拓端tecdat|R语言编程指导用神经网络改进Nelson-Siegel模型拟合收益率曲线分析

R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析

​

 

---

 

在先前我们提供了Nelson-Siegel模型收敛失败的示例，我们已经展示了它的一些缺陷。

蒙特卡洛模拟帮助我们理解：

for(j in 1:N_SIMULATIONS)

{

    oldYields = NSrates(pp, MATURITY_BASES)

    newYields = oldYields + rnorm(N_MAT, rep(0.0, N_MAT), VOLAs)

    newMATs = MATURITY_BASES - 1.0/365 #next day all mats become 1 day shorter

    pp = Nelson.Siegel(newYields, newMATs)

    newNsYields = NSrates(pp, newMATs)



    npo = c(newYields, oldYields)

    plot(MATURITY_BASES, oldYields, ylim=c(min(npo), max(npo)))

    lines(MATURITY_BASES, oldYields)

    points(MATURITY_BASES, newYields, col="red", pch=4)

    points(newMATs, newNsYields, col="blue")

    lines(newMATs, newNsYields, col="blue")



    oldYieldsArray[j,] = as.numeric(oldYields)

    newYieldsArray[j,] = as.numeric(newYields)

    newNsYieldsArray[j,] = as.numeric(newNsYields)

    maxDistanceArray[j] = max( abs(oldYieldsArray[j,] - newNsYieldsArray[j,]) )

    relativeMaxDistanceArray[j] =  maxDistanceArray[j] / max(abs(oldYieldsArray[j,]))

    paramArray[j,] = as.numeric(pp)

}



plot(density(maxDistanceArray))

plot(density(log(maxDistanceArray)))

idx=which.max(maxDistanceArray)

maxDistanceArray[which.max(maxDistanceArray)]

relativeMaxDistanceArray[which.max(relativeMaxDistanceArray)]

 

我们要做的是：我们从一些收益率曲线开始，然后逐步地随机修改收益率，最后尝试拟合NS模型以新的收益。因此我们对此进行了模拟。

请注意，对于Nelson-Siegel模型，此Monte-Carlo模拟在某种意义上是“仁慈的”，因为我们始终假定前一步的收益（旧收益率）   与NS曲线完全匹配。但是，即使如此仁慈也无法完全避免麻烦。我们如何发现这些麻烦？在每一步中，我们计算两条相邻曲线之间的最大距离（supremum-norm）：

maxDistanceArray[j] = max( abs(oldYieldsArray[j,] - newNsYieldsArray[j,]) )

最后，我们仅找到到上一条曲线的最大距离的步骤，这就是收敛失败的示例。

好的，发现问题了，但是该怎么办呢？maxDistanceArray的概率密度   如下所示：
​​​

​​​​
分布尾部在视觉上在0.08处减小，但对于收益率曲线而言，每天偏移8个基点并不罕见。因此，尽管我们进行了1e5 = 10000蒙特卡洛模拟，但只有极少数情况，我们可以将其标记为不良。训练神经网络绝对是不够的。而且，正如我们之前指出的那样，两条Nelson-Siegel曲线可能彼此非常接近，但其参数却彼此远离。由于模型是线性的， 因此有可能假设beta的极大变化（例如，超过95个位数）是异常值，并将其标记为不良。
​​​

​​​

idx = intersect(intersect(which(b0 < q_b0), which(b1 < q_b1)), which(b2 < q_b2))

par(mfrow=c(3,3))

plot(density(log(b0)))

plot(density(log(b1)))

plot(density(log(b2)))

plot(density(log(b0[idx])))

plot(density(log(b1[idx])))

plot(density(log(b2[idx])))

plot(density(b0[idx]))

plot(density(b1[idx]))

plot(density(b2[idx]))



#de-mean

b0 = b0-mean(b0)

b1 = b1-mean(b1)

b2 = b2-mean(b2)



#train neural network

X = cbind(b0, b1, b2)

Y = array(0, dim=(N_SIMULATIONS-1))

Y[idx] = 1

 

​​

​​​​
然后我们可以训练神经网络

SPLT = 0.8

library(keras)

b = floor(SPLT*(N_SIMULATIONS-1))








plot(history)

model %>% evaluate(x_test, y_test)

 

​​

​​​​
神经网络不仅在样本中而且在验证集上都提供了高精度。
如果模拟新数据集，例如​​​VOLAs = 0.005*sqrt(MATURITY_BASES)​​​ ，  ​​VOLAs = 0.05*sqrt(MATURITY_BASES)​​ 对模型进行修改  将无法识别新数据集上的不良情况。

不足与展望：尽管我们在两种情况下均对数据进行了归一化和平均化，但是模型波动性的线性变化对尾部分位数具有很高的非线性影响。

那么，我们是否需要一个更复杂的AI模型？

▍关注我们 【大数据部落】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。