原文链接：http://tecdat.cn/?p=11878

Nelson-Siegel- [Svensson]模型是拟合收益曲线的常用方法。它的优点是其参数的经济可解释性，被银行广泛使用。但它不一定在所有情况下都有效：模型参数有时非常不稳定，无法收敛。

在之前的文章中，我们提供了Nelson-Siegel模型收敛失败的示例，我们已经展示了它的一些缺陷。

蒙特卡洛模拟帮助我们理解：

for(j in 1:N_SIMULATIONS){npo = c(newYields, oldYields)plot(MATURITY_BASES, oldYields, ylim=c(min(npo), max(npo)))lines(MATURITY_BASES, oldYields)points(MATURITY_BASES, newYields, col="red", pch=4)points(newMATs, newNsYields, col="blue")lines(newMATs, newNsYields, col="blue")

我们要做的是：从一些收益率曲线开始，然后逐步地随机修改收益率，最后尝试NS模型拟合新的收益。因此我们对此进行了模拟。

对于Nelson-Siegel模型，此Monte-Carlo模拟尽管假定前一步的收益（旧收益率）与NS曲线完全匹配。但是，即使如此也无法完全避免麻烦。我们如何发现这些麻烦？在每一步中，我们计算两条相邻曲线之间的最大距离（supremum-norm）：

maxDistanceArray[j] = max( abs(oldYieldsArray[j,] - newNsYieldsArray[j,]) )

最后，我们找到到上一条曲线的最大距离的步骤，这就是收敛失败的示例。

maxDistanceArray的概率密度如下所示：

分布尾部在0.08处减小，但对于收益率曲线而言，每天偏移8个点并不罕见。因此，尽管我们进行了1e5 = 10000蒙特卡洛模拟，但只有极少数情况，我们可以将其标记为不良。训练神经网络绝对是不够的。而且，两条Nelson-Siegel曲线可能彼此非常接近，但其参数却彼此远离。由于模型是线性的，因此可以假设beta的极大变化（例如，超过95分位数）是异常值，并将其标记为不良。

idx = intersect(intersect(which(b0 < q_b0), which(b1 < q_b1)), which(b2 < q_b2))par(mfrow=c(3,3))plot(density(log(b0)))plot(density(log(b1)))plot(density(log(b2)))plot(density(log(b0[idx])))plot(density(log(b1[idx])))plot(density(log(b2[idx])))plot(density(b0[idx]))plot(density(b1[idx]))plot(density(b2[idx]))b0 = b0-mean(b0)b1 = b1-mean(b1)b2 = b2-mean(b2)#训练神经网络X = cbind(b0, b1, b2)Y = array(0, dim=(N_SIMULATIONS-1))Y[idx] = 1

然后我们可以训练神经网络

SPLT = 0.8library(keras)b = floor(SPLT*(N_SIMULATIONS-1))plot(history)model %>% evaluate(x_test, y_test)

神经网络不仅在样本而且在验证集上都提供了高精度。
如果模拟新数据集，对模型进行修改：例如修改VOLAs = 0.005*sqrt(MATURITY_BASES) 到 VOLAs = 0.05*sqrt(MATURITY_BASES) 将无法识别新数据集上的不良情况。

不足与展望：尽管我们在两种情况下均对数据进行了归一化和平均化，但是模型波动性的线性变化对尾部分位数具有很高的非线性影响。

那么，我们是否需要一个更复杂的AI模型？

最受欢迎的见解

1.用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类

2.Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力消耗数据

3.python在Keras中使用LSTM解决序列问题

4.Python中用PyTorch机器学习分类预测银行客户流失模型

5.R语言多元Copula GARCH 模型时间序列预测

6.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析

7.R语言中ARMA，ARIMA（Box-Jenkins），SARIMA和ARIMAX模型用于预测时间序列数

8.R语言估计时变VAR模型时间序列的实证研究分析案例

9.用广义加性模型GAM进行时间序列分析

拓端tecdat|R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析相关推荐

拓端tecdat|R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险逻辑回归Logistic模型原理和R语言分类预测冠 ...
拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子人口众多独生子女政策: ...
拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
R语言 BP神经网络
神经网络是由具有适应性的简单单元组成的广泛进行互联的网络,它的组织能够模拟生物神经系统对真实世界物体所做的交互反应. 人工神经网络对一组输入信号和一组输出信号之间的关系建模,使用的模型来源于人类大脑对 ...
拓端tecdat荣获掘金社区入驻新人奖
2021年7月,由掘金发起了"入驻成长礼"颁奖活动.本次活动邀请到知名开发者.服务机构代表等业界人士. 据了解,掘金社区"新入驻创作者礼"主要对已经积累了一定历 ...
拓端tecdat荣获2022年度51CTO博主之星
相信技术,传递价值,这是51CTO每一个技术创作者的动力与信念,2022 年度,拓端tecdat 作为新锐的数据分析咨询公司,在51CTO平台上,不断的输出优质的技术文章,分享前沿创新技术,输出最佳生 ...
R语言限制性立方样条(RCS, Restricted cubic spline)分析：基于logistic回归模型、南非心脏病数据集（South African Heart Disease）
R语言限制性立方样条(RCS, Restricted cubic spline)分析:基于logistic回归模型.南非心脏病数据集(South African Heart Disease) 目录
R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战
R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战目录 R语言相关性计算及使用ggcorrplot包相关性分析热力图可视化分析实战
R语言广义线性模型Logistic回归模型亚组分析及森林图绘制
R语言广义线性模型Logistic回归模型亚组分析及森林图绘制 #Logistic回归案例 6 亚组分析森林图 library(forestplot) rs_forest <- read.csv ...

拓端tecdat|R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析

原文链接：http://tecdat.cn/?p=11878

拓端tecdat|R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析相关推荐

最新文章

热门文章