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

Анотація

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.