3. 收益率曲线构建
在固定收益组合估值中，收益率曲线是折现因子的“母体”。曲线一旦失真，后续现金流贴现、利差计算、风险因子映射都会系统性偏移。本节聚焦曲线构建的完整链路：先明确曲线类型，再选择拟合方法，随后进行数据清洗，最后落地为可复用的曲线对象。
一、核心原理：曲线类型决定估值语义
收益率曲线并非只有一条。不同曲线对应不同的市场语义与估值用途，混用会导致折现结果不可解释。常见类型包括：
- 国债即期曲线（Spot Curve）：由零息债券或剥离国债推导，直接用于无风险折现，是估值基准。
- 国债远期曲线（Forward Curve）：由即期曲线推导，反映市场对未来利率的预期，用于远期定价与套保。
- 互换曲线（Swap Curve）：以利率互换报价构建，反映银行间无风险利率，常用于衍生品与浮息债估值。
- 信用曲线（Credit Curve）：在基准曲线上叠加信用利差，用于公司债、金融债估值。
曲线类型的选择取决于估值对象的现金流特征与折现要求。例如，对国债组合应优先使用国债即期曲线；对利率互换组合则应使用互换曲线。曲线类型一旦确定，后续拟合方法与数据源必须与之匹配。
二、拟合方法：样条与 Nelson-Siegel 的取舍
拟合方法决定曲线的平滑度、灵活性与经济含义。实务中主流方法分为两类：
| 方法 | 核心思想 | 优点 | 局限 | 适用场景 |
|---|---|---|---|---|
| 样条法（Spline） | 分段多项式拼接，节点处保证连续性与光滑性 | 拟合精度高，可贴合复杂期限结构 | 节点选择敏感，远端易震荡，经济含义弱 | 流动性好、报价密集的市场 |
| Nelson-Siegel | 用水平、斜率、曲率三因子刻画曲线 | 参数少、经济含义清晰、远端稳定 | 对复杂形态拟合能力有限 | 报价稀疏、需稳健外推的场景 |
| Nelson-Siegel-Svensson | 在 NS 基础上增加第二曲率因子 | 兼顾灵活性与稳定性 | 参数估计更复杂，可能过拟合 | 中长端形态复杂的市场 |
选择方法时，应优先考虑曲线的经济可解释性与外推稳定性。若市场报价充足且期限覆盖完整，样条法可提供更高精度；若报价稀疏或需向远端外推，Nelson-Siegel 系列更稳健。
实务建议：先用 Nelson-Siegel 拟合得到基准形态，再用样条法对局部期限进行微调，兼顾稳健性与精度。
三、数据清洗：曲线质量的隐形防线
原始报价常包含异常值、缺失值与期限错配。数据清洗的目标是让输入曲线拟合的数据“干净且一致”。关键步骤包括：
- 期限对齐：将不同来源的报价统一到标准期限节点（如 1M、3M、6M、1Y、2Y、3Y、5Y、7Y、10Y、30Y）。
- 异常值识别：用中位数绝对偏差（MAD）或分位数法识别偏离过大的报价，避免其主导拟合。
- 缺失值处理：优先用相邻期限线性插值；若缺失段过长，应引入外部基准或改用参数法拟合。
- 报价一致性检查：确保即期、远期、互换报价之间无套利矛盾，必要时进行三角校验。
切勿直接删除异常值而不记录。异常值可能反映真实的市场分割或流动性溢价，应保留日志并在曲线报告中标注。
四、实战构建：从报价到曲线对象
以下以 Python 为例，展示从原始报价到 Nelson-Siegel 曲线拟合的完整流程。假设已获得一组国债到期收益率报价，期限单位为年。
import numpy as np
from scipy.optimize import minimize
# 原始报价：期限（年）与到期收益率
tenors = np.array([0.25, 0.5, 1, 2, 3, 5, 7, 10, 30])
yields = np.array([0.021, 0.023, 0.026, 0.029, 0.031, 0.034, 0.036, 0.038, 0.042])
# Nelson-Siegel 模型
def ns_curve(t, beta0, beta1, beta2, tau):
factor = (1 - np.exp(-t / tau)) / (t / tau)
return beta0 + beta1 * factor + beta2 * (factor - np.exp(-t / tau))
# 目标函数：最小化拟合误差
def loss(params):
beta0, beta1, beta2, tau = params
fitted = ns_curve(tenors, beta0, beta1, beta2, tau)
return np.sum((fitted - yields) ** 2)
# 初始参数与约束
x0 = [0.04, -0.02, 0.01, 2.0]
bounds = [(0, 0.2), (-0.2, 0.2), (-0.2, 0.2), (0.1, 10)]
result = minimize(loss, x0, bounds=bounds, method='L-BFGS-B')
beta0, beta1, beta2, tau = result.x
print(f"beta0={beta0:.4f}, beta1={beta1:.4f}, beta2={beta2:.4f}, tau={tau:.4f}")
# 生成标准期限曲线
std_tenors = np.array([0.25, 0.5, 1, 2, 3, 5, 7, 10, 30])
curve = ns_curve(std_tenors, beta0, beta1, beta2, tau)
for t, y in zip(std_tenors, curve):
print(f"{t:>5.2f}Y {y:.4%}")
运行后得到参数与曲线值，即可用于折现因子计算。若需更高精度，可在 NS 基础上叠加样条残差修正。
五、误区与复盘
曲线构建中最常见的误区有三类：
- 曲线类型混用：用互换曲线折现国债现金流，导致无风险利率被信用利差污染。复盘时应核对估值对象与曲线语义是否一致。
- 过度拟合：样条节点过多导致曲线在远端剧烈震荡，折现因子出现负值。应限制节点数量并加入平滑惩罚项。
- 清洗不记录：异常值被静默删除，后续无法复现曲线。应保留清洗日志，记录每个被调整的报价及原因。
复盘清单：曲线类型是否匹配估值对象？拟合方法是否与数据密度匹配？清洗步骤是否可复现？曲线远端是否稳定？折现因子是否为正？
完成曲线构建后，应将其封装为可复用的曲线对象，支持按任意期限插值折现因子，并保留参数与清洗记录。这样，后续组合估值与风险计算才能建立在一致、可审计的曲线基础之上。