QD Research EngineAI-Synthesised

收益率曲线动态：从Nelson-Siegel到现代期限结构

模型与框架深度分析
2026-03-09 · 16 min

水平、斜率和曲率三个因子解释了收益率曲线变动的99%以上。Diebold-Li框架将这一洞察转化为实用的预测和风险管理工具。

Yield CurveFixed IncomeNelson SiegelTerm StructureInterest RatesRecession Indicator
来源: Diebold & Li (2006), Journal of Econometrics ↗

散户投资者的实际应用

将收益率曲线斜率作为资产配置的宏观机制指标。当10年-2年利差深度为负时，历史表明衰退风险增加——考虑减少股票敞口并延长债券久期以锁定高短期利率。当曲线从倒挂转为陡峭时，通常意味着降息和经济复苏的开始。

编辑注释

全球央行正在走不同的政策路径——美联储考虑降息、日本央行正常化、欧洲央行管理欧元区的非对称动态——收益率曲线传递着复杂、有时矛盾的信号。Diebold-Li框架提供了解读这些信号所需的结构化视角，将水平移动、斜率变化和曲率扭曲分离开来。

金融市场中最受关注的一条线

2023年3月，美国10年期与2年期国债收益率利差跌至-107个基点，创下1981年以来最深的倒挂。从纽约到东京，各大交易大厅的反应立竿见影。收益率曲线的倒挂在1955年以来的每一次美国经济衰退之前都曾出现，仅有一次误判。将各期限利率相连形成的曲线斜率——这一个数据点——所蕴含的衰退预测能力，事实上超过了几乎任何其他经济指标。理解其中的原因，以及如何建模这条曲线，是量化金融中最重要的课题之一。

收益率曲线将国债利率按剩余期限进行绘制。1年期国债收益率可能是4.5%，10年期为4.0%，30年期为4.2%。将这些点连接起来，便形成了一条凝聚了市场对未来利率、通胀、经济增长和风险的集体预期的曲线。经济中的每一个房贷利率、公司债利差和掉期价格，最终都以这条曲线为基准。准确把握它的形状至关重要。

然而，收益率曲线并非只是图表上的一组散点。它是一个高维对象——数十个期限各有其收益率——以复杂且相关的方式运动。要分析它、交易它、管理其内在风险，就需要一个能用少量可控参数捕捉其核心动态的模型。这正是Francis Diebold和Canlin Li在2006年论文中所实现的目标，也是此后一代研究者不断拓展的方向。

Nelson-Siegel模型基础

这个故事的起点不是2006年，而是1987年。Charles Nelson和Andrew Siegel提出了收益率曲线的一种简洁的参数化形式（Nelson & Siegel, 1987）。他们的核心洞见在于：收益率曲线尽管看似复杂，实际上可以用三个成分来描述：

水平（Level）——曲线的整体高度。当所有利率同步上升或下降时，即为水平变动。它对应于预期短期利率的长期均值，是收益率曲线变动中最主要的来源，大约解释了日常变动的85%。

斜率（Slope）——长期利率与短期利率之差。当曲线变陡或变平时，即为斜率变动。它通常反映了市场对中国人民银行或美联储等央行近期政策路径的预期。倒挂的曲线（负斜率）意味着市场预期降息——历史上这与即将到来的经济衰退密切相关。

曲率（Curvature）——中期利率相对于短期和长期两端的相对高度。当曲线中部相对两端向上凸起或向下凹陷时，即为曲率变动。它往往反映了对政策变动时点的不确定性或期限溢价的动态变化。

Nelson-Siegel模型将期限τ处的收益率表达为：

y(τ) = β₁ + β₂ × [(1 - e^(-λτ)) / (λτ)] + β₃ × [(1 - e^(-λτ)) / (λτ) - e^(-λτ)]

其中，β₁决定水平，β₂决定斜率，β₃决定曲率，λ控制指数衰减速度——决定了斜率因子和曲率因子在期限谱上达到最大载荷的位置。

这一三因子模型具有惊人的拟合能力。它可以再现实践中观测到的最常见的收益率曲线形态：上升型（正常）、下降型（倒挂）、驼峰型和U型曲线。仅用四个参数，就能简洁地概括一个原本需要数十个数据点才能描述的对象。

