R语言使用随机技术差分进化算法优化的Nelson-Siegel-Svensson模型

我们添加了一个粗略而有效的约束,以防止导致“ NA”值的参数值:目标函数返回较大的正值。

由Kaizong Ye,Sherry Deng撰写

在本项目中,我们被客户要求研究如何将Nelson-Siegel-Svensson(NSS)模型拟合到数据。由于我们将使用随机技术进行优化,因此我们应该重新运行几次。变量nRuns设置示例重启的次数

将NS模型拟合到给定的零利率

NS模型

我们使用给定的参数betaTRUE创建“真实”的收益曲线yM。付款时间(以年为单位)在向量tm中。

×

Nelson—Siegel模型也即参数拟合模 型,最先 ~Charles Nelson~1]Andrew Siegel在1978年提出。该模型通过建立远 期瞬时利率的函数 ,来完成即期利率函数形式的推导,其最 大的应用优势是估量参数较少,简化了操作,对于构建利率 期限结构较为适宜 ,尤其是在估计债权数量不多的情况下, 而且这些函数蕴含的经济含义各异,便于人们对模型内容 的理解。

Nelson和Siegel对瞬 间远期利率公式进行推导 ,得 出的 公式 形式 类似于描述利率动态变化的常微分方程的解的 表达 式。即

瞬间远期利率f(O, )代表在O时刻计算,在未来时 刻 发生的期限为无限短的利率。

该方程可产生为人们所熟悉的远 期利率 曲线的各类形状,但 尚不能推导 出形状 更为复杂 的利率 曲线,比如V形和驼峰型曲线 ,制约了曲线对短中期 利 率 拟合程 度 。针 对原模 型 中拟 合灵活 性较 差 的 问题 , Svensson(1994)提 出了一个对Nelson.Siegel方程 的扩展形 式,即再引入一个新的参数屈。由此,瞬间远期利率转换为:

该方程中每一个参数代表的经济含义各不相 同。依据 瞬 间远期利率 的公式 ,可以看出远期利率实质上是 由短期、 中期和长期利率三部分组成的 。 表示长期利率 ,它代表 瞬间远期利率曲线f(0, )的渐近线,伴随着到期期限 的增大,f(O, )的曲线应趋向于 的值。而短期利率表 示为 ,它是瞬 间远期利率 曲线向渐近线的趋势速度的因 素。若 是正数 ,则伴随期 限变化瞬间远期利率曲线呈上升 趋势,否则会随期限变化瞬 间远期利率曲线呈下降期限。 和 分别代表不同的中期利率部分,瞬间远期利率 曲线极 值点的性质和 曲度由其决定 。 和 2是正数 ,与瞬 间远 期利 率 曲线的横坐标 相对应 ,标识出远期利率 曲线的极值点出现的位置。

远 期 利 率 的 平 均 为 即 期 利 率 ,经 过 积 分能够推知即期利率的方程式


> tm <- c(c(1, 3, 6, 9)/12, 1:10)
 
> betaTRUE <- c(6, 3, 8, 1)
 
> yM <- NS(betaTRUE, tm)
 
> par(ps = 11, bty = "n", las = 1, tck = 0.01, mgp = c(3, 0.2, 0), mar = c(4, 4, 1, 1))
 
> plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")

目的是通过这些点拟合平滑曲线。我们从目标函数OF开始。它有两个参数:param和list数据(包含所有其他变量)。返回观察到的(“市场”)收益率yM的向量与参数param的模型收益率之间的最大绝对差。


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

我们添加了一个粗略而有效的约束,以防止导致“ NA”值的参数值:目标函数返回较大的正值。我们将其最小化,因此产生NA值的参数被标记为不良。在第一个示例中,我们将数据设置如下:

> data <- list(yM = yM, tm = tm, model = NS, ww = 0.1, min = c( 0,-15,-30, 0), max = c(15, 30, 30,10)) 

