В исследовании представлен подход к моделированию многомерных временных рядов с использованием параметризации, на примере кривой доходности. Оценена эффективность добавление коэффициентов параметризации в предикаты, предложены новые функции потерь, которые акцентируют внимание на моделирование формы кривой. Были применены модели прогнозирования, включая LSTM, Prophet и гибридные комбинации. Для автоматизации обработки и оценки данных была разработана система на базе Python. Метод повышает точность и интерпретируемость прогнозов, предлагая перспективный инструмент для финансового моделирования.

Ключевые слова: машинное обучение, финансовый инжиниринг, моделирование фондового рынка, рынок облигаций

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 5.2.4 - Финансы

В данной работе проведен анализ классических методов машинного обучения, применяемых для прогнозирования спредов доходности корпоративных облигаций. Исследуются как линейные методы, такие как метод главных компонент, частичных наименьших квадратов так и нелинейные методы копульной регрессии, адаптивных регрессионных сплайнов, также в работе исследуется возможность применения модели случайного леса и классической нейронной сети. В работе приведены описание данных для прогнозирования, а также представлены некоторые результаты эмпирического анализа. Полученные результаты могут существенно повлиять на практиков и научное сообщество, стремящихся к повышению точности прогнозирования и оптимизации инвестиционных стратегий.

Ключевые слова: машинное обучение, финансовый инжиниринг, моделирование фондового рынка, рынок облигаций

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 5.2.4 - Финансы