虽然期望债券不会出现负利率，但也不是完全看不到。在危机时期，政府债券甚至公司债券都可以以负收益率交易(例如雀巢)。

由Kaizong Ye，Coin Ge撰写

保证金购买是指投资者先从银行或经纪人处借得资金购买证券，而所购买的证券作为借入资金的抵押。

零息债券_是指以贴现方式发行，不附息票，而于到期日时按面值一次性支付本利的债券。
债券的票面价值债券的票面价值又称面值,是债券票面标明的货币价值,是债券发行人承诺在债券到期日偿还给债券持有人的金额。

可下载资源

债券可以参考价格或收益率。例如，将支付100元的零息债券的价格可以是90元。但收益率将为（100−90）/90=11%，而不是10%。

利率期限结构是指不同到期时间的无风险零息债券到期收益率与到期期限之间的函数关系，对应的图形称为收益率曲线”，利率期限结构反映了投资者对利率未来走向的预期，具有丰富的信息，是投资决策的重要参考。中央银行通过公开市场操作影响利率期限结构，熨平周期性因素和偶然因素带来的期限结构扭曲，引导市场对未来形成正确预期。

利率期限结构模型分为静态模型和动态模型。静态模型的研究重点在于用市场交易债券的到期收益率，尽可能合理拟合整条收益率曲线，得出所有期限债券的收益率。静态模型常采用样条函数构造收益率曲线，在拟合不同形状收益率曲线时有足够的灵活性。但样条函数模型得出的远端收益率常常为负值，并且模型参数过多。Nelson Siegel 采用拉盖尔函数构造出四个参数的利率期限结构模型，模型以简洁性和拟合收益率曲线形状的灵活性得到广泛应用，很多国家的中央银行采用NS模型构建和发布收益率曲线。

债券收益率_是投资于债券上每年产生出的收益总额与投资本金总量之间的比率。

债券可以在二级市场上交易（一级市场是债券发行过程）。如果利率增加，债券的价值就会增加，如果利率降低，债券的价值就会减少，这仅仅是因为该债券是在利率改变之前以便宜/昂贵的价格发行的。也可以做空债券。

虽然期望债券不会出现负利率，但也不是完全看不到。在危机时期，政府债券甚至公司债券都可以以负收益率交易(例如雀巢)。

课程

R语言数据分析挖掘必知必会

从数据获取和清理开始，有目的的进行探索性分析与可视化。让数据从生涩的资料，摇身成为有温度的故事。

立即参加 ➜

债券定价

债券价格是通过使用票面利率和现金流来确定。

式中，CFt是t时的现金流，B（0，t）是贴现系数或0时价格

其中R（0，t）是在时间为t时在时间0的年度即期汇率。

B（0，t）也可以称为零息债券的价格。

我们可以暗示零息票利率与市场上不同期限的债券。然后我们可以用这些利率建立一个期限结构模型来为任何债券定价。严格违反期限结构可能是买入/卖出机会，也可能是套利机会。

calculate_bond_price<-function(face_value=1000,coupon_rate=0.05,maturity=1,yearly_coupons=0){
    #该函数根据给定的债券B（0，t）的面值，到期日，年息率和等距付款来计算其价格
    #如果 yearly_coupons == 0, 它只在到期时支付
    #如果 yearly_coupons == 1, 每年支付一次
    #如果 yearly_coupons == 2, 每半年支付一次
    if(yearly_coupons==0){
        face_value/((1+coupon_rate)^maturity)
    }else{
        face_value/((1+coupon_rate/yearly_coupons)^(yearly_coupons*maturity))
    }

}
calculate_bond_price()

## [1] 952.381

如果我们有合适的证券，我们也可以从息票支付债券中构建零息票债券。

1年期纯贴现债券在95出售。
两年期8％的债券售价99元。

2年期纯折价债券的价格为99-0.08（95）= 91.4。

复利类型

简单复利

假设利率为0.05，期限为2年。100美元的价格在到期时将是多少。

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.Python用RNN循环神经网络：LSTM长期记忆、GRU门循环单元、回归和ARIMA对COVID-19新冠疫情新增人数时间序列

4.Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性

5.r语言copulas和金融时间序列案例

6.R 语言用RNN循环神经网络、LSTM长短期记忆网络实现时间序列长期利率预测

7.Matlab创建向量自回归（VAR）模型分析消费者价格指数 (CPI) 和失业率时间序列

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析

定期复利

如果将利息永久添加到本金投资中，那么我们的复利就是利率。假设相同的示例，但每半年复算一次。

年名义利率为

连续复利

现在，假设复利的频率很高，以至于在两次加息之间的时间间隔是无限小（接近零）。然后在极限情况下

因此，以我们的示例为例，连续复利的年利率是

给定一组零息票债券价格，我们可以计算连续收益率

R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析

阅读文章 ➜

 #例如，债券价格为0.987，期限为半年。
calculate_yield(0.987,0.5)

## [1] 0.02617048

远期汇率

假设有两个到期日不同的债券

可以重新排列成

随时关注您喜欢的主题

imply_forward_rate<-function(R0t1=0.04,R0t2=0.045,t1=1,t2=2){

    ((1+R0t2)^t2/(1+R0t1)^t1)^(1/(t2-t1)) -1

}
imply_forward_rate()

