Master's Dissertation
DOI
https://doi.org/10.11606/D.96.2021.tde-24092021-154707
Document
Author
Full name
Pedro Antonio Sá Barreto de Lima
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
Ribeirão Preto, 2021
Supervisor
Committee
Laurini, Marcio Poletti (President)
Dario, Alan de Genaro
Gomes, Fabio Augusto Reis
Saporito, Yuri Fahham
Title in English
Forecasting sovereign CDS returns via deep learning
Keywords in English
Deep learning
Recurrent neural networks
Sovereign credit default swap
Time series forecasting
Abstract in English
This paper is an empirical exercise of forecasting for a class of credit derivatives known as sovereign credit default swaps. Utilizing non-linear and non-parametric machine learning techniques termed Deep Learning, this study was made utilizing daily emerging country data and a set of financial and macroeconomic indicators as features. The non-linear nature of the financial derivative studied here suggests that this novel technique can better capture data behavior compared to a baseline random walk model. A Grid Search Cross-validation is conducted to estimate the hyperparameters of the model. To evaluate the predictive out of sample forecasting is utilized deterministic and statistical metrics concluding that there is a predictive gain utilizing this technique.
Title in Portuguese
Previsão de retornos de CDS soberanos por meio de aprendizagem profunda
Keywords in Portuguese
Credit default swap soberano
Previsão para série de tempo
Redes neurais profundas
Redes neurais recorrentes
Abstract in Portuguese
Este artigo é um exercício empírico de previsão para uma classe de derivativos de crédito conhecida como credit default swap soberano. Utilizando técnicas de aprendizado de máquina não lineares e não paramétricas denominadas Redes Neurais Profundas, este estudo foi feito usando dados diários de países emergentes e um conjunto de indicadores financeiros e macroeconômicos como variáveis preditivas. A natureza não linear do derivado financeiro estudado aqui sugere que esta técnica pode capturar melhor o comportamento dos dados em comparação com um modelo de passeio aleatório, que foi utilizado para ser base comparativa. Uma validação cruzada utilizando grid search é conduzida para estimar os hiperparâmetros do modelo. Para avaliar a previsão fora da amostra, são utilizadas métricas determinísticas e estatísticas, concluindo que há um ganho preditivo usando esta técnica.
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2021-10-06