Acest articol introduce un cadru general de învățare automată pentru modelarea curbei de randament, în care modelele parametrice clasice, cum ar fi Nelson-Siegel și Svensson, servesc ca cazuri speciale într-o clasă mai largă de abordări de regresie funcțională. Linearizând ecuația de evaluare a prețurilor de obligațiuni/swap, reformulez estimarea ratelor la fața locului ca o problemă de regresie supravegheată, unde variabila de răspuns este derivată din prețurile obligațiunilor observate și fluxurile de numerar, iar regresorii sunt construiți ca funcții flexibile ale timpului la scadență. Arăt că această formulare susține o gamă largă de strategii de modelare – inclusiv expansiuni polinomiale, polinoame lagueerre, metode de kernel și liniare regularizate – toate într -un cadru unificat care ar putea păstra interpretabilitatea economică. Aceasta permite nu numai calibrarea curbei, ci și interpolarea și extrapolarea statică. Prin abstractizarea departe de orice structură parametrică fixă, cadrul meu pune la punct decalajul dintre modelarea curbelor de randament tradiționale și învățarea modernă supravegheată, oferind un instrument robust, extensibil și bazat pe date pentru aplicații financiare, de la prețurile activelor până la raportarea reglementărilor (?).
https://www.researchgate.net/publication/392507059_beyond_nelson-siegel_and_splines_a_Model -_agnostic_machine_learning_framework_for_discount_curve_Calibration_InterPolation_and_estRapolat
