Resumen

En este estudio, analizamos la estructura temporal de los swaps de incumplimiento crediticio (CDS) y predecimos las futuras estructuras temporales utilizando el modelo Nelson-Siegel, redes neuronales recurrentes (RNN), regresión por vectores de soporte (SVR), memoria a largo plazo y corto plazo (LSTM) y método de manejo de datos en grupo (GMDH) utilizando datos de estructuras temporales de CDS desde 2008 hasta 2019. Además, evaluamos el cambio en el rendimiento de pronóstico de los modelos a través de un análisis de subperiodos. Según los resultados empíricos, confirmamos que el modelo Nelson-Siegel puede utilizarse para predecir no solo la estructura temporal de tasas de interés, sino también la estructura temporal de CDS. Además, demostramos que los modelos de aprendizaje automático, a saber, SVR, RNN, LSTM y GMDH, superan a los métodos impulsados por modelos (en este caso, el modelo Nelson-Siegel). Entre los enfoques de aprendizaje automático, GMDH demuestra el

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Estudio; Estructura temporal; Swaps de incumplimiento crediticio; CDS; Modelos de aprendizaje automático; Rendimiento de pronóstico
• Keywords:Study; Term structure; Credit default swaps; CDS; Machine-learning models; Forecasting performance