We explore recent advances in Bayesian methods in order to estimate the Vasicek, CIR and dynamic Nelson-Siegel (DNS) models for term structure of interest rates. The models are specified as state space time series. The main goal of this work is assessing and comparing the forecasting abilities of each model with respect to the observed data via mean absolute error. When estimated with synthetic simulated datasets, the models are able to successfully recover the latent vectors. As for the forecasting abilities, the multifactor models generally deliver the best predictions. The relevance of this work lies in integrating novel computational techniques for Bayesian inference with canonical models from the field of financial economics. Several aspects of both fields are discussed throughout the text.

Exploramos avanços recentes em métodos bayesianos para estimar os modelos de Vasicek, CIR e Nelson-Siegel dinâmico para a estrutura a termo da taxa de juros. Os modelos são especificados na forma de séries temporais de espaço de estados. O objetivo principal deste trabalho é analisar e comparar as habilidades de previsão de cada modelo em relação aos dados observados, por meio do desvio médio absoluto. Quando estimados com conjuntos de dados simulados sintéticos, os modelos conseguem recuperar os vetores latentes. Com relação às habilidades preditivas, os modelos multifatores geralmente realizam as melhores previsões. A relevância deste trabalho está em integrar novas técnicas computacionais para inferência bayesiana com modelos canônicos da área de economia financeira. Diversos aspectos de ambos os campos são discutidos ao longo do texto.