Machine Learning and the Yield Curve: Tree-Based Macroeconomic Regime Switching
机器学习与收益率曲线：基于树的宏观状态转换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：摘要以国债收益率曲线为对象，并通过宏观变量识别和解释状态转换。
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…
机器学习与收益率曲线：基于树的宏观状态转换
- 研究问题
- 收益率曲线的状态变化能否由宏观变量划分并解释，宏观信息对曲线的预测能力是否因货币政策环境不同而变化？
- 方法与思路
- 作者在动态 Nelson–Siegel 模型中定制树生长算法，按模型边际似然划分宏观变量，并应用于美国国债收益率。
- 材料陈述的贡献
- 摘要称该方法具有宏观解释性与计算简便性，并发现宏观变量在联邦基金利率较高的状态下具有收益率曲线预测力。
- 阅读关注点
- 应核对树划分与复杂度控制、状态稳定性、预测力的检验方式，以及与马尔可夫转换模型比较时采用的标准。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未说明样本外预测表现和状态划分细节，经验结论的外推范围不明。
原文摘要
We explore tree-based macroeconomic regime-switching in the context of the dynamic Nelson-Siegel (DNS) yield-curve model. In particular, we customize the tree-growing algorithm to partition macroeconomic variables based on the DNS model's marginal likelihood, thereby identifying regime-shifting patterns in the yield curve. Compared to traditional Markov-switching models, our model offers clear economic interpretation via macroeconomic linkages and ensures computational simplicity. In an empirical application to U.S. Treasury yields, we find (1) important yield-curve regime switching, and (2) evidence that macroeconomic variables have predictive power for the yield curve when the federal funds rate is high, but not in other regimes, thereby refining the notion of yield curve ''macro-spanning''.