Recientemente, se han estudiado activamente los algoritmos de aprendizaje automático y los métodos existentes de análisis de datos financieros. Aunque la estructura de plazos de los bonos del gobierno ha sido ampliamente investigada, la mayoría de los estudios solo analizan en detalle las características de un país utilizando un método. En este documento, analizamos la estructura de plazos y determinamos los factores comunes utilizando el análisis de componentes principales (PCA) y un autoencoder (AE). Recopilamos datos sobre los bonos del gobierno de tres países con monedas principales (EE. UU., Reino Unido y Japón), extraímos características y las comparamos. En el análisis basado en PCA, redujimos el número de dimensiones convirtiendo los datos normalizados en una matriz de covarianza y verificamos los cinco primeros componentes principales visualmente utilizando gráficos. En el análisis basado en AE, el modelo consistió en dos capas de codificador, una capa intermedia y dos capas de decodificador, y se ajustó el número de nodos en la capa intermedia de uno a cinco. Como resultado, no se encontró una similitud significativa para cada país en el conjunto de datos, y fue apropiado extraer tres características en ambos métodos. Cada característica extraída por PCA y el AE tenía una forma completamente diferente, y esto parece deberse a las diferencias en los métodos de extracción de características. En el caso de PCA, la volatilidad de los conjuntos de datos afectó las características, pero en el caso de AE, los resultados parecían estar más afectados por el tamaño del conjunto de datos. Basándonos en los hallazgos de este estudio, este tema se puede ampliar para comparar los resultados de otros algoritmos de aprendizaje automático o países.