利率期限结构的主成分分析

利率期限结构的主成分分析胡志强马文博利率期限结构的相关概念主成分分析法利率期限结构的主成分分析利率期限结构的相关概念•利率期限结构的定义利率期限结构是指某个时点不同期限的即期利率与到期期限的关系及变化规律。由于零息债券的到期收益率等于相同期限的市场即期利率，因此利率期限结构一般用反映零息债券的到期收益率与期限之间的一条曲线来表示，如水平线、向上倾斜和向下倾斜的曲线。•几种不同类型的利率期限结构在使用久期和凸度来衡量债券的利率风险时，能有效发挥作用的一个重要前提是利率期限结构的平行移动。但是研究发现，国债收益率曲线的移动方式并不是只有平行移动一种，同时也存在着收益率曲线的斜率和曲率变化。收益率曲线的非平行移动的存在，削弱了债券组合投资中久期和凸性利率风险管理策略的有效性。因此，久期和凸性在利率市场化逐步推进，市场上利率风险逐渐扩大的今天，已经显得较为落后。20世纪90年代之后，主成分分析技术被运用到从时间序列角度捕捉影响收益率曲线变化的风险因素，成为了债券投资组合的重要的风险管理工具。本次实验课的主要目的就是运用主成分分析的方法来研究我国国债收益率曲线的变动模式及其在国债投资组合中利率风险管理中的应用。主成分分析法线性代数相关知识设A是n阶矩阵，若有n维非零列向量x使得以下关系成立：则称λ是A的一个特征值，而x是A的属于特征值λ的一个特征向量若A有n个线性无关的特征向量，我们还可以将其对角化：令，则，其中是由特征值组成的对角矩阵主成分分析法简介主成分分析是将多指标化为少数几个综合指标的一种统计分析方法。在实际问题中，由于变量太多，彼此之间往往还存在着一定的相关性，因而使得所观测到的数据在一定程度上反映的信息有所重叠。而且当变量较多时，在高维空间中研究样本数据的分布规律比较复杂，势必会增加问题分析的难度。人们自然希望能够用较少的综合变量来代替原来复杂的多变量，而这几个综合变量又能够尽可能多的反映原始变量的信息，并且彼此之间互不相关，利用这种降维的思想，产生了主成分分析的统计方法。先假定只有二维，即只有两个变量，它们由横坐标和纵坐标所代表；因此每个观测值都有相应于这两个坐标轴的两个坐标值；如果这些数据形成一个椭圆形状的点阵（这在变量的二维正态的假定下是可能的）,那么这个椭圆有一个长轴和一个短轴。在短轴方向上，数据变化很少；在极端的情况，短轴如果退化成一点，那只有在长轴的方向才能够解释这些点的变化了；这样，由二维到一维的降维就自然完成了。•当坐标轴和椭圆的长短轴平行，那么代表长轴的变量就描述了数据的主要变化，而代表短轴的变量就描述了数据的次要变化。•但是，坐标轴通常并不和椭圆的长短轴平行。因此，需要寻找椭圆的长短轴，并进行变换，使得新变量和椭圆的长短轴平行。•如果长轴变量代表了数据包含的大部分信息，就用该变量代替原先的两个变量（舍去次要的一维），降维就完成了。•椭圆（球）的长短轴相差得越大，降维也越有道理。-4-2024-4-2024•对于多维变量的情况和二维类似，也有高维的椭球，只不过无法直观地看见罢了。•首先把高维椭球的主轴找出来，再用代表大多数数据信息的最长的几个轴作为新变量；这样，主成分分析就基本完成了。•注意，和二维情况类似，高维椭球的主轴也是互相垂直的。这些互相正交的新变量是原先变量的线性组合，叫做主成分(principalcomponent)。•主成分分析通常的做法是，寻求原指标的线性组合。即：主成分满足如下条件：1.每个主成分的系数平方和为1。即2.主成分之间相互独立，即无重叠的信息。即3.主成分的方差依次递减，重要性依次递减，即为了分析原始变量和主成分之间的关系，我们可以利用原始变量与主成分之间的相关系数:写成矩阵形式：则其中为对应的特征根，所以原始变量和主成分之间的相关系数可以写为：因此可以通过比较Y的特征根来决定主成分的顺序，从而达到降维的目的利率期限结构的主成分分析利率期限结构的估计Nelson-Siegel模型是一种通过参数模型来描述曲线动态变化的方法，大量应用于利率期限结构的估计中，由Nelson和Siegel在1987年提出。瞬时远期利率可以用包含参数的如下模型来描述：（1）其中，x是参数向量，τ是固定时间常数，之后讨论τ的取值方法。Nelson和Siegel运用拉盖尔函数构造出了到期收益率的表达式如下：（2）•由于R(t,x)是f(t,x)的一种积分，因此两者的图形属性一定是一致的，为了研究β0、β1、β2的性质，所以暂时假定τ=5，得到R（t,x）相对β0、β1、β2的偏导数如图1所示图1τ=5时，利率对参数的敏感度β0是R(t,x)在期限t趋于无穷大时的渐进值，且必为正数，当期限t无穷大时，长期利率无限接近渐近线（也即收益率无限接近于β0）。利率对β0的敏感度恒为1，短期利率的变动对所有的收益率引起的变化是一样且恒定的，对于任意的t，β0对R(t,x)的影响是恒定的，因此β0的变动整体改变利率期限结构的水平高度，可以理解为“水平因子”。β1参数，当t不断增加时，从上图可以看出的β1系数衰减为0，说明β1的影响力在t递增的过程中逐渐减弱，因此可以将β1看作是短期因素，它在短期中发挥重要作用，长期而言作用微乎其微。同时，由于β10时，收益率曲线斜率为负，β10时，收益率曲线为正，且的绝对值越大，收益率曲线越陡峭，因此也可以将β1理解为“斜率因子”。β2参数，从上图中可以看出，β2的系数随着t的递增先增加后减小，因为β2的系数可以从0开始，所以不是长期因素，同时它又不是单调递减迅速衰减到0的，因此也不是短期因素，可以将β2理解为中期因素。同时β2对不同期限的收益率影响程度是不一样的，因此可以理解为“曲率因子”。τ参数，在其他参数固定不变的情况下，τ决定了收益率曲线第一次驼峰出现的时间，而且也影响了和的衰减速度，对比图1和2就可以直观的看出τ的不同取值对图形的影响图2τ=1.5时，利率对参数的敏感度因此对期限结构进行估计时，需要选取合适的τ的取值，这里采用试值法。