A carregar...
Publicação
Bond return predictability in the frequency domain
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 795.59 KB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
In this dissertation we analyse the out-of-sample forecast of the long-term government bond yield using frequency domain techniques. We follow Faria and Verona (2018, 2019, 2020a, b, 2021) and use a wavelet-based approach to break down a time series into different component frequencies: high-frequency, business-cycle frequency and low-frequency. In this way it is possible to reveal hidden information that time domain techniques cover in their prediction. Almadi et al. (2014) predictors were used to predict out-of-sample bond returns with frequency domain techniques in two different sample periods. The results show that the model has a significant shortcoming in terms of bond return forecasting accuracy, especially when compared to other successful models. The efficacy of the predictors decreases when applying frequency domain approaches like wavelets. Our research highlights the model's limitations to unfavourable market situations and provides insight into how the model performs during times of financial and macroeconomic instability.
Nesta dissertação, propomos analisar o poder de previsão out-of-sample dos retornos das obrigações do tesouro dos USA utilizando técnicas de domínio de frequência. Seguimos a investigação de Faria e Verona (2018, 2019, 2020a, b, 2021) e utilizamos uma abordagem baseada em wavelets para decompor uma série temporal em diferentes componentes de frequência: alta frequência, frequência do ciclo económico e baixa frequência. Desta forma, será possível revelar informações que as técnicas de domínio de tempo ocultam nas previsões. As variáveis de previsão de Almadi et al. (2014) foram utilizadas para prever os retornos out-of-sample das obrigações do tesouro dos USA em dois períodos de amostra diferentes. Os resultados mostram que o modelo tem uma limitação significativa em termos de previsão, especialmente quando comparando variáveis de previsão bem-sucedidas noutros métodos. Quando aplicadas abordagens de domínio de frequência como wavelets, a eficácia reduz significativamente. A investigação destaca a vulnerabilidade do modelo a situações de mercado desfavoráveis e fornece informações sobre a eficácia do modelo em períodos de instabilidade financeira e macroeconómica.
Nesta dissertação, propomos analisar o poder de previsão out-of-sample dos retornos das obrigações do tesouro dos USA utilizando técnicas de domínio de frequência. Seguimos a investigação de Faria e Verona (2018, 2019, 2020a, b, 2021) e utilizamos uma abordagem baseada em wavelets para decompor uma série temporal em diferentes componentes de frequência: alta frequência, frequência do ciclo económico e baixa frequência. Desta forma, será possível revelar informações que as técnicas de domínio de tempo ocultam nas previsões. As variáveis de previsão de Almadi et al. (2014) foram utilizadas para prever os retornos out-of-sample das obrigações do tesouro dos USA em dois períodos de amostra diferentes. Os resultados mostram que o modelo tem uma limitação significativa em termos de previsão, especialmente quando comparando variáveis de previsão bem-sucedidas noutros métodos. Quando aplicadas abordagens de domínio de frequência como wavelets, a eficácia reduz significativamente. A investigação destaca a vulnerabilidade do modelo a situações de mercado desfavoráveis e fornece informações sobre a eficácia do modelo em períodos de instabilidade financeira e macroeconómica.
Descrição
Palavras-chave
Predictability Bond returns Out-of-sample forecasts Return forecasting Frequency domain Multiresolution analysis Previsibilidade Retornos de obrigações Previsões out-of-sample Previsão de retornos Domínio da frequência Análise multiresolução