Diebold-Li模型：让曲线动起来

Nelson和Siegel的模型是静态的——它只描述了某一时点的曲线。Diebold和Li于2006年在Journal of Econometrics发表的"Forecasting the Term Structure of Government Bond Yields"（Diebold & Li, 2006），将其变为动态模型。他们将三个参数（β₁、β₂、β₃）重新诠释为时变因子，并对其随时间的演变进行建模。

核心洞见在于，这三个因子与主成分分析（PCA）从收益率曲线数据中提取的水平、斜率和曲率因子几乎完美对应。这并非巧合——它反映了收益率曲线运动中深层的经验规律。数十年来跨多个国家的研究已经证实，三个主成分可以解释收益率曲线变动的99%以上。Diebold-Li的贡献在于赋予这些主成分一个具有经济可解释性的参数化结构。

动态模型设定

在Diebold-Li框架中，每个因子遵循各自的时间序列过程。最简单的设定采用自回归模型：

  • β₁ₜ = c₁ + φ₁β₁,ₜ₋₁ + ε₁ₜ （水平因子缓慢变化，持续性强）
  • β₂ₜ = c₂ + φ₂β₂,ₜ₋₁ + ε₂ₜ （斜率因子对政策周期做出反应）
  • β₃ₜ = c₃ + φ₃β₃,ₜ₋₁ + ε₃ₜ （曲率因子捕捉中期动态）

因子通过逐月的截面回归进行估计，然后对估计出的因子路径拟合时间序列模型。收益率曲线的预测由此简化为对三个单变量时间序列的预测——比逐一预测每个期限的收益率要简单得多。

预测表现

Diebold和Li证明，这一简洁的框架所产生的收益率曲线预测，与随机游走模型、VAR系统和仿射期限结构模型等远为复杂的替代方法相比，具有相当甚至更优的表现。该模型的预测优势在经济意义最大的长期预测区间（6至12个月）最为显著。

水平因子的预测主导了长期限收益率的预测。与经济周期紧密相关的斜率因子预测主导了曲线形态的预测。曲率因子的贡献较为有限，但有助于捕捉其他两个因子所遗漏的中期限动态。

收益率曲线为何能预测经济衰退

收益率曲线的斜率——长期利率减去短期利率——以惊人的准确度预测了经济衰退。Diebold-Li框架为理解其原因提供了一个结构性视角。

斜率因子（β₂）与货币政策立场密切相关。当央行为应对通胀而大幅提高短期利率时，曲线短端的上升速度快于长端，导致曲线趋平或倒挂。长端反应较小，因为它反映的是更长时间跨度内的平均预期利率——如果市场认为紧缩政策最终将使经济放缓，它们便会预期未来利率下降，从而压制长期利率。

因此，倒挂的曲线蕴含着一个特定的叙事：央行正在对市场预期将走弱的经济实施紧缩。从历史上看，这一叙事正确的次数多于错误。2000年、2006年和2019年的倒挂分别在12至18个月内引发了经济衰退。

2022至2023年的倒挂是四十年来最深的，但被广泛预期的衰退却迟迟未至。对此有多种解释：疫情期间的超额储蓄为消费提供了缓冲，异常强劲的劳动力市场，以及多年量化宽松可能扭曲了期限溢价——投资者为持有长久期债券所要求的补偿——从而模糊了信号。这一案例凸显了一个重要的局限：收益率曲线的衰退信号通过经济机制（紧缩政策抑制增长）发挥作用，当其他力量介入时，信号可能会被延迟或减弱。

超越Nelson-Siegel：现代扩展

Diebold-Li框架催生了大量针对原始模型特定局限的扩展研究。

Svensson扩展

Lars Svensson（1994）在Nelson-Siegel模型中增加了第四个因子，为曲线的长端提供了更大的灵活性。Svensson模型增加了具有独立衰减参数的第二个曲率项，使模型能够捕捉双驼峰型曲线和更为复杂的长端行为。包括欧洲央行、日本银行和德国联邦银行在内的许多央行，在其官方收益率曲线估计中采用了Svensson模型。

无套利Nelson-Siegel模型

Christensen、Diebold和Rudebusch（2011）开发了Nelson-Siegel模型的无套利版本。原始模型在某些参数配置下，可能导出允许套利——均衡状态下不应存在的无风险获利机会——的收益率曲线。无套利版本施加了消除这种可能性的跨方程约束，同时保留了模型的简约性和预测能力。该版本被旧金山联邦储备银行用于收益率曲线分析。

