| dc.description.abstract | Denne studien undersøker bruk av maskinlæring (ML) og forklarbar kunstig intelligens (XAI) for å predikere spredningen på statsobligasjonsrenter. Studien sammenligner AI-modeller, spesifikt ANN og LightGBM, med økonometriske referansemodeller. For å hente forklarbarhet fra AI-modellene blir SHAP-rammeverket benyttet. Det blir brukt et kvartalsvis datasett fra Hellas, Italia, Portugal og Spania (GIPS), fra årene 1999 til 2020. Testsettet dekker tidsperioden fra 2017 til 2020.
Målet med denne studien er todelt: (1) å vurdere prediksjonsnøyaktigheten av AI modeller i prediksjon av spredningen på statsobligasjoner og (2) å evaluere tolkbarheten av resultatene. Videre undersøker studien hvilke variabler som påvirker prediksjonene.
Funnene viser at maskinlæring kombinert med forklarbar AI er godt egnet for å predikere obligasjonsspredninger, og gir både presise prediksjoner og forklarbarhet. LightGBM-modellen viser en prediktiv evne som er jevn med referansemodellene, mens ANN-modellen viser en lavere nøyaktighet knyttet til størrelsesordenen på prediksjonene. Når det gjelder retningsbestemt klassifisering, overgår begge AI-modellene referansemodellene. Begge modellene gir også meningsfull forklarbarhet, der LightGBM-modellen gir de tydeligste resultatene. De viktigste variablene identifisert på tvers av modellene er BNP per innbygger, BNP-vekst, KPI, statsgjeld og arbeidsledighet. Dette stemmer overens med den eksisterende litteraturen.
Pålitelige prediksjoner av rentespredninger vil gi beslutningstakere muligheten til å unngå økonomiske utfordringer, noe som motiverer denne forskningen. Denne studien bidrar til å fylle en mangel i den eksisterende forskningen ved å være den første til å utforske bruk av XAI-teknikker for å predikere spredningen på statsobligasjonsrenter. Studien gir innsikt i AI’s potensiale på dette området ved å sammenligne AI modeller med referansemodeller. | |
| dc.description.abstract | This study investigates the feasibility and accuracy of using Machine Learning (ML) and Explainable Artificial Intelligence (XAI) methods to predict sovereign bond spreads. The study evaluates AI models, specifically Artificial Neural Network (ANN) and Light Gradient Boosting Machine (LightGBM), compared to econometric benchmarks. The Shapley Additive Explanations (SHAP) framework is used to provide explainability for the AI models. The analysis uses a quarterly dataset from Greece, Italy, Portugal and Spain (GIPS), spanning the years 1999 to 2020. The test set covers the period from 2017 to 2020.
The objective of this research is twofold: (1) to assess the out-of-sample predictive accuracy of artificial intelligence models in forecasting sovereign bond spreads and (2) to evaluate the interpretability of these models. Additionally, the study examines the importance of the variables applied.
Our findings demonstrate that ML paired with Explainable AI (XAI) is well-suited for predicting bond spreads, delivering both accuracy and explainability. The LightGBM model performs similarly to the benchmark models, whereas the ANN model performs worse in terms of conventional regression metrics. Regarding directional classification accuracy, both AI models surpass the benchmarks. Additionally, both models offer meaningful indications concerning the importance of variables, with the LightGBM model providing the clearest interpretability. The most important exogenous variables identified across models and countries, namely GDP per capita, GDP growth, CPI, government debt, and unemployment, align with the existing literature in the field.
Reliable predictions of bond spreads can allow policymakers to take proactive steps to prevent economic challenges, which motivates this research. This research fills a gap in the existing literature by being the first, to the best of the authors’ knowledge, to explore the application of ML and XAI techniques for predicting sovereign bond spreads. By conducting a comprehensive comparison of AI and benchmark models, the study provides insights into the potential of AI in this domain. | |
