| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.03 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This dissertation aims to forecast US 10-year Interest Rate Swap spreads out of sample using the last 20 years of data, which encompass significant events such as the 2008 financial crisis, the puzzle of negative spreads, liquidity shortages, and the COVID-19 pandemic. This dissertation shifts from the traditional theory-driven approach to swap spreads, taking a statistical perspective aligned with investment banking practices that prioritize model performance and forecasting accuracy. Drawing on the work of Kobor et al. (2005) and Cortez (2003), it extends their linear regression Error Correction Model (ECM) to machine learning algorithms (Lasso, XGBoost, and Decision Tree Regressor), covering a wider time frame, and integrating new features to capture variations behind Treasury Supply-related features. Main findings reveal a cointegration between U.S. dollar swap spreads and the supply of U.S. Treasury bonds, supporting prior evidence, while short-term deviations from the trend are associated with factors such as the AA spread, the repo rate, and the TED spread, but also to news data, sentiment, and uncertainty features. Another surprising key factor appears to be cointegrated with U.S. dollar swap spreads: the Google trend search for the term ‘Interest rate swap’. Machine Learning models outperformed the linear regression ECM in predicting swap spreads, underscoring their potential in financial applications.
Esta dissertação tem como objetivo prever US 10-year Interest Rate Swap spreads fora da amostra, utilizando os últimos 20 anos de dados, que englobam eventos relevantes como a crise financeira de 2008, o puzzle dos spreads negativos, a escassez de liquidez e a pandemia COVID-19. Esta dissertação afasta-se da tradicional abordagem teórica dos swap spreads, adoptando uma perspetiva estatística alinhada com as práticas da banca de investimento que dá prioridade ao desempenho dos modelos e à precisão das previsões. Inspirando-se no contributo de Kobor et al. (2005) e Cortez (2003), estende os seus Modelos de Correção do Erro (MCE) com regressão linear a algoritmos de machine learning, abrangendo um período de tempo mais alargado e integrando novas variáveis para captar as variações para além das variáveis relacionadas com a oferta de obrigações do Tesouro. As principais descobertas revelam uma cointegração entre os USD swap spreads dos EUA e a oferta de obrigações do Tesouro dos EUA, corroborando evidências anteriores, enquanto os desvios de curto prazo da tendência estão associados a factores como o AA spread, a repo rate e o TED spread, mas também a dados sobre notícias, sentimento e incerteza relativamente ao mercado. Outro fator-chave surpreendente parece estar cointegrado com os USD swap spreads dos EUA: a tendência de pesquisas no Google do termo "Interest rate swap". Os modelos de machine learning superaram o MCE de regressão linear na previsão dos swap spreads, sublinhando o seu potencial em aplicações financeiras.
Esta dissertação tem como objetivo prever US 10-year Interest Rate Swap spreads fora da amostra, utilizando os últimos 20 anos de dados, que englobam eventos relevantes como a crise financeira de 2008, o puzzle dos spreads negativos, a escassez de liquidez e a pandemia COVID-19. Esta dissertação afasta-se da tradicional abordagem teórica dos swap spreads, adoptando uma perspetiva estatística alinhada com as práticas da banca de investimento que dá prioridade ao desempenho dos modelos e à precisão das previsões. Inspirando-se no contributo de Kobor et al. (2005) e Cortez (2003), estende os seus Modelos de Correção do Erro (MCE) com regressão linear a algoritmos de machine learning, abrangendo um período de tempo mais alargado e integrando novas variáveis para captar as variações para além das variáveis relacionadas com a oferta de obrigações do Tesouro. As principais descobertas revelam uma cointegração entre os USD swap spreads dos EUA e a oferta de obrigações do Tesouro dos EUA, corroborando evidências anteriores, enquanto os desvios de curto prazo da tendência estão associados a factores como o AA spread, a repo rate e o TED spread, mas também a dados sobre notícias, sentimento e incerteza relativamente ao mercado. Outro fator-chave surpreendente parece estar cointegrado com os USD swap spreads dos EUA: a tendência de pesquisas no Google do termo "Interest rate swap". Os modelos de machine learning superaram o MCE de regressão linear na previsão dos swap spreads, sublinhando o seu potencial em aplicações financeiras.
Description
Keywords
Swap spreads Lasso Decision tree regressor XGBoost Machine learning