Forecasting Term Structure of Government Bonds Using High Frequency Data

Abstract

This thesis investigates the use of realized volatility features from high frequency data in com- bination with neural networks to improve forecasts of the yield curve of government bonds. I use high frequency data on futures of four U.S. Treasury securities to estimate the Nelson-Siegel yield curve and realized variance of its parameters over the period of 25 years. The estimated parameters are used in prediction of the level, slope and curvature of the yield curve using an LSTM neural network and compared to the Dynamic Nelson-Siegel model. Results show that the use of realized variance and neural network outperforms autoregressive methods in prediction of the level and curvature in daily and monthly forecasts. The yield curve of government bonds itself has a predictive power on multiple macroeconomic variables, therefore improvements in its forecastability may have broader implications on forecasting the overall state of the economy.

Tato diplomová práce zkoumá využití kombinace realizované volatility z vysokofrekvenčních dat a neuronových sítí pro vylepšení prognóz výnosové křivky státních dluhopisů. K tomu používá vysokofrekvenční data futures kontraktů čtyř amerických cenných papírů pro odhad výnosové křivky Nelson-Siegelova modelu a denního realizovaného rozptylu jejích parametrů za období 25 let. Odhadované parametry jsou použity při predikci úrovně, sklonu a zakřivení výnosové křivky pomocí neuronové sítě LSTM a jsou porovnány s prognózou Dynamického Nelson-Siegelova mod- elu. Výsledky ukazují, že využití realizovaného rozptylu a neuronové sítě překonává autoregre- sivní metody při predikci úrovně a zakřivení křivky v denních a měsíčních prognózách. Výnosová křivka státních dluhopisů je sama o sobě využívána při prognózách makroekonomických proměn- ných, proto může mít zlepšení její prognózy širší dopad na předpověď celkového stavu ekonomiky.