Print

多因子混合模型在期限结构研究中的应用

论文摘要

期限结构研究具有重要的理论和现实意义.构造“理想的”期限结构模型是期限结构研究的重点.一个理想的模型应该既能拟合现有的即期利率曲线又能预测未来的利率期限结构.通常多因子模型假定所有的因子服从同一个短期利率模型.由于现实市场的期限结构非常复杂,同一性假定会对模型描述现实市场产生不利影响.本文在多因子模型的基础上,提导了一类新的期限结构模型—多因子混合模型.在混合模型中,假定一些因子服从Vasicek模型,另一些因子服从CIR模型.由于真实市场不是理想的市场,观测到的数据受到“噪声”干扰.在用市场数据估计模型参数前,数据需要“过滤”.卡尔曼滤波法是一种高效的“过滤”方法,能有效排除“噪声”的干扰,获得准确的目标值.因此文中阐述了如何构造卡尔曼滤波法的状态空间,并推导了混合模型的状态空间,得到极大似然估计的目标函数.接着进行了模拟计算,Monte Carlo模拟计算结果很理想.模拟结果还显示增加模拟次数加或延长利率期限能提高参数估计精度,证明混合模型的有效性和正确性.最后用两混合模型研究我国上交所的利率期限结构,并对参数的估计结果进行分析,分析结果显示两因子混合模型能拟合现有即期利率曲线,但不能预测未来的即期利率曲线.

论文目录

  • 摘要
  • ABSTRACT
  • 第一章 引言
  • 第一节 研究的背景及意义
  • 第二节 相关研究文献综述
  • 第三节 本文的创新点
  • 第四节 研究思路和框架
  • 第二章 期限结构理论
  • 第一节 利率的基础知识
  • 第二节 单因子利率模型
  • 第三节 单因子Vasicek模型
  • 第四节 单因子CIR模型
  • 第五节 一般多因子模型
  • 第六节 多因子混合模型
  • 第三章 模型的应用
  • 第一节 简要介绍卡尔曼滤波法
  • 第二节 构造状态空间
  • 第三节 构造卡尔曼滤波的具体步骤
  • 第四节 模拟计算
  • 第五节 实际计算
  • 第六节 检验估计结果
  • 第七节 结束语
  • 参考文献:
  • 附录:
  • 相关论文文献

    本文来源: https://www.lw50.cn/article/f34b908c2d73534872597eec.html