用于债券收益率预测的长短期记忆网络与 LagLasso：探视黑盒内部
计算金融
2020-05-06 v1 计算工程、金融与科学
机器学习
摘要
固定收益资产管理中的现代决策得益于智能系统，这涉及使用最先进的机器学习模型和适当的方法论。我们使用长短期记忆（LSTM）网络进行了债券收益率预测的首项研究，验证了其潜力并识别了其记忆优势。具体而言，我们使用具有三种输入序列和五个预测期限的单变量 LSTM 对 10 年期债券收益率进行建模。我们将它们与多层感知机（MLP）、单变量以及最相关的特征进行比较。为了揭开与 LSTM 相关的黑盒概念，我们对该模型进行了首项内部研究。为此，我们使用序列到序列架构（单变量和多变量），在记忆单元的选定位置计算随时间变化的 LSTM 信号。然后，我们继续使用外生信息来解释状态信号，为此我们开发了 LSTM-LagLasso 方法论。结果表明，具有额外记忆的单变量 LSTM 模型能够取得与使用宏观经济和市场信息的多变量 MLP 相似的结果。此外，较短的预测期限需要较小的输入序列，反之亦然。在 LSTM 信号中一致发现的最显著特性是单元随时间的激活/失活，以及单元按收益率范围或特征的特化。这些信号虽然复杂，但可以通过外生变量来解释。此外，通过 LSTM-LagLasso 识别出的一些相关特征在预测模型中并不常用。总之，我们的工作验证了 LSTM 和方法论在债券方面的潜力，为金融从业者提供了额外的工具。
引用
@article{arxiv.2005.02217,
title = {Long short-term memory networks and laglasso for bond yield forecasting: Peeping inside the black box},
author = {Manuel Nunes and Enrico Gerding and Frank McGroarty and Mahesan Niranjan},
journal= {arXiv preprint arXiv:2005.02217},
year = {2020}
}
备注
27 pages, 16 figures