Loading...
Publication
Time-frequency decomposition and wavelet-based forecasting (bond-retun predictability)
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 1.85 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This thesis investigates whether wavelet-based frequency decomposition can enhance out-of-sample predictability and economic value in forecasting long-term government bond returns. Traditional time-domain models have often struggled to maintain forecasting accuracy when market regimes shift, motivating an exploration of multi-scale methods. Building on studies such as Faria & Verona, 2020, we apply the maximal overlap discrete wavelet transform (MODWT) to decompose various macroeconomic predictors into high-frequency, business-cycle-frequency, and low-frequency components. Out-of-sample forecasts are then generated via an expanding window approach and evaluated against a simple historical-mean benchmark. Our empirical findings reveal that certain predictors, particularly the term spread and book-to-market, exhibit substantially higher out-of-sample 𝑅2 and Certainty Equivalent Return (CER) gains once the most relevant frequency frequencies are isolated. The mean–variance allocation framework demonstrates that wavelet-based forecasts offer notable utility improvements for moderate risk-aversion investors. However, the benefits depend strongly on portfolio weight constraints. Relaxed bounds amplify potential returns (and losses), a purely long-only setting yields modest but stable gains. Overall, these results echo the broader frequency-domain literature (Kim & In, 2005) by underscoring how wavelet-based methods can reveal valuable time-horizon-specific signals for bond-return forecasting, provided that each investor’s risk profile and trading constraints are carefully considered.
Esta tese investiga se a decomposição de frequência baseada em wavelets pode melhorar a capacidade de previsão fora da amostra e o valor económico na previsão de retornos de obrigações governamentais de longo prazo. Os modelos tradicionais no domínio do tempo têm frequentemente tido dificuldade em manter a precisão da previsão quando os regimes de mercado mudam, motivando uma exploração de métodos multi-escala. Com base em estudos como Faria & Verona, 2020, aplicamos a maximal overlap discrete wavelet transform (MODWT) para decompor vários preditores macroeconómicos e técnicos em componentes de alta frequência, frequência de ciclo de negócios e baixa frequência. As previsões fora da amostra são então geradas através de uma abordagem de janela deslizante expansível e avaliadas em relação a um benchmark simples de média histórica. Os nossos resultados empíricos revelam que certos preditores, particularmente o term spread e o book-to-market, exibem 𝑅2 fora da amostra e ganhos de Retorno Equivalente de Certeza (CER) substancialmente mais altos uma vez que as frequências mais relevantes são isoladas. O framework de alocação média-variância demonstra que as previsões baseadas em wavelets oferecem melhorias notáveis de utilidade para investidores com aversão moderada ao risco. No entanto, os benefícios dependem fortemente das restrições de peso da carteira. Limites mais relaxados amplificam os retornos (e perdas) potenciais, enquanto uma configuração puramente long-only produz ganhos modestos mas estáveis. No geral, estes resultados ecoam a literatura mais ampla do domínio da frequência (Kim & In, 2005), sublinhando como os métodos baseados em wavelets podem revelar sinais valiosos específicos do horizonte de tempo para a previsão de retornos de obrigações, desde que o perfil de risco e as restrições de negociação de cada investidor sejam cuidadosamente considerados.
Esta tese investiga se a decomposição de frequência baseada em wavelets pode melhorar a capacidade de previsão fora da amostra e o valor económico na previsão de retornos de obrigações governamentais de longo prazo. Os modelos tradicionais no domínio do tempo têm frequentemente tido dificuldade em manter a precisão da previsão quando os regimes de mercado mudam, motivando uma exploração de métodos multi-escala. Com base em estudos como Faria & Verona, 2020, aplicamos a maximal overlap discrete wavelet transform (MODWT) para decompor vários preditores macroeconómicos e técnicos em componentes de alta frequência, frequência de ciclo de negócios e baixa frequência. As previsões fora da amostra são então geradas através de uma abordagem de janela deslizante expansível e avaliadas em relação a um benchmark simples de média histórica. Os nossos resultados empíricos revelam que certos preditores, particularmente o term spread e o book-to-market, exibem 𝑅2 fora da amostra e ganhos de Retorno Equivalente de Certeza (CER) substancialmente mais altos uma vez que as frequências mais relevantes são isoladas. O framework de alocação média-variância demonstra que as previsões baseadas em wavelets oferecem melhorias notáveis de utilidade para investidores com aversão moderada ao risco. No entanto, os benefícios dependem fortemente das restrições de peso da carteira. Limites mais relaxados amplificam os retornos (e perdas) potenciais, enquanto uma configuração puramente long-only produz ganhos modestos mas estáveis. No geral, estes resultados ecoam a literatura mais ampla do domínio da frequência (Kim & In, 2005), sublinhando como os métodos baseados em wavelets podem revelar sinais valiosos específicos do horizonte de tempo para a previsão de retornos de obrigações, desde que o perfil de risco e as restrições de negociação de cada investidor sejam cuidadosamente considerados.
Description
Keywords
Bond returns Wavelet decomposition Frequency-domain forecasting Out-of-sample prediction Certainty equivalent return Retornos de obrigações Decomposição de wavelet Previsão no domínio da frequência Previsão fora da amostra Retorno equivalente de certeza
Pedagogical Context
Citation
Publisher
CC License
Without CC licence