4、静态利差法：假设条件、计算步骤、Python实现与案例
静态利差法，说白了就是算一个「固定价差」。
什么意思呢？你想想看，国债收益率曲线是基准，企业债收益率比国债高，高出来的这部分就是利差。静态利差法假设这个利差在整个存续期内是恒定不变的。嗯，这个假设很理想化，但实际工作中，它确实是最常用的起步方法。
我个人习惯把静态利差叫做「Z-Spread」，全称是Zero-Volatility Spread。为什么叫零波动？因为它不考虑未来利率路径的变化，只假设一个固定的利差加在整条即期曲线上。
4.1 假设条件
做任何模型都要先搞清楚假设，否则算出来的数字就是垃圾。
- 假设一：利差恒定——债券存续期内，信用利差不随时间变化。说白了就是今天算出来是150bp，三年后还是150bp。当然现实不可能，但作为定价基准，这个假设够用了。
- 假设二：即期利率曲线已知——我们需要一条完整的国债即期收益率曲线，通常用Nelson-Siegel或样条法拟合出来。我在项目中遇到过，如果曲线拟合得不好，静态利差算出来会非常离谱。
- 假设三：现金流确定——债券不违约，按约定付息还本。静态利差法不包含违约概率，它只是衡量相对于国债的额外补偿。
- 假设四：无套利——市场定价是有效的，计算出的利差反映了信用风险、流动性风险等综合溢价。
核心要点：静态利差法本质上是「折现因子差值法」。把债券所有现金流用「国债即期利率+固定利差」折现，让现值等于市场价格，这个固定利差就是Z-Spread。
4.2 计算步骤
步骤其实不复杂，但细节容易出错。我踩过坑，所以给你拆细一点。
- 获取国债即期利率曲线——从市场数据中提取关键期限的国债即期利率，插值得到任意期限的即期利率 \( r(t) \)。
- 确定债券现金流——包括每期票息和到期本金。注意付息频率，半年付息和年付息的处理方式不同。
- 设定目标函数——债券理论价格公式：
P_theoretical = Σ [CF_i / (1 + r(t_i) + s)^(t_i)]其中 \( s \) 就是我们要找的静态利差。
- 求解方程——让理论价格等于市场价格（全价），解出 \( s \)。这是个一元非线性方程，用牛顿法或二分法都能解。
- 输出结果——通常以基点（bp）为单位，1bp = 0.01%。
我的经验：求解时初始值设多少很关键。我一般先用简单利差（到期收益率差）作为初始值，这样牛顿法收敛很快。如果直接设0，有时候会跑到负利差去，虽然负利差也可能存在，但大部分信用债还是正的。
4.3 Python实现
直接上代码。我习惯用numpy和scipy，scipy的优化器比手写二分法稳定得多。
import numpy as np
from scipy.optimize import fsolve
def calculate_z_spread(price, coupon_rate, maturity, freq, spot_rates, spot_tenors):
"""
计算静态利差（Z-Spread）
参数:
price: 债券全价（面值100）
coupon_rate: 票面利率（小数形式，如0.05表示5%）
maturity: 剩余期限（年）
freq: 年付息次数（1或2）
spot_rates: 即期利率数组（小数形式）
spot_tenors: 即期利率对应的期限数组（年）
返回:
z_spread: 静态利差（基点）
"""
# 生成现金流时间点
n_periods = int(maturity * freq)
periods = np.arange(1, n_periods + 1) / freq
# 每期现金流
coupon = coupon_rate / freq * 100
cashflows = np.full(n_periods, coupon)
cashflows[-1] += 100 # 最后一期加本金
# 插值得到每个时间点的即期利率
spot_interp = np.interp(periods, spot_tenors, spot_rates)
def price_diff(spread):
# 用即期利率+利差折现
discount_factors = 1 / (1 + spot_interp + spread) ** periods
pv = np.sum(cashflows * discount_factors)
return pv - price
# 用fsolve求解，初始值设为0.01（100bp）
z_spread_decimal = fsolve(price_diff, 0.01)[0]
z_spread_bp = z_spread_decimal * 10000
return z_spread_bp
# 示例：一个5年期，票面4%，半年付息的公司债
price = 98.5 # 全价98.5
coupon = 0.04
maturity = 5.0
freq = 2
# 假设的国债即期曲线
tenors = np.array([0.5, 1, 2, 3, 5, 7, 10])
rates = np.array([0.025, 0.028, 0.030, 0.032, 0.035, 0.036, 0.037])
z_spread = calculate_z_spread(price, coupon, maturity, freq, rates, tenors)
print(f"静态利差: {z_spread:.2f} bp")
注意：这里的price必须是全价，不是净价。全价=净价+应计利息。我曾经在这个地方吃过亏，算出来的利差总是对不上Bloomberg，后来发现是价格类型搞错了。应计利息的计算公式：应计利息 = 票面利率 × 面值 × (上次付息到结算日的天数 / 付息周期天数)。
4.4 案例：某城投债的静态利差计算
拿一个真实案例来说。2023年我处理过一只AA+城投债，剩余期限3.2年，票面利率5.8%，每年付息一次，当前全价102.3。
国债即期曲线数据如下（简化版）：
| 期限（年） | 0.5 | 1 | 2 | 3 | 5 |
|---|---|---|---|---|---|
| 即期利率（%） | 2.10 | 2.35 | 2.60 | 2.80 | 3.00 |
运行上面的代码，得到静态利差为187.3bp。这意味着什么？市场认为这只城投债比国债多补偿187.3bp的信用风险。
我对比了一下同期限同评级的其他城投债，利差大概在160-200bp之间，187bp处于合理区间。但如果某只债的利差突然跳到300bp以上，那就要警惕了——可能是市场在提前定价违约风险。
4.5 静态利差法的局限性
说实话，静态利差法虽然好用，但缺陷也很明显。
- 利差恒定假设太强——现实中信用利差是时变的，经济下行期利差会走阔，上行期会收窄。静态利差法完全忽略了这个动态特征。
- 对曲线敏感——如果国债即期曲线拟合得不好，或者插值方法选错了，结果差异很大。我试过用线性插值和三次样条插值，利差能差20bp以上。
- 不包含期权调整——如果债券含权（如可赎回、可回售），静态利差法就不适用了，得用期权调整利差（OAS）。
一句话总结：静态利差法是信用利差分析的「入门功夫」，简单、直观、可复现。但别把它当真理，它只是一个参考基准。真正做投资决策时，还得结合动态利差、行业轮动、个券基本面等因素综合判断。
嗯，这一章就到这里。代码你拿去跑跑看，有问题随时调。记住，模型是工具，市场才是老师。
公众号:蓝海资料掘金营，微信deep3321