机器学习扩展

近年来的研究将机器学习技术应用于收益率曲线建模。基于神经网络的模型能够捕捉线性Diebold-Li框架所遗漏的非线性因子动态。然而，样本内拟合度的提升并不总是转化为更优的样本外预测，这表明线性三因子结构已经非常好地捕捉了核心动态特征。

实务应用

债券组合管理

对于固定收益组合管理人来说，Diebold-Li框架提供了一种自然的组合风险分解方式。组合对水平因子的暴露决定了其对收益率平行移动的敏感度。对斜率因子的暴露决定了其对曲线变平和变陡的敏感度。而曲率暴露则捕捉了其对蝶式交易——做多曲线两端同时做空中部，或反之——的敏感度。

理解这些暴露使管理人能够构建针对特定收益率曲线情景的定向组合。在中国国债市场中，预期曲线变陡（例如预期中国人民银行降息）的管理人可以增加长久期债券的权重，减少短久期债券的权重，从而提高斜率因子暴露。

货币政策分析

央行在政策分析中广泛使用收益率曲线模型。水平、斜率和曲率的分解提供了对市场预期的实时解读。斜率因子的快速变平表明市场正在定价更紧缩的政策。水平因子的上升暗示预期长期利率或通胀预期在上升。曲率因子的变化可以揭示中期政策前景不确定性的变化。

衍生品定价

利率衍生品——掉期、掉期期权、利率上限、利率下限——使用收益率曲线模型进行定价。Nelson-Siegel因子提供了一种低维度的曲线表示，可以嵌入对冲和定价框架中，在捕捉核心动态的同时降低计算复杂度。

跨国分析

该模型的优势之一在于其跨国适用性。水平、斜率、曲率的三因子结构在发达国家和新兴市场的债券市场中展现出惊人的一致性。研究者们已将Diebold-Li框架应用于美国国债、德国联邦债券、日本国债（JGB）、英国金边债券、中国国债等，发现相同的三因子分解在每种情况下都能解释收益率曲线变动的绝大部分。

局限性

Diebold-Li模型尽管优雅，但也存在重要的局限。

平稳性假设。 自回归因子动态假设因子会向长期均值回归。实际上，利率可能经历结构性变迁——例如从1980年代到2020年代长达三十年的利率下降趋势，代表了一种平稳模型难以捕捉的体制转换。

两步估计。 标准方法先通过截面估计因子，然后再单独建模其动态。这种两步过程在统计上是低效的，可能引入估计误差。使用卡尔曼滤波同时估计因子和动态的状态空间模型可以解决这一问题，但实现起来更为复杂。

未考虑信用风险。 该模型是为假定无风险的国债收益率曲线设计的。将其扩展到公司债需要额外的因子来捕捉信用利差动态和违约风险。

线性动态。 因子遵循线性自回归过程的假设可能遗漏重要的非线性特征，尤其是在政策体制变更前后。零利率下限时期（2008至2015年）构成了特殊挑战，因为通常应当均值回归的因子被名义利率的有效下限所约束。

当前市场中的收益率曲线

截至2026年初，收益率曲线仍然是全球市场中最受密切关注的指标之一。美联储的政策路径、日本银行的渐进正常化，以及欧洲央行对欧元区分化增长路径的应对，都——有时以相互矛盾的方式——反映在各自的曲线形态中。

对于个人投资者而言，实际启示十分直接。收益率曲线并非仅是债券交易员的抽象概念。它影响着房贷利率、储蓄收益率，以及债券与股票的相对吸引力。当曲线陡峭上升时，持有长久期债券可获得更高收益率，但风险也更大。当曲线平坦或倒挂时，短期金融工具以更低的久期风险提供相当的收益率——这种配置有利于现金和短期债券，而非长期持仓。

理解水平、斜率和曲率的三因子分解，能为你提供一个实时解读收益率曲线变化的框架，将市场波动与经济基本面联系起来，而非将其视为噪音。

本文仅供教育目的，不构成金融建议。过往业绩不代表未来表现。

相关

本分析由 Diebold & Li (2006), Journal of Econometrics 经 QD Research Engine — Quant Decoded 的自动化研究平台 — 综合分析，并经编辑团队审核确保准确性。 了解我们的方法论.

参考文献

仅供教育。