We are the first to construct a general model for forecasting redenomination risk by using the difference in a country’s EUR-denominated CDS spreads compared to Germany. The goal of this work is to further close this gap by harnessing the power of machine learning algorithms, with a particular focus on techniques such as Random Forests, XGBoosting, and Lasso regressions. The results have important implications for policymakers, financial institutions and investors. Relying mainly on daily financial ...
We are the first to construct a general model for forecasting redenomination risk by using the difference in a country’s EUR-denominated CDS spreads compared to Germany. The goal of this work is to further close this gap by harnessing the power of machine learning algorithms, with a particular focus on techniques such as Random Forests, XGBoosting, and Lasso regressions. The results have important implications for policymakers, financial institutions and investors. Relying mainly on daily financial market data, we find that machine learning models significantly improve forecasting accuracy in both a structural crisis and a period of economic recovery. We conclude that XGB and Lasso are the best performing forecasting models, as for the latter modeling approach we get correlations between predicted and actual values as high as 0.6 for some countries. Finally, when we look at the measures of variable importance in our machine learning models, we indeed find that Lasso selects different types of predictors with much larger macroeconomic reference as relevant, which seems to explain the difference in prediction accuracy.
+
Somos los primeros en construir un modelo general para pronosticar el riesgo de redenominación utilizando la diferencia entre los diferenciales de los CDS denominados en euros de un país en comparación con Alemania. El objetivo de este trabajo es cerrar aún más esta brecha aprovechando el poder de los algoritmos de aprendizaje automático, con especial atención en técnicas como Random Forests, XGBoosting y regresiones Lasso. Los resultados tienen implicaciones importantes para los responsables de ...
Somos los primeros en construir un modelo general para pronosticar el riesgo de redenominación utilizando la diferencia entre los diferenciales de los CDS denominados en euros de un país en comparación con Alemania. El objetivo de este trabajo es cerrar aún más esta brecha aprovechando el poder de los algoritmos de aprendizaje automático, con especial atención en técnicas como Random Forests, XGBoosting y regresiones Lasso. Los resultados tienen implicaciones importantes para los responsables de la formulación de políticas, las instituciones financieras y los inversores. Basándonos principalmente en datos diarios del mercado financiero, encontramos que los modelos de aprendizaje automático mejoran significativamente la precisión de los pronósticos tanto en una crisis estructural como en un período de recuperación económica. Concluimos que XGB y Lasso son los modelos de pronóstico de mejor rendimiento, ya que para el último enfoque de modelado obtenemos correlaciones entre los valores previstos y reales de hasta 0,6 para algunos países. Finalmente, cuando observamos las medidas de importancia variable en nuestros modelos de aprendizaje automático, encontramos que Lasso selecciona diferentes tipos de predictores con una referencia macroeconómica mucho mayor como relevantes, lo que parece explicar la diferencia en la precisión de la predicción.
+
