Forecasting sovereign CDS returns via deep learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/96/96131/tde-24092021-154707/ |
Resumo: | This paper is an empirical exercise of forecasting for a class of credit derivatives known as sovereign credit default swaps. Utilizing non-linear and non-parametric machine learning techniques termed Deep Learning, this study was made utilizing daily emerging country data and a set of financial and macroeconomic indicators as features. The non-linear nature of the financial derivative studied here suggests that this novel technique can better capture data behavior compared to a baseline random walk model. A Grid Search Cross-validation is conducted to estimate the hyperparameters of the model. To evaluate the predictive out of sample forecasting is utilized deterministic and statistical metrics concluding that there is a predictive gain utilizing this technique. |
id |
USP_9b4f0cde1ec23d11c02164202ecd5564 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-24092021-154707 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Forecasting sovereign CDS returns via deep learningPrevisão de retornos de CDS soberanos por meio de aprendizagem profundaCredit default swap soberanoDeep learningPrevisão para série de tempoRecurrent neural networksRedes neurais profundasRedes neurais recorrentesSovereign credit default swapTime series forecastingThis paper is an empirical exercise of forecasting for a class of credit derivatives known as sovereign credit default swaps. Utilizing non-linear and non-parametric machine learning techniques termed Deep Learning, this study was made utilizing daily emerging country data and a set of financial and macroeconomic indicators as features. The non-linear nature of the financial derivative studied here suggests that this novel technique can better capture data behavior compared to a baseline random walk model. A Grid Search Cross-validation is conducted to estimate the hyperparameters of the model. To evaluate the predictive out of sample forecasting is utilized deterministic and statistical metrics concluding that there is a predictive gain utilizing this technique.Este artigo é um exercício empírico de previsão para uma classe de derivativos de crédito conhecida como credit default swap soberano. Utilizando técnicas de aprendizado de máquina não lineares e não paramétricas denominadas Redes Neurais Profundas, este estudo foi feito usando dados diários de países emergentes e um conjunto de indicadores financeiros e macroeconômicos como variáveis preditivas. A natureza não linear do derivado financeiro estudado aqui sugere que esta técnica pode capturar melhor o comportamento dos dados em comparação com um modelo de passeio aleatório, que foi utilizado para ser base comparativa. Uma validação cruzada utilizando grid search é conduzida para estimar os hiperparâmetros do modelo. Para avaliar a previsão fora da amostra, são utilizadas métricas determinísticas e estatísticas, concluindo que há um ganho preditivo usando esta técnica.Biblioteca Digitais de Teses e Dissertações da USPLaurini, Marcio PolettiLima, Pedro Antonio Sá Barreto de2021-07-05info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/96/96131/tde-24092021-154707/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesseng2021-10-06T18:01:02Zoai:teses.usp.br:tde-24092021-154707Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212021-10-06T18:01:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Forecasting sovereign CDS returns via deep learning Previsão de retornos de CDS soberanos por meio de aprendizagem profunda |
title |
Forecasting sovereign CDS returns via deep learning |
spellingShingle |
Forecasting sovereign CDS returns via deep learning Lima, Pedro Antonio Sá Barreto de Credit default swap soberano Deep learning Previsão para série de tempo Recurrent neural networks Redes neurais profundas Redes neurais recorrentes Sovereign credit default swap Time series forecasting |
title_short |
Forecasting sovereign CDS returns via deep learning |
title_full |
Forecasting sovereign CDS returns via deep learning |
title_fullStr |
Forecasting sovereign CDS returns via deep learning |
title_full_unstemmed |
Forecasting sovereign CDS returns via deep learning |
title_sort |
Forecasting sovereign CDS returns via deep learning |
author |
Lima, Pedro Antonio Sá Barreto de |
author_facet |
Lima, Pedro Antonio Sá Barreto de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Laurini, Marcio Poletti |
dc.contributor.author.fl_str_mv |
Lima, Pedro Antonio Sá Barreto de |
dc.subject.por.fl_str_mv |
Credit default swap soberano Deep learning Previsão para série de tempo Recurrent neural networks Redes neurais profundas Redes neurais recorrentes Sovereign credit default swap Time series forecasting |
topic |
Credit default swap soberano Deep learning Previsão para série de tempo Recurrent neural networks Redes neurais profundas Redes neurais recorrentes Sovereign credit default swap Time series forecasting |
description |
This paper is an empirical exercise of forecasting for a class of credit derivatives known as sovereign credit default swaps. Utilizing non-linear and non-parametric machine learning techniques termed Deep Learning, this study was made utilizing daily emerging country data and a set of financial and macroeconomic indicators as features. The non-linear nature of the financial derivative studied here suggests that this novel technique can better capture data behavior compared to a baseline random walk model. A Grid Search Cross-validation is conducted to estimate the hyperparameters of the model. To evaluate the predictive out of sample forecasting is utilized deterministic and statistical metrics concluding that there is a predictive gain utilizing this technique. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-07-05 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/96/96131/tde-24092021-154707/ |
url |
https://www.teses.usp.br/teses/disponiveis/96/96131/tde-24092021-154707/ |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809091050508124160 |