机器学习，尤其是深度学习，已经彻底变革了自然语言处理（NLP）、计算机视觉和生成模型等领域。在时间序列预测领域，机器学习与深度学习的统治力尚未显现；关于它们是否比传统方法乃至简单方法更有效，学界仍存争议。本文使用长达47年的日度数据，比较了计量经济学/时间序列分析、经典机器学习和深度学习方法在美国国债收益率曲线数据上的预测表现。结果表明，ARIMA和朴素计量经济学模型的表现优于其他模型，仅在一个时间段例外。在机器学习方法中，TimeGPT、LGBM和RNNs表现最佳。总体而言，收益率曲线的预测可能仍以传统计量经济学方法为佳，因其简单且实施成本低廉。

另一个关注点是深度学习算法处理非平稳数据的能力。通常，预测算法需要对输入数据进行差分以使其平稳，或要求在使用前将输入数据转为平稳状态。关于深度学习输入数据平稳性与非平稳性的研究文献稀缺，本文对此进行了补充。本文考虑了两种类型的输入数据，包括经过和未经过非平稳性处理的。结果表明，RNN模型在平稳滑动配置下表现更优；而PatchTST和TFT在非平稳配置中表现更好。