数据选取2008年6月至2013年6月每个月的最后一天的的上交所国债数据作为样本，数据全部来源于wind，具体数据见附表1。分别取τ=0.5,1,1.5,…,5,6,7,8,9,10,15,20,25,30对公式(2)进行最小二乘估计，分析软件为Eviews,得到估计结果的统计表如下表所示：τβ0β1β2残差平方和R2估计值p值估计值p值估计值p值0.53.98000.00000.29770.6749-6.15960.00003.85670.684314.15210.0000-1.22740.0012-3.13710.00013.17360.74021.54.28040.0000-1.61910.0000-2.23150.00112.94300.759124.36470.0000-1.83310.0000-1.64190.01082.88680.76372.54.41670.0000-1.96100.0000-1.17540.06282.88670.763734.44640.0000-2.03570.0000-0.78340.21762.89800.76273.54.45970.0000-2.07530.0000-0.44090.49742.90720.762044.45980.0000-2.09020.0000-0.13150.84502.91140.76174.54.44810.0000-2.08620.00000.15640.82372.91120.761754.42540.0000-2.06690.00000.43120.55862.90800.761964.34810.0000-1.98900.00000.96330.24092.89650.762974.22810.0000-1.86400.00001.49500.10482.88280.764084.06520.0000-1.69440.00002.04320.04862.86950.765193.85890.0000-1.48120.00232.61770.02442.85760.7661103.60870.0000-1.22430.02933.22440.01332.84730.7669151.69150.16510.71940.52496.83640.00162.81430.769620-1.34640.50603.77420.057811.50860.00052.79870.770925-5.51020.07767.94930.010717.28520.00022.79040.771630-10.80180.016213.24890.003224.17940.00012.78550.7720具体操作：1、新建一个workfile,选择文件类型为unstructured/undated,输入样本数据个数（本例为42）2、导入收益率y和时间t的数据:dataydatat3、构建序列l1和n1:seriesl1=(1-exp(-t/0.5))/(t/0.5)seriesn1=(1-exp(-t/0.5))/(t/0.5)-exp(-t/0.5)4、运行参数估计程序“NS固定参数取值”，得到τ去不同值时的OLS估计结果：file/open/program…/run5、比较τ不同取值时的模型估计效果，然后选取合适的取值（此例τ=8）得到N-S模型的估计结果由Nelson-Siegel模型参数的意义可以看出,β0代表长期水平，应该是一个正值;β1代表短期利率和长期的利差，在上升形的利率期限结构中，该利差应该为负值，因此β1应该为负值;β2代表了中期利率，在t为正且有限的时候，应该为正值。综合考虑上述因素，而且同时满足残差平方和尽可能小，模型拟合的R2尽可能大，各参数在5%的显著水平下尽可能显著，从之前的讨论已经知道τ的取值会影响β1和β2的衰减速度，τ的值越大，衰减越慢，越适合拟合期限较长的数据，由于本次样本中到期期限在15年之内的数据占绝大部分，因此选取τ=8作为适合的取值。在τ=8时，Nelson-Siegel模型的估计方程为:对2008年6月-2013年6月的月度样本数据根据上述方法拟合，得到每个月的N-S拟合模型，然后每个模型取t=0.5，1，2，3，…,30得到对应期限利率估计值，为之后的主成分分析提供数据，具体结果见附表2利率期限结构的主成分分析1、将N-S模型估计的利率期限结构数据导入SPSS软件中：file/open/data,然后选择文件类型(execl)，以及数据所在的sheet，完成数据导入2、进行主成分分析：Analyze/dimensionreduction/factor,然后选取需要进行主成分分析的变量3、对主成分分析的结果进行分析，得到影响利率期限结构变动的三个主成分•主成分分析结果从表中可以看出贡献最大的三个主成分的方差贡献率分别为85.991%，8.782%和3.541%，而三个主成分的累计方差贡献率为98.314%，可以看出三个主成分基本上完全包含了原始数据的方差信息，可以代表原始多维数据进行统计分析成份初始特征值合计方差的%累积%126.65785.99185.99122.7228.78294.77231.0983.54198.314根据三个主成分的成分矩阵可以作出利率变动的主成分分析图•第一个主成分的系数均为正值，而且大多在0.9附近变动，呈现出水平运动的特征，说明第一个主成分对不同到期期限的国债收益率变化的影响方向和幅度基本相同，可以看作是水平因子，它影响着我国的利率期限结构水平方向的移动。•第二个主成分从正值逐渐变为负值，说明第二个主成分对短期利率和中长期利率的影响方向不同，对短期利率的影响幅度也要大于中长期水平，使得利率期限结构变得平缓，因此可以看作斜率因子。•第三个主成分在短期和长期时系数为负值，而在中期时系数为正值，说明第三个主成分对短期和长期利率的影响方向一致，但是对中期利率的影响方向相反，可以看作曲率