A Model-Selection Approach to Assessing the Information in the Term Structure Using Linear Models and Artificial Neural Networks
利用线性模型与人工神经网络评估期限结构信息的模型选择方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确比较利率序列的样本外预测、滚动窗口和模型选择，直接对应预测与时间序列方向，未明确以资产收益为预测目标。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用线性模型与人工神经网络评估期限结构信息的模型选择方法
- 研究问题
- 远期利率能否帮助预测未来即期利率，尤其是利率变动的方向？样本内模型选择指标能否可靠指引样本外预测表现？
- 方法与思路
- 作者比较线性模型与人工神经网络，采用样本外均方误差、方向准确率和预测交易盈利指标选择模型，并考察滚动窗口长度。
- 材料陈述的贡献
- 摘要称远期利率相对即期利率的溢价有助于预测利率变动方向；短期利率模型的样本内 SIC 未能可靠指引样本外表现。
- 阅读关注点
- 阅读全文时核对预测期限、训练与评价样本的划分、滚动窗口选择及交易成本处理，尤其关注各类选择指标是否给出一致结论。
- 阅读边界
- 摘要未说明数据范围、预测提升幅度或交易成本，也未报告神经网络的明确优势；短期利率的结果能否推广尚需核对。
原文摘要
We take a model selection approach to the question of whether forward interest rates are useful in predicting future spot rates, using a variety of out-of-sample forecast-based model selection criteria: forecast mean squared error, forecast direction accuracy, and forecast-based trading system profitability. We also examine the usefulness of a class of novel prediction models called 'artificial neural networks,' and investigate the issue of appropriate window sizes for rolling-window-based prediction methods. Results indicate that the premium of the forward rate over the spot rate helps to predict the sign of future changes in the interest rate. Further, model selection based on an in-sample Schwarz Information Criterion (SIC) does not appear to be a reliable guide to out-of-sample performance, in the case of short-term interest rates. Thus, the in-sample SIC apparently fails to offer a convenient shortcut to true out-of-sample performance measures.