我国收益率曲线结构研究
发布时间:2021-10-10 02:47
债券市场在金融市场中占有重要地位,债券的参与者日趋多元化,债券市场金融产品不断丰富,同时债券市场对外开放的步伐也越走越快。构建出准确的基准收益率曲线进而得到的准确的期限结构有助于对债券以及利率衍生品做出更合理的定价,而研究收益率曲线与宏观经济变量之间的动态联动关系既能帮助我们更好的预测和解释债券市场的行为,也能帮助我们更好的预测和理解宏观经济,并为货币政策制定提供极大的帮助。利率期限结构是利率和期限之间的函数关系,某个时点不同期限的利率就形成了一条曲线。而这个期限结构或者说收益率曲线是金融资产定价、金融产品设计、套期保值、风险管理、套利与投机等活动的基础,不仅为各种固定收益证券定价提供了基准,也是衍生品定价的基础,因此对利率期限结构的有效估计是一个十分重要的问题。此外,收益率曲线期限结构在经济金融理论与实践中均起到非常重要的作用,一直受到货币政策制定者、金融经济学家和金融实践者的高度关注。本文基于Nelson-Siegel及其扩展模型构建,该模型采用指数多项式来估计利率期限结构,利率曲线处处多阶可导,满足光滑性,同时模型参数具有较强的经济意义,模型拟合结果比较符合利率期限结构的预期理论...
【文章来源】:首都经济贸易大学北京市
【文章页数】:69 页
【学位级别】:硕士
【部分图文】:
主成分方差碎石图
2 Nelson-Siegel 模型的静态拟合与校准益率 ( ),它仅依赖于期限变量以及参数 。有些学者认为需要把 和曲线样本中最长的期限联系起来,即 不能超过最长期限。(Bolder S1999,Manousopoulos 和 Michalopoulos,2009,Wets 和 Bianchi ,2006下面以 NSS 模型为例,分别计算出了 和 在 0 到 20 间取值时,第归自变量与第三列回归自变量、第二列回归自变量与第四列回归自变量列回归自变量与第四列回归自变量的相关系数。可以发现当观测值接近回归子之间的就变得高度相关了,这种高度相关性足以构成识别问题,们很难准确的这些回归子。但是回归子矩阵的坏条件(bad condition意味着回归有很大的残差。换言之,我们可以很好的将模型拟合到市场使得模型的残差很小,但是参数本身是并不可靠的。下图中 x 轴和 y 轴分别代表了 和 的取值,z 轴以此展示的是不同量之间的相关系数。
图 2.4 网格搜索寻找最优 实的 NS 模型参数,本节将三个参数的真实值设定为 c(4值设定为 1。有了参数的真实值,可以根据 Nelson-Sie益率 。这时用最小二乘方法回归可以反算出参数,而且实参数相同。下面我们对于市场收益率 增加标准差大小之后重新进行估计,并且重复 1000 遍。而后将参数 的值照前面的程序进行估计。,施加的随机扰动的方差均为 1bp,但是可以看到参数分距,对于固定 为 1 的情景,估计出的参数分布情况非常定 等于 10 的情景,从模拟的分布结果来看,某些情况下偏离真实值,联系前一部分讨论的共线性问题,因为这种高。
本文编号:3427497
【文章来源】:首都经济贸易大学北京市
【文章页数】:69 页
【学位级别】:硕士
【部分图文】:
主成分方差碎石图
2 Nelson-Siegel 模型的静态拟合与校准益率 ( ),它仅依赖于期限变量以及参数 。有些学者认为需要把 和曲线样本中最长的期限联系起来,即 不能超过最长期限。(Bolder S1999,Manousopoulos 和 Michalopoulos,2009,Wets 和 Bianchi ,2006下面以 NSS 模型为例,分别计算出了 和 在 0 到 20 间取值时,第归自变量与第三列回归自变量、第二列回归自变量与第四列回归自变量列回归自变量与第四列回归自变量的相关系数。可以发现当观测值接近回归子之间的就变得高度相关了,这种高度相关性足以构成识别问题,们很难准确的这些回归子。但是回归子矩阵的坏条件(bad condition意味着回归有很大的残差。换言之,我们可以很好的将模型拟合到市场使得模型的残差很小,但是参数本身是并不可靠的。下图中 x 轴和 y 轴分别代表了 和 的取值,z 轴以此展示的是不同量之间的相关系数。
图 2.4 网格搜索寻找最优 实的 NS 模型参数,本节将三个参数的真实值设定为 c(4值设定为 1。有了参数的真实值,可以根据 Nelson-Sie益率 。这时用最小二乘方法回归可以反算出参数,而且实参数相同。下面我们对于市场收益率 增加标准差大小之后重新进行估计,并且重复 1000 遍。而后将参数 的值照前面的程序进行估计。,施加的随机扰动的方差均为 1bp,但是可以看到参数分距,对于固定 为 1 的情景,估计出的参数分布情况非常定 等于 10 的情景,从模拟的分布结果来看,某些情况下偏离真实值,联系前一部分讨论的共线性问题,因为这种高。
本文编号:3427497
本文链接:https://www.wllwen.com/jingjilunwen/jinrongzhengquanlunwen/3427497.html
教材专著