我们添加了一个模型(在本例中为NS),该模型描述了从参数到收益曲线的映射,以及向量min和max,我们稍后将其用作约束。ww是惩罚权重,如下所述。

OF将采用候选解决方案参数,通过data $ model将此解决方案转换为收益,并将这些收益与yM进行比较,这意味着要计算最大绝对差。

 
 
> OF(param2, data) ## 给出正值
 
[1] 0.97686

我们还可以根据收益率曲线比较解决方案。

> par(ps = 11, bty = "n", las = 1, tck = 0.01, mgp = c(3, 0.2, 0), mar = c(4, 4, 1, 1))
 
> plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")
 
> lines(tm, NS(param1, tm), col = "blue")
 
> lines(tm, NS(param2, tm), col = "red")
 
> legend(x = "topright", legend = c("true yields", "param1", "param2"), col = c("black", "blue", "red"), pch = c(1, NA, NA), lty = c(0, 1, 1))

我们通常希望获取参数,以便满足某些约束条件。我们通过惩罚函数将它们包括在内。 

我们已经有了数据,因此让我们看看该函数对违反约束的解决方案有何作用。假设我们有三个解的总体mP。

> param1 <- c( 6, 3, 8, -1)
 
> param2 <- c( 6, 3, 8, 1)
 
> param3 <- c(-1, 3, 8, 1)
 
> mP <- cbind(param1,param2,param3)
 
> rownames(mP) <- c("b1","b2","b3","lambda")
 
> mP
 
param1 param2 param3
 
b1 6 6 -1
 
b2 3 3 3
 
b3 8 8 8
 
lambda -1 1 1

第一个和第三个解决方案违反了约束。在第一个解决方案中,λ为负。在第三个解中,β1为负。

> penalty(mP,data)
 
param1 param2 param3
 
0.2 0.0 0.2

参数ww控制了我们的惩罚程度。

> data$ww <- 0.5
> penalty(mP,data)
param1 param2 param3
1 0 1


对于有效的解决方案,惩罚应为零。

 > penalty(mP, data)param1 param2 param30 0 0


请注意,惩罚会立即生效;无需遍历解决方案。
这样我们就可以进行测试了。我们首先定义DE的参数。请特别注意,我们传递了惩罚函数,并将loopPen设置为FALSE。


然后使用目标函数OF,列表数据和列表算法调用DEopt。

> sol <- DEopt(OF = OF, algo = algo, data = data)

差异演化。
最佳解的目标函数值为0;
最终人群中OF的标准偏差为3.0455e-16。
为了检查目标函数是否正常工作,我们将最大误差与返回的目标函数值进行比较–它们应该相同。

> max( abs(data$model(sol$xbest, tm) - data$model(betaTRUE, tm)) )
[1] 0
> sol$OFvalue
[1] 0 


作为基准,我们从stats包运行函数nlminb。
如果发现它的性能优于DE,我们将有力地表明我们的DE实现存在问题。
我们使用一个随机起始值s0。

> s0 <- algo$min + (algo$max - algo$min) * runif(length(algo$min))
> sol2 <- nlminb(s0, OF, data = data,
lower = data$min,
upper = data$max,
control = list(eval.max = 50000L,
iter.max = 50000L))


同样,我们比较返回的目标函数值和最大误差。

> max( abs(data$model(sol2$par, tm) - data$model(betaTRUE,tm)) )
[1] 1.5787e-07
> sol2$objective
[1] 1.5787e-07


为了比较我们的两个解(DE和nlminb),我们可以将它们与真实的收益率曲线一起绘制。但是必须强调的是,这两种算法的结果都是随机的:对于DE,因为它故意使用随机性;在nlminb的情况下,因为我们随机设置了起始值。为了获得更有意义的结果,我们应该多次运行这两种算法。为了降低插图的构建时间,我们只运行两种方法一次。
 

