A Novel Approach to Predicting Interest Rates using PCA & Quantile Regression
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2787845Utgivelsesdato
2021Metadata
Vis full innførselSamlinger
Sammendrag
Denne masteroppgaven forsøker å utforske renterisiko predikeringsevnen til en ny modell som benytter seg av kjente verktøy innad i fagområdet. For å kontrollere renterisiko benyttes ofte Value-at-Risk (VaR) estimeringsteknikker, blant annet med hensikt om å oppfylle regulatoriske krav. VaR modeller forbedres stadig vekk i forsøk om å oppnå høyere nøyaktighet i prediksjonene, da dette fortsatt anses som en statistisk utfordring i fagområdet. Tidligere forskning på dette området har derimot ikke enda utforsket hvordan de mest fremtredende fremgangsmåtene som blir brukt innen renterisiko predikering i dag fungerer kombinert, og hvilken påvirkning dette har på resultatene. Denne masteroppgaven foreslår en modell som kombinerer Principal Component Analysis (PCA) og kvantil regresjon for å predikere renteendringer, én dag fremover i tid. Den foreslåtte modellen, heretter kalt PCA-QREG modellen, brukes på daglige U.S. Treasury renter fra januar 2000 til april 2020. Ved å bruke volatilitets proxy av principal components kombinert med kvantil regresjon estimeres det optimale koeffisienter. Disse koeffisientene brukes videre til å predikere renteendringer én dag fremover i tid ved ulike kvantiler. Studien finner at PCA-QREG modellen gir prediksjoner av høy nøyaktighet, samt er rimelig å tolke og anvende. The aim of this thesis is to investigate the interest rate risk forecasting ability of a novel approach that utilizes well established methods within the field. Interest rate risk managers often employ Value-at-Risk (VaR) estimation techniques to manage risk, amongst others for regulatory purposes. VaR estimation models are continuously being expanded upon in order to provide even more accurate estimations, as this is still considered a statistical challenge. Research in this area has however not yet combined some of the most powerful methods currently being used within interest rate forecasting. This thesis proposes a combination of Principal Component Analysis (PCA) and Quantile Regression (QR) in an approach to predict out-of-sample interest rate changes, one day ahead. The proposed approach, which is named the PCA-QREG model, is applied on U.S. daily Treasury yield curve rates from January 2000 to April 2020. By creating volatility proxies of principal components and applying quantile regression, best-fit coefficients are estimated. These coefficients are further used in predicting the interest rate changes one day ahead at different quantiles. The study finds that the PCA-QREG model offers predictions that are of high accuracy while retaining simplicity in application and interpretability.