Порівняльний аналіз традиційних економетричних моделей та моделей штучного інтелекту для прогнозування кривої дохідності облігацій

Abstract

Стаття присвячена порівняльному аналізу ефективності традиційних економетричних моделей та моделей штучного інтелекту для прогнозування кривої дохідності облігацій шляхом оцінки точності прогнозування та стійкості до змін ринкових умов. У дослідженні використано дані Federal Reserve Economic Database (FRED) з квартальною періодичністю за період 2011–2024 років для 10 термінів погашення державних облігацій США. Дослідження актуальне в контексті зростаючої волатильності на фінансових ринках та необхідності точних прогнозів для прийняття інвестиційних рішень і формування монетарної політики. Проведено порівняння трьох традиційних моделей (DNS, Svensson, VAR) та трьох моделей штучного інтелекту (DNN, CNN-LSTM, XGBoost). Параметризація традиційних моделей здійснювалася методом найменших квадратів, а для моделей штучного інтелекту застосовувався підхід із використанням ковзного вікна та перехресної валідації. Для забезпечення статистичної значущості результатів моделі штучного інтелекту навчалися та тестувалися в рамках 20 незалежних експериментів. Оцінка моделей здійснювалася за критеріями RMSE, MAE та коефіцієнтом детермінації R². Моделі штучного інтелекту продемонстрували значно вищу точність прогнозування: DNN показала найкращі результати з RMSE 0,960 та MAE 0,832, що втричі краще за традиційні моделі. Водночас традиційні моделі виявили більшу стійкість до змін ринкових умов із коефіцієнтами стійкості, близькими до 1, тоді як моделі штучного інтелекту показали вищу чутливість до волатильності. Статистичний аналіз підтвердив значущість відмінностей у точності прогнозування між моделями (p<0,05). Найнижчу точність серед усіх моделей продемонструвала VAR модель, що пояснюється її обмеженими можливостями щодо захоплення нелінійних залежностей. Запропоновані моделі характеризуються різним співвідношенням точності та стабільності, що дозволяє обирати оптимальний підхід залежно від конкретних практичних завдань.The article is devoted to a comparative analysis of the effectiveness of traditional econometric models and artificial intelligence models for forecasting the bond yield curve by assessing the forecasting accuracy and resilience to changes in market conditions. The study uses quarterly data from the Federal Reserve Economic Database (FRED) for the period 2011–2024 for ten maturities of US government bonds. The study is relevant in the context of growing volatility in financial markets and the need for accurate forecasts for investment decisions and monetary policy making. Three traditional models (DNS, Svensson, VAR) and three artificial intelligence models (DNN, CNN-LSTM, XGBoost) were compared. Traditional models were parameterized using the least squares method, and artificial intelligence models were parameterized using a sliding window approach and cross-validation. To ensure the statistical significance of the results, artificial intelligence models were trained and tested in 20 independent experiments. The models were evaluated by RMSE, MAE, and the coefficient of determination R². Artificial intelligence models demonstrated significantly higher forecasting accuracy: DNN showed the best results with RMSE of 0.960 and MAE of 0.832, which is three times better than traditional models. At the same time, traditional models showed greater resilience to changes in market conditions with resilience coefficients close to 1, while AI models showed higher sensitivity to volatility. Statistical analysis confirmed the significance of differences in forecasting accuracy between the models (p<0,05). The lowest accuracy among all the models was demonstrated by the VAR model, which is explained by its limited ability to capture nonlinear dependencies. The proposed models are characterized by a different ratio of accuracy and stability, which allows for choosing the optimal approach depending on specific practical tasks.