## [1] 0.05002404

到期日的相关性

债券到期期限是指债券从发行之日起至偿清本息之日止的时间，也是债券发行人承诺履行合同义务的全部时间。

利率不仅随着到期日变化，而且随着时间变化。我们还将调用某些数据和计算。

让我们加载库并检查收益率曲线数据。

##             R_3M  R_6M  R_1Y  R_2Y  R_3Y  R_5Y  R_7Y R_10Y
## 1981-12-31 12.92 13.90 14.32 14.57 14.64 14.65 14.67 14.59
## 1982-01-31 14.28 14.81 14.73 14.82 14.73 14.54 14.46 14.43
## 1982-02-28 13.31 13.83 13.95 14.19 14.13 13.98 13.93 13.86
## 1982-03-31 13.34 13.87 13.98 14.20 14.18 14.00 13.94 13.87
## 1982-04-30 12.71 13.13 13.34 13.78 13.77 13.75 13.74 13.62
## 1982-05-31 13.08 13.76 14.07 14.47 14.48 14.43 14.47 14.30

相关系数矩阵显示出收益率没有完全相关。

	R_3M	R_6M	R_1Y	R_2Y	R_3Y	R_5Y	R_7Y	R_10Y
R_3M	1.0000000	0.9983390	0.9940045	0.9837559	0.9744780	0.9546189	0.9399504	0.9230412
R_6M	0.9983390	1.0000000	0.9981715	0.9899820	0.9817197	0.9632268	0.9491761	0.9332366
R_1Y	0.9940045	0.9981715	1.0000000	0.9959937	0.9900195	0.9746174	0.9621895	0.9478956
R_2Y	0.9837559	0.9899820	0.9959937	1.0000000	0.9984844	0.9896811	0.9808896	0.9694621
R_3Y	0.9744780	0.9817197	0.9900195	0.9984844	1.0000000	0.9958583	0.9896185	0.9804575
R_5Y	0.9546189	0.9632268	0.9746174	0.9896811	0.9958583	1.0000000	0.9983629	0.9936744
R_7Y	0.9399504	0.9491761	0.9621895	0.9808896	0.9896185	0.9983629	1.0000000	0.9981232
R_10Y	0.9230412	0.9332366	0.9478956	0.9694621	0.9804575	0.9936744	0.9981232	1.0000000

债券价格和收益率

在这一部分中，我们将看到构建债券价格和收益率的方法。

直接法

假设您得到以下债券利率。请记住，名义汇率是100。

	息票	到期	价钱
债券1	5.0	1个	101.0
债券2	5.5	2	101.5
债券3	5.0	3	99.0
债券4	6.0	4	100.0

零息债券价格（B（0，t）

然后我们得到

 get_zero_coupon()

## $B0t
## [1] 0.9619048 0.9119386 0.8536265 0.7890111
## 
## $R0t
## [1] 0.03960396 0.04717001 0.05417012 0.06103379

线性插值

R03<-0.055
R04<-0.06

R03p75<-((4-3.75)*0.055+(3.75-3)*0.06)/(4-3)
R03p75

## [1] 0.05875

##或使用R函数
yield_interpolate<-approxfun(x=c(3,4),y=c(0.055,0.06))
yield_interpolate(3.75)

## [1] 0.05875

三次插值

假设我们的费率如下：

 #插值2.5年的债券
t_val<-2.5
sum(abcd_vec*((2.5)^(3:0)))

## [1] 0.0534375

## [1] 0.0534375

间接方法（Nelson Siegel）

尼尔森·西格尔（Nelson Siegel）模型是模拟利率收益率曲线的一种流行方法。

其中θ是到期日，β0是长期收益率，β1是斜率参数，β2是曲率参数，τ是比例参数。

 ns_data <-
data.frame(maturity=1:30) %>%
mutate(ns_yield=nelson_siegel_calculate(theta=maturity,tau=3.3,beta0=0.07,beta1=-0.02,beta2=0.01))

head(ns_data)

##   maturity   ns_yield
## 1        1 0.05398726
## 2        2 0.05704572
## 3        3 0.05940289
## 4        4 0.06122926
## 5        5 0.06265277
## 6        6 0.06376956

ggplot(data=ns_data, aes(x=maturity,y=ns_yield)) + geom_point() + geom_line()

可以使用参数来更好地估计收益曲线。

Nelson Siegel参数的估计

Nelson Siegel曲线估计。

##              beta_0     beta_1   beta_2    lambda
## 1981-12-31 14.70711 -5.3917409 3.269125 0.5123605
## 1982-01-31 14.35240 -0.7602066 2.834508 0.1887807
## 1982-02-28 13.74481 -0.9247232 2.681840 0.1236869

注意：我们将lambda称为tau（ττ）（形状参数）。

Beta灵敏度

考虑提供Fi未来现金流的债券价格。因此，带有beta参数的价格变化如下。

 nelson_siegel_sensitivities(coupon_rate=0.05,maturity=2)

##      Beta0      Beta1      Beta2 
## -192.51332 -141.08199  -41.27936

nelson_siegel_sensitivities(coupon_rate=0.05,maturity=7)

##     Beta0     Beta1     Beta2 
## -545.4198 -224.7767 -156.7335

nelson_siegel_sensitivities(coupon_rate=0.05,maturity=15)

##     Beta0     Beta1     Beta2 
## -812.6079 -207.1989 -173.0285

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

非常感谢您阅读本文，如需帮助请联系我们！

用R语言用Nelson Siegel和线性插值模型对债券价格和收益率建模