Assessing the Importance of Macroeconomic Variables for Machine Learning-based Bond Risk Premium Approximations

This thesis applies machine learning techniques, including neural networks and tree-based methods, to predict bond risk premiums using forward rates and a broad set of macroeconomic and financial variables. The best-performing model is a neural network that creates a network for each group of variables and merges them in the output layer, where a linear combination of forward rates is also added. Extremely randomized trees is the second best-performing model. Risk premiums on bonds with shorter time-to-maturities are easier to predict. The most important variables in the prediction belong to interest rates, housing, inventories, and the stock market.

Questa tesi applica tecniche di machine learning, comprese reti neurali e tree-based methods, per predire i risk premium sui bond utilizzando forward rates e un ampio insieme di variabili macroeconomiche e finanziarie. Il modello più performante è una rete neurale che crea una rete per ciascun gruppo di variabili e li unisce nell'output, dove viene anche aggiunta una combinazione lineare di forward rates. Gli extremely randomized trees sono il secondo modello più performante. I premi di rischio sui bond con scadenze più brevi sono più facili da prevedere. Le variabili più importanti nella predizione appartengono a tassi di interesse, mercato immobiliare, inventari e mercato azionario.