Forecasting the U.S. Treasury Yield Curve: A Distributionally Robust Machine Learning Approach
创建于 更新于
摘要
本论文提出一种分布鲁棒的集成预测框架，将滚动窗口的因子增强 Dynamic Nelson–Siegel（FADNS）模型与高维非参数随机森林结合，通过自适应加权与DRO（对尾部风险的ES惩罚与岭正则化协方差）来最小化最坏情形下的预报损失，从而在政策不确定性与市场压力下提供更稳健的国债收益率曲线预测[page::0][page::14]. 实证以2006–2025月度数据跨期限多步预测为样本，发现自适应组合在短期占优、随机森林在中长期占优，且分布鲁棒加权在极端事件（如2020年COVID冲击与2022年紧缩周期）期间显著平滑预报误差与权重动态[page::0][page::16].
