収率曲線の予測や,固定所得ポートフォリオ構築におけるサポートアプリケーションの改善を実証する。

関連論文リスト

• Interpretable and Fair Generalized Additive Neural Networks via Multi-objective Learning [52.66717986145448]
  理解可能性と公正性は、信頼できる人工知能(AI)において最も強調される2つの次元の1つである 本稿では,ニューラルネットワーク(NN)に基づく自己解釈可能なモデルであるGAM(Generalized Additive Model)に焦点を当てる。
  論文  参考訳（メタデータ） (2026-09-05T07:29:42Z)
• Yield Curve Forecasting using Machine Learning and Econometrics: A Comparative Analysis [3.563550766121287]
  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。
  論文  参考訳（メタデータ） (2026-05-11T00:53:26Z)
• Regression Models Meet Foundation Models: A Hybrid-AI Approach to Practical Electricity Price Forecasting [39.91788164419845]
  回帰に基づく予測を強化する新しいパラダイムであるFutureBoostingを提案する。 私たちはこのパラダイムを、電力価格予測のための軽量でプラグアンドプレイのフレームワークにインスタンス化します。 我々のフレームワークは、最先端のTSFMとレグレッションベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-06T02:06:46Z)
• Understanding Model Merging: A Unified Generalization Framework for Heterogeneous Experts [36.26786113564521]
  モデルマージは、複数の微調整されたモデルの機能を単一のモデルに効率的に集約する。 経験的成功にもかかわらず、不均一な微調整ハイパーパラメータの下での有効性の統一理論はいまだに欠落している。 我々は$L$-Stability理論を用いて、合併されたモデル $boldsymbolx_avg$ の一般化を分析する。
  論文  参考訳（メタデータ） (2026-01-29T13:22:06Z)
• Integrated Prediction and Multi-period Portfolio Optimization [29.582959310549594]
  マルチ周期ポートフォリオ最適化は、取引コスト、パス依存リスク、および取引決定の時間的構造を考慮に入れている。 本稿では,ターンオーバーペナルティを用いた多周期平均分散ポートフォリオ最適化モデルであるIPMOを紹介する。 拡張性のために,KKT(Karush-Kuhn-Tucker)システムの分解を回避したMDFP( mirror-descent fixed-point)微分方式を提案する。
  論文  参考訳（メタデータ） (2025-12-12T04:31:22Z)
• Can We Reliably Predict the Fed's Next Move? A Multi-Modal Approach to U.S. Monetary Policy Forecasting [2.6396287656676733]
  本研究では、構造化データと連邦準備制度の通信からの非構造化テキスト信号を統合することにより、予測精度を向上させることができるかどうかを検討する。 以上の結果から,ハイブリッドモデルは単調なベースラインを一貫して上回ることがわかった。 金融政策予測では、より単純なハイブリッドモデルは正確性と解釈可能性の両方を提供し、研究者と意思決定者に実用的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-06-28T05:54:58Z)
• An Advanced Ensemble Deep Learning Framework for Stock Price Prediction Using VAE, Transformer, and LSTM Model [4.097563258332958]
  本研究では,3つの先進ニューラルネットワークアーキテクチャを組み合わせることで,株価予測のための最先端の深層学習フレームワークを提案する。 このフレームワークは豊富な技術的指標を使用し、現在の市場状況に基づいて予測器をスケールする。 金融専門家や学者にとって、アルゴリズム取引、リスク分析、制御と意思決定に非常に重要な応用がある。
  論文  参考訳（メタデータ） (2025-03-28T07:20:40Z)
• Advancing GDP Forecasting: The Potential of Machine Learning Techniques in Economic Predictions [0.0]
  本稿では,GDP,特にLSTMネットワークの予測におけるリカレントニューラルネットワークの有効性について検討する。 我々は1995年から2023年までの四半期ルーマニアのGDPデータセットを使用し、LSTMネットワークを構築し、シリーズの次の4つの値に予測する。 機械学習モデルは予測精度と柔軟性の点で従来の計量モデルより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-02-27T06:28:13Z)
• Enhancing Exchange Rate Forecasting with Explainable Deep Learning Models [1.5474412217744966]
  伝統的な予測モデルは、交換レートデータの本質的な複雑さと非線形性に対処する際にしばしば混乱する。 本研究では,RSM/USD交換率の予測精度を高めるため,LSTM,CNN,トランスフォーマーベースアーキテクチャなどの高度なディープラーニングモデルの適用について検討する。
  論文  参考訳（メタデータ） (2024-10-25T01:29:54Z)
• Cross-border Commodity Pricing Strategy Optimization via Mixed Neural Network for Time Series Analysis [46.26988706979189]
  クロスボーダー商品の価格設定は、企業の競争力と市場シェアを決定する。 時系列データは商品価格において非常に重要であり、市場のダイナミクスやトレンドを明らかにすることができる。 本稿では,ハイブリッドニューラルネットワークモデルCNN-BiGRU-SSAに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-08-22T03:59:52Z)
• 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)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• Post-mortem on a deep learning contest: a Simpson's paradox and the complementary roles of scale metrics versus shape metrics [61.49826776409194]
  我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。 メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。 本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
  論文  参考訳（メタデータ） (2021-06-01T19:19:49Z)

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。