Abstract: This paper proposes a novel regression-based approach to the estimation of Gaussian dynamic term structure models that avoids numerical optimization. This new estimator is an asymptotic least squares estimator defined by the no-arbitrage conditions upon which these models are built. We discuss some efficiency considerations of this estimator, and show that it is asymptotically equivalent to maximum likelihood estimation. Further, we note that our estimator remains easy-to-compute and asymptotically efficient in a variety of situations in which other recently proposed approaches lose their tractability. We provide an empirical application in the context of the Canadian bond market.

Résumé: Un cadre de régression novateur permettant d’éviter l’optimisation numérique est proposé pour l’estimation de modèles dynamiques gaussiens de la structure par terme des taux d’intérêt. Ce nouvel estimateur est un estimateur des moindres carrés asymptotiques et est défini par les conditions d’absence d’arbitrage à la base de ces modèles. L’auteur analyse les caractéristiques d’efficience de son estimateur et montre que celui-ci est asymptotiquement équivalent à un estimateur du maximum de vraisemblance. De plus, il reste simple à calculer et asymptotiquement efficient dans un éventail de situations où d’autres approches récentes deviennent très difficiles à utiliser. L’auteur présente une application empirique de son cadre au cas du marché obligataire canadien.