A carregar...
Publicação
EU-bonds yield curve forecast: comparing Arima and XGboost models
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.92 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The goal of this dissertation is to model and forecast the yield curve of the bonds
issued by the European Union, the EU-Bonds, using 2024 daily yield data for this product.
Two models are used and compared for modelling the yield curve: the Nelson-Siegel
model and the Svensson model. These models are calibrated daily during the year of
2024.
A classic time series econometric model, the ARIMA, and a Machine-Learning model,
the XGBoost, are used to forecast the yield curve. The forecast is performed daily for January 2025. The results presented focus on the forecasted yield curves for 1 day, 1 week
(7th of January) and 1 month (31st of January) forecast horizons.
The MSE, RMSE, MAE, and MAPE are the error metrics used to evaluate the forecasting performance of these models.
For the 1 day forecast horizon, the models that present the best results are the Svensson model with the XGBoost forecasted parameters, according to the MSE and RMSE
metrics, and the Svensson model with the ARIMA predicted parameters, according to the
MAE and MAPE metrics.
For the 1 week and 1 month forecast horizons, the models that produce the best results
are the Svensson model with the forecasted parameters obtained with ARIMA, according
to all error metrics used.
It is concluded that the XGBoost performs better in smaller windows of time and
ARIMA has a better forecast accuracy for larger forecast horizons.
O objetivo desta dissertação consiste em modelar e prever a curva de rendimento das obrigações emitidas pela União Europeia, as "EU-Bonds", usando as taxas de juro diárias de 2024 deste produto. Dois modelos são usados e comparados para modelar a curva de rendimento: o modelo de Nelson-Siegel e o modelo de Svensson. Estes modelos são calibrados diariamente durante o ano de 2024. Um modelo econométrico clássico de séries temporais, o ARIMA, e um modelo de "Machine-Learning", o XGBoost, são utilizados para prever a curva de rendimento. A previsão é realizada diariamente para janeiro de 2025. Os resultados apresentados focamse nas curvas de rendimento previstas para os horizontes temporais de 1 dia, 1 semana (7 de janeiro) e 1 mês (31 de janeiro). O erro ao quadrado médio, a raíz quadrada do erro ao quadrado médio, o erro absoluto médio e o erro percentual absoluto médio são as métricas de erro usadas para avaliar a performance preditiva destes modelos. Para a previsão com um horizonte temporal de 1 dia, os modelos que apresentam os melhores resultados são o modelo de Svensson com os parâmetros previstos com o XGBoost, de acordo com as métricas do erro ao quadrado médio e da raíz quadrada do erro ao quadrado médio, e o modelo de Svensson com os parâmetros previstos com o ARIMA, de acordo com o erro absoluto médio e o erro absoluto médio percentual. Para as previsões com horizontes temporais de 1 semana e 1 mês, os modelos que produzem os melhores resultados são o modelo de Svensson com os parâmetros previstos obtidos com o ARIMA, de acordo com todas as métricas de erro usadas. É concluído que o XGBoost tem uma melhor performance em janelas de tempo mais reduzidas e o ARIMA tem uma melhor precisão de previsão em horizontes temporais maiores.
O objetivo desta dissertação consiste em modelar e prever a curva de rendimento das obrigações emitidas pela União Europeia, as "EU-Bonds", usando as taxas de juro diárias de 2024 deste produto. Dois modelos são usados e comparados para modelar a curva de rendimento: o modelo de Nelson-Siegel e o modelo de Svensson. Estes modelos são calibrados diariamente durante o ano de 2024. Um modelo econométrico clássico de séries temporais, o ARIMA, e um modelo de "Machine-Learning", o XGBoost, são utilizados para prever a curva de rendimento. A previsão é realizada diariamente para janeiro de 2025. Os resultados apresentados focamse nas curvas de rendimento previstas para os horizontes temporais de 1 dia, 1 semana (7 de janeiro) e 1 mês (31 de janeiro). O erro ao quadrado médio, a raíz quadrada do erro ao quadrado médio, o erro absoluto médio e o erro percentual absoluto médio são as métricas de erro usadas para avaliar a performance preditiva destes modelos. Para a previsão com um horizonte temporal de 1 dia, os modelos que apresentam os melhores resultados são o modelo de Svensson com os parâmetros previstos com o XGBoost, de acordo com as métricas do erro ao quadrado médio e da raíz quadrada do erro ao quadrado médio, e o modelo de Svensson com os parâmetros previstos com o ARIMA, de acordo com o erro absoluto médio e o erro absoluto médio percentual. Para as previsões com horizontes temporais de 1 semana e 1 mês, os modelos que produzem os melhores resultados são o modelo de Svensson com os parâmetros previstos obtidos com o ARIMA, de acordo com todas as métricas de erro usadas. É concluído que o XGBoost tem uma melhor performance em janelas de tempo mais reduzidas e o ARIMA tem uma melhor precisão de previsão em horizontes temporais maiores.
Descrição
Palavras-chave
Bonds Forecasting Nelson-Siegel Svensson ARIMA XGBoost Obrigações Previsão
Contexto Educativo
Citação
Soares, Sofia Alexandra Santos (2025). “EU-bonds yield curve forecast: comparing Arima and XGboost models”. Dissertação de Mestrado. Universidade de Lisboa. Instituto Superior de Economia e Gestão
Editora
Instituto Superior de Economia e Gestão