Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/257995 
Erscheinungsjahr: 
2020
Quellenangabe: 
[Journal:] Risks [ISSN:] 2227-9091 [Volume:] 8 [Issue:] 2 [Article No.:] 40 [Publisher:] MDPI [Place:] Basel [Year:] 2020 [Pages:] 1-30
Verlag: 
MDPI, Basel
Zusammenfassung: 
A regularization approach to model selection, within a generalized HJM framework, is introduced, which learns the closest arbitrage-free model to a prespecified factor model. This optimization problem is represented as the limit of a one-parameter family of computationally tractable penalized model selection tasks. General theoretical results are derived and then specialized to affine term-structure models where new types of arbitrage-free machine learning models for the forward-rate curve are estimated numerically and compared to classical short-rate and the dynamic Nelson-Siegel factor models.
Schlagwörter: 
arbitrage-regularization
bond pricing
deep learning
dynamic PCA
model selection
Persistent Identifier der Erstveröffentlichung: 
Creative-Commons-Lizenz: 
cc-by Logo
Dokumentart: 
Article
Erscheint in der Sammlung:

Datei(en):
Datei
Größe





Publikationen in EconStor sind urheberrechtlich geschützt.