 
> plot(tm, yM, xlab = "maturities in years",
ylab = "yields in %")
> algo$printDetail <- FALSE
> for (i in seq_len(nRuns)) {
sol <- DEopt(OF = OF, algo = algo, data = data)
lines(tm, data$model(sol$xbest,tm), col = "blue")
s0 <- algo$min + (algo$max-algo$min) * runif(length(algo$min))
sol2 <- nlminb(s0, OF, data = data,
lower = data$min,
upper = data$max,
control = list(eval.max = 50000L,
iter.max = 50000L))
lines(tm,data$model(sol2$par,tm), col = "darkgreen", lty = 2)
}
> legend(x = "topright", legend = c("true yields", "DE", "nlminb"),
col = c("black","blue","darkgreen"),
pch = c(1, NA, NA), lty = c(0, 1, 2))

毫无疑问,DE似乎通常只有一条曲线:实际上有nRuns 条线,但是它们是相互叠加的。


其他约束


 NS(和NSS)模型的参数约束是要确保所得的零利率为非负数。但实际上,它们不能保证正利率。

 
> plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")
> abline(h = 0)

这确实是一个虚构的示例,但尽管如此,我们仍可能希望包括针对此类参数向量的约束措施:我们可以仅包含一个所有速率均大于零的约束条件。
同样,这可以通过惩罚函数来完成。


校验:

> penalty2(c(3, -2, -8, 1.5),data)
[1] 0.86343


此惩罚函数仅适用于单个解决方案,因此实际上将其直接写入目标函数最简单。


因此,就像一个数值测试:假设上述参数为真,而利率为负。
 

> algo$pen <- NULL; data$yM <- yM; data$tm <- tm
> par(ps = 11, bty = "n", las = 1, tck = 0.01,
mgp = c(3, 0.2, 0), mar = c(4, 4, 1, 1))
> plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")
> abline(h = 0)
> sol <- DEopt(OF = OFa, algo = algo, data = data)
> lines(tm,data$model(sol$xbest,tm), col = "blue")
> legend(x = "topleft", legend = c("true yields", "DE (constrained)"),
col = c("black", "blue"),
pch = c(1, NA, NA), lty = c(0, 1, 2))

将NSS模型拟合到给定的零利率

如果要改用NSS模型,则几乎不需要更改。我们只需要向目标函数传递一个不同的模型。下面是一个示例。同样,我们修复了真实参数并尝试恢复它们。

列表数据和算法与以前几乎相同;目标函数保持完全相同。
仍然需要运行算法。(同样,我们检查返回的目标函数值。)

> sol <- DEopt(OF = OF, algo = algo, data = data)
> max( abs(data$model(sol$xbest, tm) - data$model(betaTRUE, tm)) )
[1] 7.9936e-15
> sol$OFvalue
[1] 7.9936e-15


我们将结果与nlminb进行比较。
最后,我们比较了几次运行所得的收益率曲线。

> par(ps = 11, bty = "n", las = 1, tck = 0.01,
mgp = c(3, 0.2, 0), mar = c(4, 4, 1, 1))
> plot(tm, yM, xlab = "maturities in years", ylab = "yields in %")
> for (i in seq_len(nRuns)) {
sol <- DEopt(OF = OF, algo = algo, data = data)
lines(tm, data$model(sol$xbest,tm), col = "blue")
s0 <- algo$min + (algo$max - algo$min) * runif(length(algo$min))
sol2 <- nlminb(s0, OF, data = data,
lower = data$min,
upper = data$max,
control = list(eval.max = 50000L,
iter.max = 50000L))
lines(tm, data$model(sol2$par,tm), col = "darkgreen", lty = 2)
}
> legend(x = "topright", legend = c("true yields", "DE", "nlminb"),
col = c("black","blue","darkgreen"),
pch = c(1,NA,NA), lty = c(0,1,2), bg = "white")

 

参考文献


关于数值优化中“良好起始值”的注释,2010年。http://comisef.eu/?q = working_papers


可下载资源

关于作者

Kaizong Ye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!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498

关注有关新文章的微信公众号


永远不要错过任何见解。当新文章发表时,我们会通过微信公众号向您推送。

技术干货

最新洞察

This will close in 0 seconds