Forecasting the Term Structure of Sovereign Spreads
Notice bibliographique
Résumé
We investigate and forecast the term structure of sovereign spreads between major economies. The spreads are calculated as the difference between government bond Zero yields for Australia, UK, Japan, Canada and Switzerland against the US. We choose a dynamic latent factor model to capture the dynamics of the term structure and apply Principal Components Analysis (PCA) to extract the latent factors. As the term structure of sovereign spreads exhibits high correlation between different maturities it is a natural approach to compress the cross-section into a low-dimensional vector of factors which account for a large part the variation. Our results show that the variations in the term structure of sovereign spreads can be explained by a limited number of three factors. This 3-factor model fits the data well and is capable of replicating the variety of different shapes, forms and characteristics of the spread curves. The three latent factors can be interpreted as level, slope and curvature while the loadings on these 3 factors are similar in shape to the familiar Nelson-Siegel loadings. To test the out-of-sample performance of our 3-factor model, we carry out a forecasting exercise against the random walk and several natural competitor models. While our model’s forecasting capabilities for 1-months forecasting horizons are humbling, the model clearly outperforms its competitors when the forecast horizon lengthens. In particular, the 12-month ahead forecasts beat the competitors by a wide margin. These results hold across all analyzed maturities and sovereign spreads. We also test our models performance in different time periods and for different frequencies. Overall, our model performs surprisingly well under different and partly unique economic conditions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».