穆貝靂

摘要：國(guó)債收益率曲線在宏觀經(jīng)濟(jì)調(diào)控、固定收益產(chǎn)品定價(jià)等方面有著重要的應(yīng)用。為探究宏觀因素對(duì)國(guó)債收益率的影響機(jī)理，本文在Nelson-Siegel（NS）模型的基礎(chǔ)上，構(gòu)建自適應(yīng)動(dòng)態(tài)算法，及時(shí)監(jiān)測(cè)模型參數(shù)的時(shí)變性，擬合并預(yù)測(cè)利率期限結(jié)構(gòu)。實(shí)證結(jié)果表明，自適應(yīng)動(dòng)態(tài)NS模型對(duì)國(guó)債收益率的樣本外預(yù)測(cè)效果顯著優(yōu)于其他時(shí)間序列模型。基于該模型探究不同宏觀影響因子對(duì)我國(guó)10年期國(guó)債收益率的動(dòng)態(tài)影響機(jī)理，結(jié)果發(fā)現(xiàn)各宏觀影響因子對(duì)國(guó)債收益率的影響效應(yīng)在不同時(shí)段存在明顯差異。

關(guān)鍵詞：收益率曲線 自適應(yīng)動(dòng)態(tài)NS模型 國(guó)債收益率影響因子

引言

國(guó)債收益率曲線提供了不同期限的無風(fēng)險(xiǎn)利率，在支持貨幣政策傳導(dǎo)、促進(jìn)利率市場(chǎng)化、為投資者提供風(fēng)險(xiǎn)管理工具等方面起到重要作用。2020年，中共中央、國(guó)務(wù)院于4月發(fā)布《關(guān)于構(gòu)建更加完善的要素市場(chǎng)化配置體制機(jī)制的意見》，提出“健全反映市場(chǎng)供求關(guān)系的國(guó)債收益率曲線”，于5月發(fā)布《關(guān)于新時(shí)代加快完善社會(huì)主義市場(chǎng)經(jīng)濟(jì)體制的意見》，強(qiáng)調(diào)“健全基準(zhǔn)利率和市場(chǎng)化利率體系，更好發(fā)揮國(guó)債收益率曲線定價(jià)基準(zhǔn)作用”。從宏觀層面看，國(guó)債收益率曲線對(duì)通脹預(yù)期、經(jīng)濟(jì)周期具有指示作用，是貨幣政策實(shí)施的重要前瞻性指標(biāo);從微觀層面看，國(guó)債收益率曲線可便利投資者實(shí)施積極主動(dòng)的債券投資管理，能夠降低投資風(fēng)險(xiǎn)、增厚超額收益。有鑒于此，探究宏觀影響因子對(duì)國(guó)債收益率的影響機(jī)理，以對(duì)國(guó)債收益率進(jìn)行科學(xué)預(yù)測(cè)，是一項(xiàng)兼具理論意義和實(shí)踐價(jià)值的工作。

文獻(xiàn)綜述

利率模型通常可以分為兩大類：動(dòng)態(tài)模型和靜態(tài)模型。動(dòng)態(tài)模型以市場(chǎng)均衡為條件，使用經(jīng)濟(jì)中的狀態(tài)變量和瞬時(shí)利率對(duì)整個(gè)利率期限結(jié)構(gòu)進(jìn)行建模，或者以預(yù)期理論為基礎(chǔ)，基于無套利約束刻畫利率期限結(jié)構(gòu)。雖然動(dòng)態(tài)模型能夠擬合收益率曲線，但預(yù)測(cè)效果通常較差。

相較于動(dòng)態(tài)模型，靜態(tài)模型不需要對(duì)利率運(yùn)動(dòng)過程進(jìn)行具體設(shè)定，而是通過擬合觀測(cè)的數(shù)據(jù)構(gòu)造利率曲線，其中最具代表的是Nelson和Siegel（1987）提出的NS模型，該模型通過構(gòu)建水平、斜率和曲率等狀態(tài)因子，賦予模型本身較強(qiáng)的經(jīng)濟(jì)意義，有效刻畫了收益率曲線的特征。Diebold和Li（2006）對(duì)NS模型進(jìn)行了拓展，允許因子隨時(shí)間變動(dòng)，將NS模型擴(kuò)展為動(dòng)態(tài)NS模型（Dynamic Nelson-Siegel Model），并用于利率期限結(jié)構(gòu)預(yù)測(cè)。Diebold和Li（2006）的實(shí)證研究顯示，相對(duì)其他時(shí)間序列模型，動(dòng)態(tài)NS模型的預(yù)測(cè)效果更優(yōu)。

