QD Research EngineAI-Synthesised

殖利率曲線動態：從Nelson-Siegel到現代期限結構

模型與框架深度分析
2026-03-09 · 16 min

水平、斜率和曲率三個因子解釋了殖利率曲線變動的99%以上。Diebold-Li框架將這一洞察轉化為實用的預測和風險管理工具。

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

散戶投資者的實際應用

將殖利率曲線斜率作為資產配置的總體經濟機制指標。當10年-2年利差深度為負時，歷史表明衰退風險增加——考慮減少股票部位並延長債券存續期間以鎖定高短期利率。

編輯注釋

全球央行正在走不同的政策路徑——聯準會考慮降息、日本央行正常化、歐洲央行管理歐元區的非對稱動態——殖利率曲線傳遞著複雜、有時矛盾的訊號。Diebold-Li框架提供了解讀這些訊號所需的結構化視角。

金融界最受關注的一條線

2023年3月，美國10年期與2年期公債殖利率利差跌至-107個基點，創下1981年以來最深的倒掛。從紐約到東京，各大交易廳立即作出反應。自1955年以來，殖利率曲線倒掛幾乎預測了美國每一次經濟衰退，僅有一次誤判。這個單一數據點——連接各天期利率所形成的斜率——對經濟衰退的預測力幾乎超越所有其他經濟指標。理解其背後原因，以及如何建構產生這條曲線的模型，是量化金融中最重要的課題之一。

殖利率曲線描繪的是政府公債利率與到期時間之間的關係。一年期公債殖利率可能為4.5%，十年期為4.0%，三十年期為4.2%。將這些點連接起來，便得到一條曲線，其中蘊含了市場對未來利率、通膨、經濟成長與風險的集體預期。經濟體系中每一筆房貸利率、公司債利差與利率交換合約的定價，最終都以這條曲線為參考基準。準確掌握其形狀至關重要。

但殖利率曲線不僅僅是圖表上的一組散點。它是一個高維度的物件——數十個天期，各有其殖利率——以複雜且相互關聯的方式變動。要分析它、交易它、並管理其中蘊含的風險，你需要一個能以可處理的參數數量捕捉其本質動態的模型。這正是Francis Diebold與Canlin Li在2006年論文中所達成的成就，也是此後一整個世代研究者持續延伸的方向。

Nelson-Siegel 模型的基礎

故事的起點不在2006年，而是1987年。Charles Nelson與Andrew Siegel提出了一個簡潔的殖利率曲線參數化形式（Nelson & Siegel, 1987）。他們的洞見在於：儘管殖利率曲線看似複雜，實際上可以用三個成分來描述：

水準（Level） ——曲線的整體高度。當所有利率同步上升或下降時，即為水準變動。它對應於預期短期利率的長期平均值，是殖利率曲線變動的主要來源，約能解釋85%的日常波動。

斜率（Slope） ——長天期與短天期利率之間的差異。當曲線變陡或變平時，即為斜率變動。它通常反映市場對央行近期政策路徑的預期。倒掛曲線（負斜率）意味著市場預期降息——歷史上這與即將到來的經濟衰退密切相關。

曲度（Curvature） ——中期利率相對於短端與長端的相對高度。當曲線中段相對兩端向上或向下彎曲時，即為曲度變動。它通常反映對政策轉向時點的不確定性，或期限溢酬的動態變化。

Nelson-Siegel模型將天期為 τ 的殖利率表示為：

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

其中 β₁ 控制水準，β₂ 控制斜率，β₃ 控制曲度，λ 控制指數衰減速度——決定斜率與曲度因子在到期時間光譜上的最大負荷位置。

這個三因子模型的效力令人驚嘆。它能重現實務中最常見的殖利率曲線形態：正斜率（正常）、負斜率（倒掛）、駝峰型與U型曲線。僅用四個參數，就能對一個原則上需要數十個數據點才能描述的物件提供簡約的概括。

Diebold-Li：讓曲線動起來

Nelson與Siegel的模型是靜態的——它描述的是某一時間點的曲線。Diebold與Li在2006年的貢獻——發表於《Journal of Econometrics》的論文「Forecasting the Term Structure of Government Bond Yields」（Diebold & Li, 2006）——使其成為動態模型。他們將三個參數（β₁、β₂、β₃）重新詮釋為隨時間變動的因子，並對其演化過程進行建模。

