利用机器学习与计量经济学的收益率曲线预测：比较分析
人工智能
2026-05-12 v1
摘要
尽管机器学习已彻底改变了自然语言处理(NLP)和计算机视觉等众多领域，但其对时间序列预测的影响仍存在广泛争议，尤其是在金融领域。本文使用47年的日度数据，比较了计量经济学/时间序列分析、经典机器学习和深度学习方法在美国国债收益率曲线数据上的预测性能。国债收益率曲线之所以重要，是因为它被债券市场中的每位参与者广泛使用，而债券市场规模大于股票市场。我们考察了多种尚未在收益率曲线预测中得到测试的方法，尤其是深度学习算法。这些算法包括自回归积分移动平均(ARIMA)模型及其扩展、朴素基准、集成方法、循环神经网络(RNNs)以及为预测构建的多种transformers。除一个时间段外，ARIMA和朴素计量经济模型在总体上优于其他模型。在机器学习方法中，TimeGPT、LGBM和RNNs表现最佳。此外，本文还探讨了平稳或非平稳数据作为深度学习模型输入何者更为合适。
引用
@article{arxiv.2605.09842,
title = {Yield Curve Forecasting using Machine Learning and Econometrics: A Comparative Analysis},
author = {Aman Singh and Tokunbo Ogunfunmi and Sanjiv Das},
journal= {arXiv preprint arXiv:2605.09842},
year = {2026}
}
备注
18 pages, 12 figures, comparative study of econometric, machine learning, and deep learning methods for U.S. Treasury yield curve forecasting