En sammenlignende analyse av tradisjonelle og moderne maskinlæringsmodeller for prediksjon av rentenivåer

Abstract

De siste tiårene har det blitt utført omfattende forskning på renteprediksjon og prediksjonsmodeller. Amerikanske statsobligasjoner har også fått mye oppmerksomhet fra forskere. Dette kan skyldes rentens nøkkelrolle som økonomisk indikator og deres innvirkning på både privat og offentlig sektor. I tillegg har amerikanske statsobligasjoner en sentral rolle i det globale finansmarkedet. Dette understreker behovet for mer nøyaktige prediksjonsmodeller.

Hovedformålet med vår forskning er å sammenligne prestasjonene til AutoRegressive Integrated Moving Average (ARIMA), Ridge regresjon, Random Forest og Long-Short Term Memory (LSTM). Vi har undersøkt amerikanske statsobligasjoner for perioden 1986 – 2022. Vår problemstilling er:

«En sammenlignende analyse av tradisjonelle og moderne maskinlæringsmodeller for prediksjon av rentenivåer»

Med kvantitativ metode har vi forsøkt å svare opp forskningsspørsmålene «Forskjellene mellom tradisjonelle og moderne tilnærminger for anvendt renteprediksjon av amerikanske statsobligasjoner» og «Hvordan nye metoder kan transformere økonomiske analyser».

Resultatene vil kunne gi økt kunnskap om hvilke modeller som best støtter økonomiske beslutninger og bidra til en dypere forståelse av samspillet mellom pengepolitikk og rentemarkeder ved å identifisere hvilke modeller som gir mest mulig nøyaktig resultat. Våre hovedfunn viser at ARIMA presterer dårlig på kort og mellomlang rente. Ridge regresjon tilpasser seg in- og out-of-sample grafene tettest og LSTM presterer godt.

In recent decades, extensive research has been conducted on interest rate prediction and prediction models. US Treasury bonds have also received a lot of attention from researchers. This may be due to the key role of the interest rate as an economic indicator and their impact on both the private and public sectors. In addition, US Treasuries play a key role in global financial markets. This underscores the need for more accurate prediction models.

The main objective of our research is to compare the performance of AutoRegressive Integrated Moving Average (ARIMA), Ridge Regression, Random Forest and Long-Short Term Memory (LSTM). We have examined US Treasury bonds for the period 1986 – 2022. Our research question is:

"A comparative analysis of traditional and modern machine learning models for interest rate prediction"

Using quantitative methodology, we have attempted to answer the research questions "The differences between traditional and modern approaches to applied interest rate prediction of US Treasuries" and "How new methods can transform economic analysis”.

The results will provide greater knowledge about which models best support economic decisions and contribute to a deeper understanding of the interplay between monetary policy and fixed income markets by identifying which models provide the most accurate results. Our main findings show that ARIMA performs poorly on short and medium rates. Ridge regression adapts to the in- and out-of-sample graphs most closely, and LSTM performs well.