Este trabalho propõe um modelo para a previsão da estrutura a termo das taxas de juros que faz aprendizado automático de novas decomposições de curvas de taxas de juros a partir de um modelo linear Gaussiano de espaço de estados acoplado a uma rede neural geradora de decomposições. Para controlar a complexidade do modelo e garantir que as decomposições estimadas preservem propriedades desejáveis, como suavidade e ortogonalidade dos fatores latentes, uma distribuição Priori com efeito de regularização destas propriedades é definida para os parâmetros do modelo, e em seguida, é descrito um procedimento computacionalmente eficiente de estimação para todos os parâmetros do modelo em uma etapa. Uma avaliação empírica com 14 anos de dados históricos da curva de taxa de juros brasileira mostrou que a técnica proposta é capaz de obter melhores previsões fora-de-amostra que modelos tradicionais da literatura, como o modelo Nelson e Siegel dinâmico e variações.

This study proposes a term structure forecasting model that learns new yield curve decompositions directly from data, by combining a Gaussian linear state-space model with a neural network that generates smooth yield curve factor loadings. To reduce the complexity of the model and ensure that the estimated decompositions preserve desirable properties such as smoothness and orthogonality of the factors, Prior distributions with the regularization effect of these properties are defined for the model parameters. A computationally efficient estimation procedure based on the Kalman Filter and automatic differentiation algorithms for the state and space parameters is described. An evaluation of the model's performance on 14 years of historical data of the Brazilian yield curve shows that the proposed technique was able to obtain better overall out-of-sample forecasts than traditional approaches, such as the Dynamic Nelson and Siegel model and its extensions.