原文链接：http://tecdat.cn/?p=11878

Nelson-Siegel- [Svensson]模型是拟合收益曲线的罕用办法。它的长处是其参数的经济可解释性，被银行宽泛应用。但它不肯定在所有状况下都无效：模型参数有时十分不稳固，无奈收敛。

在之前的文章中，咱们提供了 Nelson-Siegel 模型 收敛失败的示例，咱们曾经展现了它的一些缺点。

蒙特卡洛模仿帮忙咱们了解：

 3.  for(j in 1:N_SIMULATIONS)
    

5.  {10.      npo = c(newYields, oldYields)
    

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

14.      lines(MATURITY_BASES, oldYields)
    

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

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

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

咱们要做的是：从一些收益率曲线开始，而后逐渐地随机批改收益率，最初尝试 NS 模型拟合新的收益。因而咱们对此进行了模仿。

对于 Nelson-Siegel 模型，此 Monte-Carlo 模仿只管假设前一步的收益（旧收益率）与 NS 曲线_齐全_匹配。然而，即使如此也无奈完全避免麻烦。咱们如何发现这些麻烦？在每一步中，咱们计算两条相邻曲线之间的最大间隔（supremum-norm）：

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

最初，咱们找到到上一条曲线的最大间隔的步骤，这就是收敛失败的示例。

_maxDistanceArray_的概率密度   如下所示：

散布尾部在 0.08 处减小，但对于收益率曲线而言，每天偏移 8 个点并不常见。因而，只管咱们进行了 1e5 = 10000 蒙特卡洛模仿，但只有极少数状况，咱们能够将其标记为不良。训练神经网络相对是不够的。而且，两条 Nelson-Siegel 曲线可能彼此十分靠近，但其参数却彼此远离。因为模型是线性的，因而能够假如 beta 的极大变动（例如，超过 95 分位数）是异样值，并将其标记为不良。

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

5.  par(mfrow=c(3,3))
    

7.  plot(density(log(b0)))
    

9.  plot(density(log(b1)))
    

11.  plot(density(log(b2)))
    

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

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

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

19.  plot(density(b0[idx]))
    

21.  plot(density(b1[idx]))
    

23.  plot(density(b2[idx]))
    

29.  b0 = b0-mean(b0)
    

31.  b1 = b1-mean(b1)
    

33.  b2 = b2-mean(b2)
    

37.  #训练神经网络
    

39.  X = cbind(b0, b1, b2)
    

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

43.  Y[idx] = 1

而后咱们能够训练神经网络

1.  SPLT = 0.8
    

3.  library(keras)
    

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

14.  plot(history)
    

16.  model %>% evaluate(x_test, y_test)
    

神经网络不仅在样本而且在验证集上都提供了高精度。
如果模仿新数据集，对模型进行批改：例如批改VOLAs = 0.005*sqrt(MATURITY_BASES) 到  VOLAs = 0.05*sqrt(MATURITY_BASES) 将无奈辨认新数据集上的不良状况。

有余与瞻望：只管咱们在两种状况下均对数据进行了归一化和平均化，然而模型波动性的线性变动对尾局部位数具备很高的非线性影响。

那么，咱们是否须要一个更简单的 AI 模型？

最受欢迎的见解

1. 用于 NLP 的 Python：应用 Keras 的多标签文本 LSTM 神经网络分类

2.Python 中利用长短期记忆模型 LSTM 进行工夫序列预测剖析 – 预测电力耗费数据

3.python 在 Keras 中应用 LSTM 解决序列问题

4.Python 中用 PyTorch 机器学习分类预测银行客户散失模型

5.R 语言多元 Copula GARCH 模型工夫序列预测

6. 在 r 语言中应用 GAM（狭义相加模型）进行电力负荷工夫序列剖析

7.R 语言中 ARMA，ARIMA（Box-Jenkins），SARIMA 和 ARIMAX 模型用于预测工夫序列数

8.R 语言预计时变 VAR 模型工夫序列的实证钻研剖析案例

9. 用狭义加性模型 GAM 进行工夫序列剖析