Dynamiken i svenska räntekurvor med neurala nätverk

This thesis is a comparative study where the question is whether a neural network approach can outperform the principal component analysis (PCA) approach for predicting changes of interest rate curves. Today PCA is the industry standard model for predicting interest rate curves. Specifically the goal is to better understand the correlation structure between Swedish and European swap rates. The disadvantage with the PCA approach is that only the information contained in the covariance matrix can be used and not for example whether or not the curve might behave different depending on the current state. In other words, some information that might be quite important to the curve dynamic is lost in the PCA approach. This raises the question whether the lost information is important for prediction accuracy or not. As previously been shown by Alexei Kondratyev in the paper "Learning Curve Dynamics with Artificial Neural Networks", the neural network approach is able to use more information in the data and therefore has potential to outperform the PCA approach. Our thesis shows that the neural network approach is able to achieve the same or higher accuracy than PCA when performing long term predictions. The results show that the neural network model has potential to replace the PCA model, however, it is a more time consuming model. Higher accuracy can probably be achieved if the network is more optimized.Det här är en jämförande studie där syftet är att undersöka hurvida noggrannare prediktioner kan uppnås genom att använda sig av artificiella neurala nätverk (ANN) istället för principalkomponentanalys (PCA) för att förutspå swapräntekurvor. PCA är idag industristandard för att förutspå räntekurvor. Specifikt är målet att bättre kunna förstå korrelationsstrukturen mellan de Svenska swapräntorna och de Europiska swapräntorna. En nackdel med PCA är att den enda tillgängliga informationen sparas i kovariansmatrisen. Det kan till exempel vara fallet att kurvan beter sig väldigt annorlunda beroende på om de nuvarande räntenivåerna är höga eller låga. Eftersom att sådan information går förlorad i PCA-modellen ligger intresset i att undersöka hur mycket noggrannare prediktionerna kan bli om man tar tillvara på ännu mer av informationen i datan. Som Alexei Kondratyev visar i rapporten "Learning Curve Dynamics with Artificial Neural Networks", så har ANN-modellen potential att ersätta PCA-modellen för att förutspå räntekurvor. I denna studie framgår det att ANN-modellen uppnår samma eller bättre resultat jämfört med PCA-modellen vid längre prediktioner