Avkastningskurvor är viktiga inom finanssektorn och används bland annat som indikatorer av framtida ekonomisk tillväxt. En kurva som är uppåt sluttande antyder att investerare förväntar positiv ekonomisk tillväxt, medan en nedåt sluttande kurva betraktas som en varning för en kommande lågkonjuktur. Det är viktigt att dessa kurvor är faktiska reflektioner av marknaden. Plötsliga förändringar i vissa delar av kurvorna bör endast uppstå om det har skett faktiska förändringar på marknaden, men detta är inte alltid fallet. Därav övervakas och underhålls kurvorna kontinuerligt. En potentiell lösning för att vidare säkerställa kvaliteten av kurvorna är genom användning av djupa neurala nätverk.
Syftet med denna studie är att undersöka huruvida djupa arkitekturer är kapabla till att prediktera avkastningskurvor med bra precision. Om detta kan påvisas, skulle predikteringarna vidare kunna användas för att upptäcka avvikelser hos avkastningskurvor vilka estimerats av bankerna. Tre modeller jämförs, Random Walk-metoden (RW), vilken får utgöra referenspunkt, en Long Short-Term Memory Network (LSTM) och en Temporal Convolutional Network (TCN). De två sistnämnda har uppvisat state-of-the-art resultat inom tidsserieprognoser och sekvensmodelleringsuppgifter och valdes därför för vidare tillämpning i denna studie.
RW-metoden var mest precis i att generera en-dag-framåt prediktioner enligt experimenten av denna studie, men blev statistiskt överträffad av de djupa arkitekturerna i längre prognoshorisonter. Det temporära nätverket uppvisade en ökning av predikteringsprestandan på 82% i jämförelse med RW-metoden gällande prediktioner 120 dagar framåt och LSTM nätverket en ökning på 56% i jämförelse. Det drogs slutsatsen att RW-metoden bör vara standardalternativet i fallet av en-dag-framåt prediktioner, men att djupa arkitekturer har stor potential i att utgöra ytterligare försäkran av avkastningskurvors kvalitet i fall av längre prognoshorisonter.