Aprendizado automático de decomposições para a previsão da estrutura a termo de taxas de juros com redes neurais

• Ano de defesa: 2022
• Autor(a) principal: Kauffmann, Piero Conti
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizagem de máquina; Bayesian modeling; Decomposição da curva de taxas de juros; Dynamic factor models; Machine learning; Modelagem bayesiana; Modelos de fatores dinâmicos; Neural networks; Previsão da estrutura a termo das taxas de juros; Redes neurais; Yield curve decomposition; Yield curve forecasting
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-05092022-160733/

Este trabalho propõe um modelo para a previsão da estrutura a termo das taxas de juros que faz aprendizado automático de novas decomposições de curvas de taxas de juros a partir de um modelo linear Gaussiano de espaço de estados acoplado a uma rede neural geradora de decomposições. Para controlar a complexidade do modelo e garantir que as decomposições estimadas preservem propriedades desejáveis, como suavidade e ortogonalidade dos fatores latentes, uma distribuição Priori com efeito de regularização destas propriedades é definida para os parâmetros do modelo, e em seguida, é descrito um procedimento computacionalmente eficiente de estimação para todos os parâmetros do modelo em uma etapa. Uma avaliação empírica com 14 anos de dados históricos da curva de taxa de juros brasileira mostrou que a técnica proposta é capaz de obter melhores previsões fora-de-amostra que modelos tradicionais da literatura, como o modelo Nelson e Siegel dinâmico e variações.