第1章：关键利率因子——水平、斜率、曲度与Nelson-Siegel模型实战分解

做利率债投资的朋友，一定对收益率曲线不陌生。但说实话，很多人看曲线就是看个长短端利差，这太浪费了。我做了这么多年量化，发现真正能赚钱的，是把曲线拆解成几个核心因子——水平、斜率、曲度。今天我们就从Nelson-Siegel模型入手，把这套东西讲透。

1.1 为什么要把收益率曲线拆成因子？

你想想看，一条收益率曲线，从1个月到30年，几十个点。直接分析太复杂了。而且这些点之间高度相关，你没法单独交易某个期限。

我个人习惯，是把复杂问题降维。把几十个点压缩成3个因子：

• 水平因子：代表整体利率水平。说白了就是所有期限利率一起涨一起跌的那个部分。
• 斜率因子：代表长短端利差。长端减短端，正的就是陡峭，负的就是倒挂。
• 曲度因子：代表中间期限相对于两端的凸起程度。这个很多人忽略，但做蝶式交易的人最看重它。

我在项目中遇到过一件事：有次做国债期货套利，只看水平因子和斜率因子，结果老是亏钱。后来加上曲度因子，模型一下子就稳了。嗯，这里要注意——曲度因子在曲线非平行移动时特别重要。

1.2 Nelson-Siegel模型：拆解因子的标准工具

拆解因子有很多方法，主成分分析（PCA）也行，但Nelson-Siegel模型有个巨大优势——它有经济学含义。每个参数都能解释成市场行为。

模型公式长这样：

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

其中：

• τ 是期限（比如1年、10年）
• β₀ 就是水平因子（长期利率水平）
• β₁ 是斜率因子（短端贡献）
• β₂ 是曲度因子（中端贡献）
• λ 是衰减参数，控制因子在哪个期限附近最活跃

说白了，这个模型就是用三个形状函数去拟合整条曲线。每个函数对应一个因子。

1.3 实战：用Python拟合Nelson-Siegel模型

光讲理论没意思，我们直接上代码。这是我常用的拟合方法：

import numpy as np
from scipy.optimize import minimize

def ns_yield(tau, beta0, beta1, beta2, lam):
    """Nelson-Siegel模型计算收益率"""
    term1 = (1 - np.exp(-tau/lam)) / (tau/lam)
    term2 = term1 - np.exp(-tau/lam)
    return beta0 + beta1 * term1 + beta2 * term2

def ns_objective(params, tau, y_obs):
    """目标函数：最小化拟合误差"""
    beta0, beta1, beta2, lam = params
    y_fit = ns_yield(tau, beta0, beta1, beta2, lam)
    return np.sum((y_obs - y_fit) ** 2)

# 示例数据：某日国债收益率
tau = np.array([0.25, 0.5, 1, 2, 3, 5, 7, 10, 20, 30])
y_obs = np.array([1.52, 1.68, 1.95, 2.23, 2.41, 2.65, 2.78, 2.92, 3.15, 3.28])

# 初始参数猜测
init_params = [3.0, -1.5, 0.5, 2.0]

# 优化拟合
result = minimize(ns_objective, init_params, args=(tau, y_obs), 
                  method='L-BFGS-B', bounds=[(0, 10), (-5, 5), (-5, 5), (0.1, 5)])

beta0, beta1, beta2, lam = result.x
print(f"水平因子 β₀ = {beta0:.4f}")
print(f"斜率因子 β₁ = {beta1:.4f}")
print(f"曲度因子 β₂ = {beta2:.4f}")
print(f"衰减参数 λ = {lam:.4f}")

1.4 三个因子的实战含义

拟合出因子后，怎么用？我总结了几条：

因子	经济含义	交易信号
β₀（水平）	长期通胀预期+经济增长	β₀上升→做空长久期债券
β₁（斜率）	货币政策预期	β₁下降（曲线变平）→做陡曲线
β₂（曲度）	市场分歧/流动性偏好	β₂变大→做蝶式交易（多中间空两端）

举个例子。2022年美联储加息那会儿，β₁快速下降（曲线倒挂），我当时就做了一波做陡曲线交易。嗯，这个信号其实挺准的——倒挂之后往往会有修复。

1.5 避坑指南：拟合中的常见问题

我曾经踩过一个坑：用最小二乘法拟合时，如果数据期限分布不均匀（比如短端密集、长端稀疏），拟合结果会偏向短端。后来我改用加权最小二乘法，给长端更高权重，效果就好多了。

另外，λ的稳定性也是个问题。不同时间点拟合出来的λ可能差异很大。我建议固定λ（比如设为2），只优化三个β。这样因子序列更稳定，便于做时间序列分析。

1.6 本章知识体系

下面这张图，是我自己画的Nelson-Siegel模型核心逻辑。你看一遍就能记住：

这张图把整个流程串起来了：从原始收益率数据出发，经过Nelson-Siegel模型拟合，得到三个因子，然后应用到实战中。右侧的因子载荷图很关键——它告诉你每个因子主要影响哪些期限。

好了，这一章就到这里。记住三个因子：水平、斜率、曲度。下一章我们讲怎么用这些因子构建利率预测模型，到时候会用到时间序列方法。

---

公众号:蓝海资料掘金营，微信deep3321