Yield Curve Modelling: A Comparison of Principal Components Analysis and the Discrete-Time Vasicek Model.
Notice bibliographique
Résumé
The term structure of interest rates is relevant to economists as it reflects the information available to the market about the time value of money in the future. Affine term structure models such as short rate models have been used in interest rate modelling over the past years to determine the mechanisms driving the term structure. Machine learning approaches are explored in this thesis and compared to the traditional econometric approach, specifically the Vasicek model. Multifactor Vasicek models are considered as the one factor model is found not adequate to characterize the term structure of interest rates. Since the short rates are not observable the Kalman filter approach is used in estimating the parameters of the Vasicek model. This thesis utilizes the Canadian zero-coupon bond price data in the implementation of both methods and it is observed from both methods that increasing the number of factors to three increases the ability to capture the curvature of the yield curve. The first factor is identified to be responsible for the level of the yield curve, the second factor the slope and third factor the curvature of the yield curve. This is consistent with results obtained from previous work on term structure models. The results from this work indicates that the machine learning technique, specifically the first three principal components of the Principal Component Analysis (PCA), outperforms the Vasicek model in fitting the yield curve.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».