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