關鍵洞見在於：這三個因子幾乎完美對應於主成分分析（PCA）從殖利率曲線數據中提取的水準、斜率和曲度因子。這並非巧合——它反映了殖利率曲線變動方式的深層經驗規律性。數十年來跨國研究已確立：三個主成分即可解釋殖利率曲線99%以上的變異。Diebold與Li的貢獻在於為這些主成分賦予了具有經濟意涵的參數結構。

動態模型設定

在Diebold-Li架構下，每個因子遵循各自的時間序列過程。最簡單的設定使用自迴歸模型：

  • β₁ₜ = c₁ + φ₁β₁,ₜ₋₁ + ε₁ₜ （水準緩慢演化，高持續性）
  • β₂ₜ = c₂ + φ₂β₂,ₜ₋₁ + ε₂ₜ （斜率回應政策週期）
  • β₃ₜ = c₃ + φ₃β₃,ₜ₋₁ + ε₃ₜ （曲度捕捉中期動態）

各因子透過橫截面迴歸逐月估計，再將時間序列模型配適於估計出的因子路徑。預測殖利率曲線因此簡化為預測三條單變量時間序列——相較於逐一預測各天期殖利率，這是一個大幅簡化的問題。

預測表現

Diebold與Li證明，這個簡單的架構所產生的殖利率曲線預測，其表現可與遠更複雜的替代方案相媲美甚至更優，包括隨機漫步模型、VAR系統和仿射期限結構模型。此模型的預測優勢在較長預測期間（六至十二個月）最為顯著，而這恰恰是經濟意義最大的區間。

水準因子的預測驅動長天期殖利率預測。斜率因子的預測與景氣循環緊密相連，驅動曲線形態預測。曲度因子的貢獻較為溫和，但有助於捕捉其他兩個因子未能涵蓋的中期動態。

殖利率曲線為何能預測經濟衰退

殖利率曲線的斜率——長天期利率減去短天期利率——以驚人的準確度預測了經濟衰退。Diebold-Li架構為理解其原因提供了結構性的分析視角。

斜率因子（β₂）與貨幣政策立場密切相關。當央行為對抗通膨而大幅升息時，曲線短端上升的速度快於長端，使曲線趨平甚至倒掛。長端的反應較為溫和，因為它反映的是較長期間的平均預期利率——如果市場認為緊縮政策最終將放緩經濟，預期未來利率將下降，從而壓住長端利率。

因此，倒掛曲線編碼了一個特定的敘事：央行正在對一個市場預期將走弱的經濟體進行緊縮。歷史上，這個敘事多數時候是正確的。2000年、2006年和2019年的殖利率曲線倒掛，均在12至18個月內伴隨經濟衰退。

2022至2023年的倒掛深度為四十年來最大，然而市場普遍預期的衰退卻遲遲未至。學界提出了幾種解釋：疫情期間累積的超額儲蓄為消費提供了緩衝、異常強勁的勞動市場，以及期限溢酬——投資人持有較長存續期間公債所要求的補償——可能因多年量化寬鬆而受到扭曲，從而模糊了訊號。這個案例凸顯了一個重要限制：殖利率曲線的衰退訊號透過經濟機制（緊縮政策放緩成長）運作，當其他力量介入時，訊號可能延遲或減弱。

超越 Nelson-Siegel：現代延伸

Diebold-Li架構催生了豐富的延伸研究文獻，各自針對原始模型的特定局限提出改進。

Svensson 延伸模型

Lars Svensson（1994）在Nelson-Siegel模型中加入第四個因子，提供長端曲線額外的彈性。Svensson模型增加了一個帶有獨立衰減參數的第二曲度項，使模型得以捕捉雙峰曲線與更複雜的長端行為。許多央行——包括歐洲央行、日本銀行及德國聯邦銀行——均採用Svensson模型作為其官方殖利率曲線估計方法。

無套利 Nelson-Siegel 模型

Christensen、Diebold與Rudebusch（2011）發展了Nelson-Siegel模型的無套利版本。原始模型在某些參數組合下可能隱含允許套利的殖利率曲線——這是均衡狀態下不應存在的無風險獲利機會。無套利版本施加跨方程式限制以消除此種可能性，同時保留模型的簡約性與預測能力。舊金山聯邦儲備銀行採用此版本進行殖利率曲線分析。

