4. 利率期限结构：即期利率、远期利率、收益率曲线构建（Nelson-Siegel模型）

做债券量化风控，绕不开一个核心问题：利率到底怎么变？

你想想看，债券定价、久期计算、风险敞口评估，哪一样离得开利率？但现实中的利率不是一条直线，它随着期限不同而变化。这就是我们今天要聊的——利率期限结构。

我个人习惯把期限结构比作「利率的年龄特征」。就像人一样，不同年龄段的性格不一样；不同期限的利率，行为模式也完全不同。短端受货币政策影响大，长端则更多反映经济预期。

4.1 即期利率与远期利率：从哪来，到哪去

先搞清楚两个基本概念。

即期利率，说白了就是你现在借钱，从现在开始到未来某个时点，一次性还本付息的年化收益率。比如你买一张1年期零息国债，到期收益率就是1年期即期利率。

远期利率呢？它是对未来某个时间段的利率预期。比如「1年后的1年期利率」，这就是一个远期利率。它不是现在能直接买到的，而是从即期利率推导出来的。

我记得刚入行时，有个同事把远期利率当成了未来的即期利率，结果做对冲策略时亏了不少。这里要提醒大家：远期利率是隐含的预期，不是承诺。它反映的是市场对未来利率的集体判断，但未来实际利率可能完全不同。

两者之间的关系，可以用一个简单的公式表达：

(1 + s₂)² = (1 + s₁) × (1 + f₁,₁)

其中 s₁ 是1年期即期利率，s₂ 是2年期即期利率，f₁,₁ 是1年后的1年期远期利率。

这个公式的逻辑很简单：投资2年期的总收益，应该等于先投1年、再续投1年的总收益。否则市场上就会出现套利机会。

核心要点：

  • 即期利率：现在借钱，到期一次还本付息的利率
  • 远期利率：未来某个时间段的利率预期
  • 两者通过无套利条件相互推导

4.2 收益率曲线：债券市场的「心电图」

收益率曲线，就是把不同期限的即期利率连成一条线。它反映了市场对经济前景、通胀预期和货币政策的集体判断。

常见的曲线形态有三种：

  • 正常向上倾斜：期限越长，利率越高。说明市场预期未来经济增长，通胀上升，需要更高的风险补偿。
  • 平坦或倒挂：长端利率低于短端。这往往是经济衰退的前兆。我在2020年初就见过一次倒挂，当时很多同行还不以为然，结果...嗯，后来的事大家都知道了。
  • 驼峰形：中期利率最高。这种情况比较少见，通常出现在货币政策紧缩周期中段。

做风控时，我特别关注曲线的斜率和曲率。斜率变化直接影响银行净息差，曲率变化则影响债券组合的凸性对冲效果。

实战经验：我曾经用收益率曲线斜率变化做利率方向性交易，效果不错。但要注意，斜率指标在极端行情下会失效——比如2020年3月流动性危机时，曲线斜率瞬间飙升，但方向完全反了。

4.3 Nelson-Siegel模型：用三个因子拟合整条曲线

实际市场中，我们只能观察到有限几个期限的利率。比如国债只有1年、2年、3年、5年、7年、10年这几个点。但做风控时，我们需要任意期限的利率——比如计算一个4.5年期债券的久期。

这时候就需要曲线拟合。Nelson-Siegel模型（简称NS模型）是业界最常用的方法之一。

NS模型的数学形式如下：

y(τ) = β₀ + β₁ × (1 - e^(-τ/λ)) / (τ/λ) + β₂ × [(1 - e^(-τ/λ)) / (τ/λ) - e^(-τ/λ)]

其中：

  • y(τ) 是期限为 τ 的即期利率
  • β₀ 是水平因子，控制曲线的整体水平
  • β₁ 是斜率因子，控制曲线的倾斜程度
  • β₂ 是曲率因子，控制曲线的弯曲程度
  • λ 是衰减参数，控制因子的衰减速度

这三个因子各有各的「性格」：

因子 含义 对曲线的影响 经济解释
β₀ 水平 整体平移 长期利率预期
β₁ 斜率 短端 vs 长端 货币政策立场
β₂ 曲率 中期弯曲 经济周期位置

我建议你记住一个直观理解：β₀ 决定曲线「多高」，β₁ 决定「多陡」，β₂ 决定「多弯」。

注意：NS模型虽然好用，但也不是万能的。我曾经用它拟合一个流动性极差的市场数据，结果参数估计完全失真。后来我加了一个约束条件——β₀ 必须大于所有观测到的利率——才解决了问题。

4.4 实战：用Python实现Nelson-Siegel拟合

光说不练假把式。下面是我常用的拟合代码，你可以直接拿去用：

import numpy as np
from scipy.optimize import minimize

def ns_yield(tau, beta0, beta1, beta2, lam):
    """Nelson-Siegel模型计算即期利率"""
    factor1 = (1 - np.exp(-tau/lam)) / (tau/lam)
    factor2 = factor1 - np.exp(-tau/lam)
    return beta0 + beta1 * factor1 + beta2 * factor2

def fit_ns(maturities, yields):
    """拟合NS模型参数"""
    def objective(params):
        beta0, beta1, beta2, lam = params
        fitted = ns_yield(maturities, beta0, beta1, beta2, lam)
        return np.sum((fitted - yields) ** 2)
    
    # 初始参数设置
    init_params = [np.mean(yields), -0.02, 0.01, 2.0]
    result = minimize(objective, init_params, method='L-BFGS-B')
    return result.x

# 示例数据
maturities = np.array([1, 2, 3, 5, 7, 10])
yields = np.array([0.025, 0.028, 0.030, 0.032, 0.033, 0.034])

beta0, beta1, beta2, lam = fit_ns(maturities, yields)
print(f"拟合参数: β₀={beta0:.4f}, β₁={beta1:.4f}, β₂={beta2:.4f}, λ={lam:.4f}")

这段代码的核心逻辑很简单：用最小二乘法，让NS模型生成的曲线尽可能贴近观测到的利率点。

拟合完成后，你就可以用 ns_yield() 函数计算任意期限的利率了。比如：

# 计算4.5年期利率
rate_4_5 = ns_yield(4.5, beta0, beta1, beta2, lam)
print(f"4.5年期即期利率: {rate_4_5:.4f}")

一个小技巧：我习惯在拟合时加入正则化项，防止参数过度波动。特别是当数据点较少时，不加约束的NS模型容易过拟合。

4.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了：

利率期限结构知识体系 即期利率 远期利率 收益率曲线 推导 构成 Nelson-Siegel模型 y(τ) = β₀ + β₁·因子₁ + β₂·因子₂ 拟合 β₀ 水平因子 长期利率预期 β₁ 斜率因子 货币政策立场 β₂ 曲率因子 经济周期位置 应用：债券定价 → 久期计算 → 风险对冲 → 压力测试

从这张图可以看得很清楚：即期利率是基础，远期利率是衍生，收益率曲线是可视化表达，而NS模型是把这一切量化的工具。

做风控时，我每天都会盯着这三个因子的变化。β₀ 上升，说明长期通胀预期在升温；β₁ 变陡，可能央行要加息了；β₂ 出现异常弯曲，往往预示着经济拐点临近。

嗯，这就是利率期限结构的核心内容。下次当你看到一条收益率曲线时，希望你能读出它背后的故事——不只是数字，更是市场参与者的集体情绪和预期。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →