딥러닝 기반 수익률 곡선 예측 연구: Dynamic Nelson-Siegel 모형과의 비교를 바탕으로 = Deep Learning-Based Yield Curve Forecasting: A Comparative Study with the Dynamic Nelson-Siegel Model

국문 초록 (Abstract)

본 연구는 딥러닝 기반 비선형 시계열 예측 기법을 Dynamic Nelson-Siegel(DNS) 모형에 결합한 수익률 곡선 예측 프레임워크를 제안하고, 예측 구조의 차이에 따른 성과를 체계적으로 비교․분석하였다. 구체적으로, 수익률 곡선을 직접 예측하는 DLY(Deep Learning Yield) 구조와 Nelson-Siegel 요인 계수()를 예측한 후 수익률 곡선을 구조적으로 복원하는 DLNS(Deep Learning Nelson-Siegel) 구조를 동일한 실증 환경에서 비교하였다. 미국 국채 무이자 수익률 곡선 데이터를 활용하여 다양한 예측 horizon과 입력 시계열 길이를 고려한 expanding window 실험을 수행한 결과, DLY 구조는 단기 예측 구간에서 상대적으로 우수한 성과를 보이는 반면, DLNS 구조는 중․장기 예측 구간에서 예측 정확도와 안정성 측면에서 일관된 우위를 나타냈다. 특히 GRU 기반 DLNS 구조는 곡률 계수의 비선형 동학을 효과적으로 포착하며 구조적 변화 국면에서도 강건한 예측 성과를 유지하였다. 계수 예측 결과와 경제 국면별 강건성 분석은 이러한 성과 차이를 구조적으로 설명해 주며, 수익률 곡선 예측에서 예측 대상 설정과 구조적 제약의 역할이 중요함을 시사한다.

다국어 초록 (Multilingual Abstract)

This study proposes and empirically evaluates a deep learning-based framework for yield curve forecasting that integrates nonlinear time-series prediction with the Dynamic Nelson-Siegel (DNS) model. We compare two distinct forecasting structures: a direct approach (DLY) that predicts the yield curve across maturities, and a structure-preserving approach (DLNS) that forecasts Nelson-Siegel factor loadings and reconstructs the yield curve accordingly. Using U.S. Treasury zero-coupon yield curve data, we conduct expanding-window experiments across multiple forecast horizons and input lengths. The results show that the DLY structure performs better at short horizons by capturing local and high-frequency fluctuations, while the DLNS structure consistently outperforms at medium to long horizons in terms of accuracy and stability. In particular, a GRU-based DLNS model effectively captures nonlinear dynamics in the curvature factor and remains robust during periods of structural change. Analysis of factor forecasts and regime-based robustness tests provide structural explanations for these performance differences. Overall, the findings highlight the importance of forecast-target design and structural constraints in deep learning-based yield curve forecasting, demonstrating that predictive accuracy and economic interpretability can be jointly enhanced by combining deep learning with factor-based term-structure models.