Forecasting the Euro-Area Risk-Free Term Structure : A Hybrid Dynamic Nelson-Siegel and Machine-Learning Approach

Abstract

This thesis develops and evaluates a hybrid framework for forecasting the Euro-area risk-free term structure, combining a structural Dynamic Nelson-Siegel model with VAR(1) factor dynamics (DNS-VAR) and an XGBoost residual-correction stage trained on three macroeconomic predictors: HICP inflation, the Economic Sentiment Indicator, and EA-MPD monetary policy shocks. The model is estimated on daily Euro-area OIS rates at five maturities over 2014-2025, with one-day-ahead out-of-sample accuracy assessed on a rolling window spanning the ECB’s negative-rate era and the 2022-2023 tightening. The evidence is asymmetric. The Hybrid model improves on the linear DNS-VAR baseline at every maturity, with RMSE reductions of 25-48% that are statistically significant at the 1% level in Diebold- Mariano tests. Yet the Hybrid does not beat a Random Walk benchmark at the daily horizon which is consistent with related literature and the difficulty of beating the Random Walk for highly persistent series at short horizons. A regime-split SHAP analysis shows that the predictive contribution of the macro predictors is regime-conditional. HICP inflation leads the residual correction in both regimes, but its dominance widens sharply during the rate-hike cycle. The thesis provides a transparent, interpretable hybrid architecture and daily-frequency Euro-area evidence complementing the U.S. monthly Treasury literature on regime- conditional macro-spanning.

Tässä tutkielmassa kehitetään hybridikehikko euroalueen riskittömän koron aikarakenteen ennustamiseen ja arvioidaan sen suoriutumista. Kehikko yhdistää dynaamisen Nelson-Siegel-mallin VAR(1)-faktoridynamiikkaan (DNS-VAR) sekä XGBoost-pohjaisen residuaalin korjausvaiheeseen, joka on opetettu kolmella makrotaloudellisella muuttujalla: YKHI-inflaatiolla, talousluottamusindikaattorilla (ESI) ja EA-MPD-rahapolitiikkashokeilla. Malli estimoidaan päivittäisillä euroalueen OIS-koroilla viidellä maturiteetilla vuosina 2014–2025, ja yhden päivän ennusteiden otosjoukon ulkopuolisista tarkkuutta arvioidaan liukuvalla ikkunalla, joka kattaa EKP:n negatiivisten korkojen aikakauden sekä vuosien 2022–2023 rahapolitiikan kiristyksen.

Tulokset ovat epäsymmetrisiä. Hybridimalli parantaa lineaarista DNS-VAR-perusmallia jokaisella maturiteetilla. RMSE pienenee 25–48 %, ja erot ovat Diebold-Mariano-testissä tilastollisesti merkitseviä 1 %:n tasolla. Hybridimalli ei kuitenkaan päihitä satunnaiskulun (random walk) muodostamaa vertailukohtaa päivätason horisontilla, mikä on linjassa aiemman kirjallisuuden kanssa, ja heijastaa vaikeutta voittaa satunnaiskulku erittäin persistenteillä aikasarjoilla lyhyillä horisonteilla. Regiimijaettu SHAP-analyysi osoittaa, että makromuuttujien panos ennusteeseen on regiimiehdollinen. YKHI-inflaatio ohjaa residuaalin korjausta molemmissa regiimeissä, mutta sen hallitsevuus voimistuu jyrkästi koronnostosyklin aikana. Tutkielma tarjoaa läpinäkyvän ja tulkittavan hybridiarkkitehtuurin sekä päivätasoista näyttöä, jotka täydentävät Yhdysvaltoja käsittelevää vastaavaa kirjallisuutta siitä, miten makromuuttujien sisältämän informaation heijastuminen korkokäyrään (macro-spanning) on regiimiriippuvaista.