折现因子与即期利率：从市场报价中提取折现因子，构建即期利率曲线

好，咱们今天聊点实在的。折现因子和即期利率，这俩东西是利率衍生品定价的根基。你想想看，不管你是做IRS（利率互换）还是做债券估值，最后都得回到一个问题上：未来的1块钱，今天值多少钱？

我个人习惯把折现因子叫做「时间的价格」。市场不会直接告诉你这个价格，它只会给你一堆乱七八糟的报价——存款利率、期货价格、互换利率。我们的工作，就是从这些报价里把折现因子「挖」出来。

2.1 折现因子：最朴素的金融直觉

先别急着上公式。折现因子的逻辑其实特别简单：

• 如果今天给你100块，你肯定要。但如果一年后才给你100块，你就不太乐意了——因为这一年里你本来可以拿这100块去赚利息。
• 所以，未来的100块，在今天看来应该打个折。这个折扣率，就是折现因子。

数学上，我们记 \( D(t) \) 为从今天到未来某个时间点 \( t \) 的折现因子。那么：

D(t) = 1 / (1 + r * t)          // 单利
D(t) = 1 / (1 + r)^t            // 复利
D(t) = exp(-r * t)              // 连续复利

嗯，这里要注意：不同的市场产品用不同的计息方式。货币市场通常用单利（ACT/360），债券市场用复利，而我们在做衍生品定价时，更习惯用连续复利——因为数学上方便，求导求积分都顺手。

2.2 从市场报价中提取折现因子

市场不会直接给你 D(t)，它只会给你各种利率产品的价格。我们需要反推。我把它分成三步走：

1. 收集市场数据：存款利率、FRA（远期利率协议）价格、利率期货、互换利率。
2. 确定每个产品的现金流：每个产品在未来哪些时间点有现金流？
3. 用「无套利」原则反推：产品的市场价格 = 所有未来现金流的折现值之和。

举个例子。假设市场上有一个3个月的存款，年化利率是2.5%（单利，ACT/360）。那么：

存款本金：100万
3个月后本息和：100万 * (1 + 0.025 * 90/360) = 100.625万
折现因子 D(90天) = 100 / 100.625 = 0.993788

你看，就这么简单。一个存款报价，就能算出一个折现因子。

2.3 即期利率：折现因子的另一种表达

折现因子和即期利率，其实是同一个东西的两种说法。即期利率 \( r(t) \) 定义为：

D(t) = exp(-r(t) * t)
=> r(t) = -ln(D(t)) / t

为什么要有即期利率？因为折现因子太小了，比如 D(30年) 可能只有0.2左右，看起来不直观。而即期利率告诉你：如果你从现在开始投资到 t 时刻，年化收益率是多少。这个数字更符合人的直觉。

我个人习惯在构建曲线时，先用折现因子做中间计算，最后再转换成即期利率展示给交易员看。因为交易员更习惯看利率，而不是看0.9几的小数。

2.4 构建即期利率曲线：从离散到连续

市场只能给你几个离散时间点的折现因子，比如3个月、6个月、1年、2年、5年、10年。但定价时需要任意时间点的折现因子，怎么办？

这就涉及到插值和拟合了。常用的方法有：

• 线性插值：在折现因子或即期利率上做线性插值。简单，但曲线不够光滑。
• 三次样条插值：保证曲线二阶连续可导。我个人比较喜欢这种方法，曲线看起来舒服。
• Nelson-Siegel模型：用一个参数化函数拟合整条曲线。适合做预测，但拟合精度一般。
• Bootstrap方法：从短端到长端，逐段推导。这是最经典的方法，尤其适合处理互换曲线。

下面我用Python演示一个最简单的Bootstrap过程：

import numpy as np

# 假设市场报价：存款利率和互换利率
maturities = [0.25, 0.5, 1.0, 2.0, 3.0, 5.0, 10.0]  # 年
rates = [0.025, 0.028, 0.030, 0.032, 0.033, 0.035, 0.036]  # 连续复利

# 计算折现因子
discount_factors = np.exp(-np.array(rates) * np.array(maturities))

# 线性插值函数（在折现因子上插值）
def discount_factor(t):
    if t <= maturities[0]:
        return discount_factors[0]
    if t >= maturities[-1]:
        return discount_factors[-1]
    # 找到插值区间
    idx = np.searchsorted(maturities, t) - 1
    t0, t1 = maturities[idx], maturities[idx+1]
    d0, d1 = discount_factors[idx], discount_factors[idx+1]
    # 线性插值
    return d0 + (d1 - d0) * (t - t0) / (t1 - t0)

# 测试：计算2.5年的折现因子
print(f"D(2.5) = {discount_factor(2.5):.6f}")
# 转换成即期利率
r_2_5 = -np.log(discount_factor(2.5)) / 2.5
print(f"r(2.5) = {r_2_5:.4%}")

2.5 知识体系结构图

下面这张图总结了从市场报价到即期利率曲线的完整流程：

2.6 实战中的几个坑

做了这么多年曲线构建，我踩过的坑可以写本书了。挑几个最典型的说说：

• 期限错配：存款是3个月，互换是3个月，但存款的计息基准是ACT/360，互换是30/360。如果不调整，3个月的实际天数不一样，折现因子就对不上。
• 流动性问题：有些期限的市场报价很少，比如7年期互换。这时候强行插值会引入误差。我一般会参考相邻期限的报价，或者用模型平滑处理。
• 负利率环境：2015年以后，欧洲和日本出现了负利率。这时候折现因子 D(t) > 1，即期利率 r(t) < 0。很多老代码直接崩溃了，因为 log(负数) 会报错。嗯，这个坑我帮你们踩过了。