機器學習延伸

近期研究將機器學習技術應用於殖利率曲線建模。基於神經網路的模型能夠捕捉線性Diebold-Li架構所遺漏的非線性因子動態。然而，樣本內擬合的改善並不總是轉化為更優的樣本外預測表現，顯示線性三因子結構已出色地捕捉了殖利率曲線的本質動態。

實務應用

債券投資組合管理

對固定收益投資組合經理而言，Diebold-Li架構提供了一種自然的風險分解方式。投資組合對水準因子的曝險決定其對平行殖利率位移的敏感度。對斜率因子的曝險決定其對曲線趨平與陡峭化的敏感度。而曲度曝險則捕捉其對蝶式交易的敏感度——做多兩翼、做空中段，或反向操作。

理解這些曝險使經理人得以建構針對特定殖利率曲線情境的投資組合。例如，預期曲線將變陡的經理人（或許因為預期降息），可增持長存續期間公債、減持短存續期間公債，以加大斜率因子曝險。

貨幣政策分析

央行廣泛使用殖利率曲線模型進行政策分析。分解為水準、斜率與曲度，提供了市場預期的即時解讀。斜率因子的快速趨平，意味著市場正在計入更緊縮的政策。水準因子上升，暗示預期長期利率或通膨預期正在攀升。曲度因子的變化，則可能揭示中期政策展望不確定性的轉變。

衍生性金融商品定價

利率衍生性金融商品——利率交換、利率交換選擇權、利率上限、利率下限——的定價需要殖利率曲線模型。Nelson-Siegel因子提供了曲線的低維度表徵，可嵌入避險與定價架構中，在捕捉本質動態的同時降低運算複雜度。

跨國分析

此模型的優勢之一在於其跨國適用性。三因子結構——水準、斜率、曲度——在已開發與新興債券市場中呈現驚人的一致性。研究者已將Diebold-Li架構應用於美國公債、德國公債、日本國債、英國公債、韓國國庫券等眾多市場，發現同樣的三因子分解在每個案例中都能解釋絕大多數的殖利率曲線變異。

模型限制

Diebold-Li模型雖然優雅，但仍有重要的局限性。

定態假設。 自迴歸因子動態假設各因子會回歸長期均值。然而在實務中，利率可能經歷結構性轉變——例如1980年代至2020年代長達三十年的利率下降趨勢，代表的是一種定態模型難以捕捉的體制轉換。

兩步驟估計。 標準方法先以橫截面方式估計因子，再分別建構其動態模型。這種兩步驟程序在統計上效率不足，可能引入估計誤差。使用卡爾曼濾波器聯合估計因子與動態的狀態空間模型可以解決此問題，但實作上更為複雜。

未納入信用風險。 此模型專為政府殖利率曲線設計，假設其為無風險。將其延伸至公司債需要額外因子以捕捉信用利差動態與違約風險。

線性動態。 假設因子遵循線性自迴歸過程，可能忽略重要的非線性，尤其是在政策體制轉變時。零利率下限期間（2008-2015年）構成了特殊挑戰，因為原本應回歸均值的因子受到名目利率有效下限的約束。

當前市場中的殖利率曲線

截至2026年初，殖利率曲線仍是全球市場中最受關注的指標之一。聯準會的政策路徑、日本銀行的逐步正常化，以及歐洲央行對歐元區成長路徑分歧的回應，都反映在各自的曲線形態中——有時甚至呈現相互矛盾的訊息。

對一般投資人而言，實際的啟示是直截了當的。殖利率曲線不僅僅是債券交易員的抽象概念，它影響房貸利率、存款殖利率，以及債券與股票之間的相對吸引力。當曲線陡峭向上時，持有長存續期間公債可獲得較高殖利率但承擔更多風險。當曲線平坦或倒掛時，短期工具提供相當的殖利率但存續期間風險較低——這種情境有利於現金與短期公債，而非長期配置。

理解三因子分解——水準、斜率與曲度——為你提供了即時解讀殖利率曲線變化的架構，將市場變動與經濟基本面連結，而非視之為雜訊。

本文僅供教育目的，不構成投資建議。過去的績效不保證未來的表現。

相關

本分析由 Diebold & Li (2006), Journal of Econometrics 經 QD Research Engine — Quant Decoded 的自動化研究平台 — 綜合分析，並經編輯團隊審核確保準確性。 了解我們的方法論.

參考文獻

僅供教育。