改进Diebold Li两步法Nelson—Siegel模型.docVIP

改进Diebold Li两步法Nelson—Siegel模型 　　摘 要：Nelson-Siegel利率期限结构模型指数部分的衰减参数通常根据Diebold Li的两步法、遗传算法或非线性最小二乘法估计，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Diebold Li两步法对Nelson-Siegel利率期限结构模型参数的估计，并与Diebold Li两步法和遗传算法进行实证比较。实证结果表明，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Diebold Li两步法和遗传算法。 关键词：关键词：Nelson-Siegel模型；遗传算法；Diebold Li两步法；改进的两步法 中图分类号：F820 文献标识码：A 文章编号：1003-9031（2014）02-0013-04 DOI：10.3969/j.issn.1003-9031.2014.02.03 一、文献综述 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，引起了国内外学者的强烈关注，研究成果丰富。Willner（1996），Bravo Silva（2005）应用利率期限结构免疫投资组合的利率风险[1-2]；Diebold et al.（2006a）运用利率模型为美国债券进行套期保值[3]；朱世武（2004），余文龙与王安兴（2010）等研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]。 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，所估计的利率期限结构可能差异较大，对债券定价和风险管理等会产生较大影响。对此，Diebold Li （2006b）提出了估计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性最小二乘法估计出其余三个参数。Rafael B. de Rezende（2011）仿照DL两步法，选择一组一定数量的可能值，逐一代入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） 其中，？茁i（i=0，1，2）和？姿是模型参数。根据Diebold Li（2006b）的理解，各参数具有明显的经济含义： ？茁0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