Forecasting CDS Spreads Using Deep Learning: A Multivariate LSTM Approach
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3102828Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
I denne studien kombineres makroøkonomiske og selskapsspesifikke variabler med dyp læring for å forbedre prediksjonen av credit default swap (CDS) spreads 7 dager frem i tid. Basert på CDS-spread-determinanter hentet fra litteraturen foreslår vi en multivariat long short-term memory (LSTM) modell for å predikere individuelle CDS-spreads i det nordamerikanske kredittmarkedet. Studien dekker daglig data mellom januar 2010 og desember 2022 for 74 enkeltstående CDS-kontrakter fra CDX North American Investment Grade Index (CDX.NA.IG). Innenfor dette tidsrommet trener og tester vi modellen på et glidende vindu bestående av fem år med data. For å validere den multivariate LSTM-modellen sammenligner vi modellens prediksjonsevne med en univariat LSTM, multivariat XGBoost, multivariat lasso regresjon og AR(1). I tillegg gir vi et innblikk i neuralnettet som en "svart boks" gjennom en omfattende analyse av variabelinnflytelse. Til slutt presenteres en detaljert residualanalyse ved hjelp av variabler inkludert i modellen, samt nye determinanter som, gjennom litteraturen, viser en sammenheng med CDS-spreads.
For det første finner vi at den multivariate LSTM-modellen viser suveren prediksjonevne sammenlignet med referansemodellene. Dette indikerer at modellen er i stand til å fange opp påvirkningen fra makroøkonomiske og finansielle forhold på bevegelser i CDS-spreads, samt lære skjulte tidsavhengige mønstre i den ikke-lineære og ikke-stasjonære finansielle tidsserien. Videre finner vi at modellens prediksjonsevne reduseres i perioder med uro i kredittderivatmarkedet. Likevel viser den bedre prediksjonsevne enn de andre modellene også i slike perioder. For det andre viser analysen av variabelinnflytelse at modellen vekter det underliggende selskapets aksjevolatilitet mer under høy-volatilitetsperioder. Vi avdekker også en sammenheng mellom aksjepriser og modellens prediksjoner, der høyere aksjepris bidrar til lavere predikerte CDS-spreads. Til slutt finner vi at inkludering av nøkkeltall fra balanseregnskapet og to Fama-French variabler kan forbedre modellens prediksjonsevne. This study integrates macroeconomic and firm-specific variables with deep learning to improve the 7-day-ahead forecasting performance of credit default swap (CDS) spreads. Based on theoretical determinants of CDS spreads, we propose a novel multivariate long short-term memory (LSTM) model to forecast CDS spreads in the North American credit market. We utilize daily data between January 2010 and December 2022 for 74 single-name CDS contracts from the CDX North American Investment Grade Index (CDX.NA.IG). Within this time frame, we implement a sliding-window approach where we train and test the model on windows consisting of five years of data. To validate the predictive power of the multivariate LSTM model, we compare its forecasting performance with a univariate LSTM, multivariate XGBoost, multivariate lasso regression, and AR(1). Additionally, we offer a peek into the "black box" of neural networks through an extensive feature importance analysis using Shapley values and accumulated local effects (ALE). Finally, we present a detailed residual analysis using features included in the model as well as additional features found in the literature to exhibit a significant relationship with CDS spreads.
First, we find that the multivariate LSTM exhibits superior forecasting performance compared to the benchmark models. This indicates that the model is able to capture the influence of macroeconomic and financial conditions on movements in CDS spreads and learn hidden temporal patterns in the non-linear and non-stationary financial time series. Furthermore, we find that the model's performance decreases during periods of turmoil in the credit derivatives market. However, it still shows superiority compared to the benchmarks during such periods. Second, the feature importance analysis reveals that the model increases its emphasis on the equity volatility of the underlying firm during periods of firm-specific turmoil. We also uncover a consistent relationship between equity returns and the model's predictions, where higher equity returns are related to a decrease in the forecasted spread. Finally, we find evidence that including additional balance-sheet ratios and two Fama-French variables may enhance the model's performance.