Dimensionality Reduction and State Space Systems: Forecasting the US Treasury Yields Using Frequentist and Bayesian VARs
降维与状态空间系统：用频率学派及贝叶斯 VAR 预测美国国债收益率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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确涉及国债期限结构潜在因子、预测误差比较，以及加入宏观变量后的 VAR 冲击响应，直接支持这三个方向。
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
降维与状态空间系统：用频率学派及贝叶斯 VAR 预测美国国债收益率
- 研究问题
- 如何通过潜在期限结构因子与状态空间系统预测不同期限的美国国债收益率，并比较不同估计方法和贝叶斯先验的预测表现？
- 方法与思路
- 作者比较两步因子提取与一步卡尔曼滤波、五类 BVAR 先验，并加入宏观变量，分析递归识别和符号限制下的模型。
- 材料陈述的贡献
- 摘要称在九个预测期限的比较中，Minnesota 先验 BVAR 通常具有较低均方预测误差，并扩展至宏观变量和冲击响应分析。
- 阅读关注点
- 应核对数据区间、预测评估方式、因子提取与先验调参，以及递归排序和符号限制对冲击响应解释施加的约束。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供预测误差数值、显著性或稳健性，无法判断普遍优势。
原文摘要
Using a state-space system, I forecasted the US Treasury yields by employing frequentist and Bayesian methods after first decomposing the yields of varying maturities into its unobserved term structure factors. Then, I exploited the structure of the state-space model to forecast the Treasury yields and compared the forecast performance of each model using mean squared forecast error. Among the frequentist methods, I applied the two-step Diebold-Li, two-step principal components, and one-step Kalman filter approaches. Likewise, I imposed the five different priors in Bayesian VARs: Diffuse, Minnesota, natural conjugate, the independent normal inverse: Wishart, and the stochastic search variable selection priors. After forecasting the Treasury yields for 9 different forecast horizons, I found that the BVAR with Minnesota prior generally minimizes the loss function. I augmented the above BVARs by including macroeconomic variables and constructed impulse response functions with a recursive ordering identification scheme. Finally, I fitted a sign-restricted BVAR with dummy observations.