基于高斯粒子滤波法的vasicek利率期限结构模型估计 - 数据采集与处理.docVIP

基于高斯粒子滤波法的CIR利率期限结构估计 吴姝 刘思峰 （南京航空航天大学 经济与管理学院，江苏 南京210016） 摘要：为了提高CIR利率期限结构模型中的状态估计精度，本文建立了该问题的离散非线性滤波模型，采用高斯粒子滤波法进行状态近似最优估计。相对于文献中普遍采用的扩展卡尔曼滤波方法，高斯粒子滤波法避免了线性近似带来的误差，利用基于重要性采样得到的高斯分布来近似状态变量的后验分布，具有更强的状态估计能力。仿真实验比较了高斯粒子滤波和扩展卡尔曼滤波两种非线性估计法，结果表明，基于高斯粒子滤波的CIR滤波模型更准确地描述了利率期限结构的动态变化特征。 关键词：CIR利率期限结构；高斯粒子滤波；扩展卡尔曼滤波；贝叶斯分析 中图分类号：F830.9 文献标识码：A Gaussian Particle Filter for Estimation of CIR Term Structure of Interest Rates WU Shu LIU Si-feng (College of Economics and Management, Nanjing University of Aeronautics and Astronautics, Nanjing Jiangsu 210016, China) Abstract: To improve the state estimation accuracy for CIR term structure model of interest rates, this paper establishes the discrete nonlinear filtering formulation of CIR model and then adopts Gaussian particle filter (GPF) to generate the approximate optimal state estimation. Compared with the popular extended Kalman filter (EKF), GPF employs Gaussian distribution based on importance sampling algorithm to approximate the posterior probability while avoiding the error resulting from linearly approximating the function itself. The two nonlinear estimation methodologies are implemented and compared on simulated data. Results are presented to demonstrate the more accurate ability of GPF-based CIR filtering model to describe the dynamics of the term structure of interest rates. Key words: CIR term structure of interest rates; Gaussian particle filter; extended Kalman filter; Bayesian analysis 0 引言 利率期限结构反映了零息票债券价格和到期期限之间的关系，针对该问题的研究是金融市场中一项基础而重要的工作。利率期限结构模型包含两个紧密相关的课题，一方面指在某个交易日，结合不同的利率期限，从债券交易数据中横向提取出利率期限结构；另一方面研究债券价格在时间轴上的纵向运动行为[1,2]。前者表现为债券价格与状态变量及到期期限之间的函数关系，后者表现为由状态变量驱动的动态模型。 提高利率期限结构估计的精度可以更准确地为利率衍生品定价，更有效地进行利率风险管理，更深刻地理解经济危机的潜在根源[3]。对于利率期限结构模型的估计，传统上采用横向和纵向两个维度分开来分析的方法，这种做法不能充分利用同时来自两个维度的信息，造成一定的估计误差[4-5]。采用卡尔曼滤波法（Kalman filter, KF）[6] 进行利率期限结构的估计，可以同时利用这两个维度的数据，即面板数据，来进行充分有效的估计。卡尔曼滤波作为一种最优线性滤波器，适用于线性高斯模型，并已在利率期限结构模型中的线性高斯状态空间系统里得到了成熟的应用[7-8]。然而，当利率期限结构系统表现出非线性时，卡尔曼滤波的使用受到限制，学者们对此提出了各种近似估计法[