Loading...
|
Please use this identifier to cite or link to this item:
https://nccur.lib.nccu.edu.tw/handle/140.119/159205
|
| Title: | 應用機器學習方法預測台灣十年期公債殖利率走勢
Machine Learning Approaches to Forecast the Trend of Taiwan's 10-Year Government Bond Yield |
| Authors: | 徐霈宜
Hsu, Pei-Yi |
| Contributors: | 蔡炎龍
林馨怡
徐霈宜
Hsu, Pei-Yi |
| Keywords: | 殖利率預測
長短期記憶網路
隨機森林
主成分分析
機器學習
Yield Forecasting
Long Short-Term Memory (LSTM)
Random Forest
Principal Component Analysis (PCA)
Machine Learning |
| Date: | 2025 |
| Issue Date: | 2025-09-01 15:46:17 (UTC+8) |
| Abstract: | 台灣十年期公債殖利率為重要的中長期利率指標，對政府財政政策、金融機構資產配置及投資人決策均具有高度參考價值。傳統對殖利率的預測多以線性模型為主，然而實務中金融市場變化受到多重因素影響，資料常呈現非線性與時間依賴性，限制了傳統方法的應用效果。為提升預測準確性，本文導入機器學習與深度學習方法，建構隨機森林（Random Forest）與長短期記憶網路（Long Short-Term Memory, LSTM）模型，針對殖利率走勢進行二元分類預測，並比較不同模型在多種預測期間（1M、3M、6M、9M、12M）之表現差異。
研究資料涵蓋政府公開平台及TE資料庫之多項經濟指標，並以未來平均殖利率與當期殖利率差值進行類別轉換。實證結果顯示，LSTM模型整體預測表現最佳，特別在中長期期間（6M至12M）展現穩定且具高度精確性的分類能力，12M預測期間的F1-score達0.82，準確率達0.7525。隨機森林模型於中期表現相對穩定，而加入PCA降維後雖可提升部分期間之準確率，但預測結果易受類別不平衡影響。
整體而言，深度學習模型展現優異的趨勢識別能力，顯示其在利率預測應用上的潛力，未來可作為政策規劃、資產配置與風險管理的重要輔助工具。
The 10-year government bond yield in Taiwan is a key mid- to long-term interest rate benchmark with significant implications for fiscal policy, asset allocation, and investment decisions. Traditional yield forecasting methods often rely on linear models, which may struggle to capture the nonlinear and time-dependent nature of financial markets. To improve predictive accuracy, this study applies machine learning and deep learning techniques—Random Forest and Long Short-Term Memory (LSTM)—to perform binary classification of yield trends across various forecast horizons (1M, 3M, 6M, 9M, and 12M).
The dataset comprises macroeconomic indicators from public government sources and the TEJ database. Labels are assigned based on the direction of yield movement over future periods. Empirical results show that the LSTM model performs best, particularly over 6M to 12M periods, achieving an F1-score of 0.82 and accuracy of 0.7525 in the 12M horizon. While the Random Forest model demonstrates reasonable performance in the mid-term, the PCA-enhanced version improves accuracy in some cases but remains affected by class imbalance.
Overall, the LSTM model exhibits strong trend recognition capabilities and holds potential as a valuable tool for yield forecasting, with practical applications in policy planning, financial risk management, and investment strategy. |
| Reference: | 參考文獻
中文參考文獻
王怡仁（2008）。總體經濟指標與公債殖利率之關聯性研究（碩士論文）。國立台北大學企業管理學系。
吳懿娟（2007）。我國殖利率曲線與經濟活動間關係之實證分析。中央銀行季刊, 29(3)，1–30。
林曉伶、林主恩（2020）。貨幣政策對公債殖利率曲線之影響。中央銀行業務局。
林舜達（2016）。預測台灣五年期公債殖利率、台灣十年期公債殖利率與景氣領先指標（碩士論文）。國立中山大學經濟學研究所。
許展維（2014）。台灣十年期公債殖利率與流動性相關影響因素及預測（碩士論文）。東吳大學經濟學系。
許得盈（2008）。公司債殖利率與其流動性影響因素之關聯性研究（碩士論文）。天主教輔仁大學金融研究所。
許萬宗（2009）。台灣債券市場與各金融市場之相關性分析（碩士論文）。國立中央大學產業經濟研究所在職專班。
簡至昱（2008）。經濟變數對十年期公債殖利率影響之研究（碩士論文）。國立中央大學財務金融學系在職專班。
楊淑菁（2008）。影響台灣十年期指標公債殖利率走勢實證研究－回歸模型之應用（碩士論文）。國立成功大學經營管理研究所。
陳谷劦（2003）。公債殖利率與總體變數間關係之探討－台灣的實證研究（碩士論文）。世新大學經濟學系。
邱德雄（2006）。台灣公債殖利率波動因素之分析（碩士論文）。國立臺北大學統計學系。
黃生豪（2020）。基於LSTM深度學習預測ETF50市場趨勢並結合交易策略之實證分析（碩士論文）。國立高雄科技大學金融資訊系。
劉有仁（2005）。台灣十年期公債殖利率與國內外總體經濟變數關聯性之研究（碩士論文）。國立雲林科技大學財務金融系。
蕭伊倩（2007）。台灣公債市場殖利率與流動性影響因素之研究（碩士論文）。朝陽科技大學財務金融系。
謝政翰（2017）。應用機器學習演算法與模糊推論於股價漲跌預測模式建構之研究（碩士論文）。國立聯合大學資訊管理學系。
袁麗梅（2017）。應用機器學習預測台灣十年期公債殖利率（碩士論文）。國立臺灣科技大學財務金融研究所。
英文參考文獻
Amihud, Y., & Mendelson, H. (1991). Liquidity, maturity, and the yields on US Treasury securities. The Journal of Finance, 46(4), 1411-1425.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.
Fischer, T., & Krauss, C. (2018). Deep learning with long short-term memory networks for financial market predictions. European journal of operational research, 270(2), 654-669.
Duan, J. (2019). Financial system modeling using deep neural networks (DNNs) for effective risk assessment and prediction. Journal of the Franklin Institute, 356(8), 4716-4731.
Leung, M., Daouk, H., & Chen, A. S. (2000). Forecasting stock indices: A comparison of classification and level estimation models. International Journal of Forecasting, 16(2), 173–190.
Lamine, D., & Brijlal, P. (2024). Forecasting stock market realized volatility using random forest and artificial neural network in South Africa. International Journal of Economics and Financial Issues, 14(2), 5.
McNown, R., & Wallace, M. S. (1992). Cointegration tests of a long-run relation between money demand and the effective exchange rate. Journal of International Money and Finance, 11(2), 107–114.
Mishkin, F. S. (1988). The information in the term structure: Some further results. Journal of Applied Econometrics, 3(4), 307–314.
Yu, H. H., Chen, R. D., & Zhang, G. P. (2014). A SVM stock selection model within PCA. Procedia Computer Science, 31, 406–412. |
| Description: | 碩士
國立政治大學
經濟學系
112258029 |
| Source URI: | http://thesis.lib.nccu.edu.tw/record/#G0112258029 |
| Data Type: | thesis |
| Appears in Collections: | [經濟學系] 學位論文
|
Files in This Item:
| File |
Description |
Size | Format | |
|---|
| 802901.pdf | | 1334Kb | Adobe PDF | 0 | View/Open |
|
All items in 政大典藏 are protected by copyright, with all rights reserved.
|
