Forecasting the yield curve of government bonds: a dynamic factor approach
Notice bibliographique
Résumé
Purpose Forecasting the future movement of yield curves contains valuable information for both academic and practical issues such as bonding pricing, portfolio management, and government policies. The purpose of this paper is to develop a dynamic factor approach that can provide more precise and consistent forecasting results under various yield curve dynamics. Design/methodology/approach The paper develops a unified dynamic factor model based on Diebold and Li (2006) and Nelson and Siegel (1987) three-factor model to forecast the future movement yield curves. The authors apply the state-space model and the Kalman filter to estimate parameters and extract factors from the US yield curve data. Findings The authors compare both in-sample and out-of-sample performance of the dynamic approach with various existing models in the literature, and find that the dynamic factor model produces the best in-sample fit, and it dominates existing models in medium- and long-horizon yield curve forecasting performance. Research limitations/implications The authors find that the dynamic factor model and the Kalman filter technique should be used with caution when forecasting short maturity yields on a short time horizon, in which the Kalman filter is prone to trade off out-of-sample robustness to maintain its in-sample efficiency. Practical implications Bond analysts and portfolio managers can use the dynamic approach to do a more accurate forecast of yield curve movements. Social implications The enhanced forecasting approach also equips the government with a valuable tool in setting macroeconomic policies. Originality/value The dynamic factor approach is original in capturing the level, slope, and curvature of yield curves in that the decay rate is set as a free parameter to be estimated from yield curve data, instead of setting it to be a fixed rate as in the existing literature. The difference range of estimated decay rate provides richer yield curve dynamics and is the key to stronger forecasting performance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».