经济学论文改进Dieboldamp;.PDF

中国月期刊咨询网 经济学论文改进Diebold amp; Li两步法的Nelson—Siegel模型 利率期限结构作为风险管理、金融衍生品定价、货币政策制定和政策效果判断的重要基础工具之一，引起了国内外学 究使用利率期限结构模型对中国国债进行套期保值[4-5]；刘艳萍等（2009）将利率期限结构应用于商业银行的风险管 理[6]；郭涛和宋德勇（2008）研究了利率期限结构与未来通货膨胀的关系，并对未来通胀进行了预测[7]，等等。当 前，研究利率期限结构的模型主要有：均衡模型、无套利模型和参数模型。前两者运用随机微分方程刻画利率的行为 ，模型比较复杂而且需要大样本。而参数模型是对利率的函数形式作出预先假设，然后通过静态拟合某一国债截面数 据，估计出模型参数。其中应用最广泛的参数模型包括Nelson- Siegel模型（NS）[8]，它已经成为多国央行绘制利率期限结构曲线的工具[9]。 乘法估计，这会导致拟合误差偏大或估计结果不稳定。本文提出用遗传算法与最小二乘法交叉迭代的方法来改进Dieb 果表明，用改进的两步法不仅能提高样本内模型的拟合优度，还能降低样本外模型的定价误差，特别是对于较长期限 的债券数据，改进的两步法的模型估计效果明显好于DieboldLi两步法和遗传算法。 关键词：Nelson-Siegel模型,遗传算法,DieboldLi两步法,改进的两步法 一、文献综述 NS模型能描述单调、驼峰型及其反转的利率期限结构曲线，特别适合像我国这样债券品种较少、期限结构单一的不 发达的债券市场。然而在NS模型中，指数部分的衰减参数的选择对收益率曲线的拟合有重要影响，对的选择不同， 估计NS模型的两步法（DL两步法）[10]：第一步根据经验确定指数部分的衰减参数，第二步在已知的基础上通过线 入NS模型，通过最小化即期利率或远期利率的平均根均方误差MRMSE来获得及其它参数的最优值[11]。国内研究方 面，余文龙与王安兴（2010）通过经验推断NS模型的曲率因子负载的极大值点处于3.5年，然后反求出的估计值；胡 志强与王婷（2009）直接罗列出的若干可能取值，接着通过最小拟合误差估计出参数[12]。由于NS模型是其参数的非 线性函数，用非线性最小二乘法估计参数会因依赖初始值而导致估计结果不稳定，而DL两步法的优点在于运算简便 ，而且结果稳定，但缺点是对参数的估计存在一定的随意性，容易产生估计误差。国内学者使用的另一个常见的估计 方法是遗传算法。任姝仪等（2011）在NS模型的四个参数的经验范围内构建参数初始种群，通过算法迭代，一次性 计算出包含的所有参数[13]，因此遗传算法也可以称为“一步法”。遗传算法对的估计结果不太稳定，收敛速度的快 慢取决于给定的算法参数，对异常值也比较敏感，有时还会陷入收敛陷阱，需要反复试验。针对DL两步法和遗传算 法的上述缺陷，本文提出了基于改进的两步法的NS利率期限结构模型，并利用上海证券交易所国债数据与基于遗传 算法及DL两步法的NS利率期限结构模型进行实证比较。 二、NS利率期限结构模型及改进两步法的求解 （一）NS利率期限结构模型及其参数？姿的估计 NS利率期限结构模型采用式（1）来拟合即期利率。通过求解样本国债的理论价格与市场价格误差的最小值问题来估 计模型参数，进而求得利率期限结构。 r（t；？姿）=？茁0+？茁1■+？茁2（■-e-？姿t）（1） 表示利率期限结构的水平因子，反映利率的长期水平；？茁1表示利率期限结构的斜率因子，反映短期利率水平；？ 茁2描述利率曲线弯曲的形态和趋势，是利率曲线的曲率因子；？姿则决定了斜率、曲率因子负载的收敛速度，称之 为衰减参数。 现有文献估计上述参数主要采用经验分析[14]，各参数的范围满足：？茁0+？茁10，0.03？茁00.1，-0.1？茁1， 中国月期刊咨询网 ？茁20.1，？姿？缀（0，1）。就衰减参数？姿的估计，目前主要采用DL两步法和遗传算法。对于DL两步法，考虑 到？姿取决于NS模型的曲率负载的极值点位置，因此首先通过经验设定曲率负载取得极值的时间点t=t*，然后利用曲 率负载在极值点的一阶条件获得？姿的估计值？姿*。然而凭经验所得的极值点一般都不精确，由此得到的估计误差 较大。对于遗传算法，则完全剔除了经验判断，在NS模型所有参数的经验范围内构造多组待估参数的可选数值（初 始种群），每一组都被看成个体，将它们依次代入到目标函数，然后选择函数值较小的一定数量个体，经交叉