TY - Jour Au - Kim，Won Goong Au - Jung，Gunho Au - Choi，Sun-Yong Py - 2020 DA - 2020/07/14 Ti - 预测CDS术语结构基于Nelson-Siegel模型和机器学习SP - 2518283 VL- 2020 AB - 在本研究中，我们分析了信用违约掉期（CDSS）的术语结构，并使用尼尔逊 - Siegel模型，经常性神经网络（RNN），支持向量回归（SVR），长期短期存储器（LSTM）和数据处理（GMDH）的组方法，使用CDS术语结构数据从2008到2019年使用CDS术语结构数据。此外，我们通过亚绝模分析评估模型预测性能的变化。根据经验结果，我们确认纳尔逊 - Siegel模型可用于预测利率术语结构，也可用于CDS项结构。此外，我们展示了机器学习模型，即SVR，RNN，LSTM和GMDH，优于模型驱动方法（在这种情况下，Nelson-Siegel模型）。在机器学习方法中，GMDH展示了预测CDS项结构的最佳性能。根据潜艇分析，所有模型的性能与数据期间不一致。所有模型在高度挥发性数据期内的所有模型都不太可预测，而不是在较少的挥发性期间。本研究将使贸易商和政策制定者能够有效地投资，并根据公司或国家的当前和未来风险因素进行政策决策。SN - 1076-2787 UR - https://doi.org/10.1155/2020/2518283 do - 10.1155 / 2020/2518283 jf - 复杂性pb - hindawi kw - er -