在利率模型的決定機(jī)制中，經(jīng)濟(jì)周期、政策變動(dòng)等宏觀因素都會(huì)對(duì)參數(shù)產(chǎn)生重大影響。忽略觀測(cè)數(shù)據(jù)的結(jié)構(gòu)性變化，往往會(huì)導(dǎo)致采用全樣本數(shù)據(jù)建模估計(jì)的參數(shù)非最優(yōu)。在實(shí)證研究中，學(xué)者們通常采用滾動(dòng)時(shí)間窗口，對(duì)全樣本數(shù)據(jù)分段建模進(jìn)而得到不同時(shí)段的參數(shù)，以降低數(shù)據(jù)結(jié)構(gòu)性變化對(duì)參數(shù)估計(jì)的影響。然而，文獻(xiàn)表明，時(shí)間窗寬度的選擇通?；诮?jīng)驗(yàn)分析，并無統(tǒng)一標(biāo)準(zhǔn)。如Pesaran和Timmermann（2007）比較了四種窗寬選擇方案，發(fā)現(xiàn)四種方案各自有不同的優(yōu)勢(shì)，但沒有指明哪一種方法最優(yōu)。

為避免窗口選擇困境，Chen等（2010）提出了一種可動(dòng)態(tài)判斷數(shù)據(jù)結(jié)構(gòu)變化的局部自回歸（Local Autoregressive）模型，該模型模擬波動(dòng)率數(shù)據(jù)的動(dòng)態(tài)特征，能夠靈活捕捉時(shí)間序列數(shù)據(jù)的長(zhǎng)記憶性以及結(jié)構(gòu)性變化。Chen和Niu（2014）在Chen等（2010）研究的基礎(chǔ)上，充分考慮了利率期限結(jié)構(gòu)特征，提出了自適應(yīng)動(dòng)態(tài)Nelson-Siegel（Adaptive Dynamic Nelson-Siegel，簡(jiǎn)稱ADNS）模型。該模型能根據(jù)自適應(yīng)算法判斷同質(zhì)區(qū)間，進(jìn)而動(dòng)態(tài)求解模型參數(shù)，提高收益率曲線的預(yù)測(cè)準(zhǔn)確度。Chen和Niu（2014）對(duì)美國(guó)國(guó)債收益率進(jìn)行了實(shí)證研究，證實(shí)ADNS模型的預(yù)測(cè)效果更優(yōu)。

基于ADNS模型在收益率曲線預(yù)測(cè)方面的顯著優(yōu)勢(shì)，本文擬采用該模型對(duì)我國(guó)國(guó)債收益率進(jìn)行建模和預(yù)測(cè)，并實(shí)證分析宏觀變量對(duì)國(guó)債收益率的影響，以更準(zhǔn)確預(yù)測(cè)我國(guó)國(guó)債收益率，捕捉各宏觀影響因子的動(dòng)態(tài)影響機(jī)制。

模型介紹與處理

（一）ADNS模型介紹

按照Nelson-Siegel的模型框架，收益率曲線的期限結(jié)構(gòu)可以按（1）式表示：

其中，εt（τ）～N（0， σε2 ）。yt（τ）表示t時(shí)刻期限為τ的即期利率，β1t、β2t和β3t統(tǒng)稱為因子，分別表示水平因子、斜率因子和曲率因子，參數(shù)λ控制因子載荷的衰減速度。

為簡(jiǎn)化說明，筆者將三因子統(tǒng)一記為βt。為了刻畫參數(shù)的時(shí)變特征，定義模型（2）為：

假設(shè)在時(shí)間點(diǎn)t，定義局部同質(zhì)區(qū)間It=（t-mt， t-1]，在該區(qū)間內(nèi)βt恒定不變。參數(shù)θt可通過最大似然估計(jì)法進(jìn)行估計(jì)，即：

其中Θ為參數(shù)空間，L（β; It， θt）為似然函數(shù)。

由于局部同質(zhì)區(qū)間是未知的，需要在可選范圍內(nèi)找出一個(gè)最優(yōu)的局部同質(zhì)區(qū)間來估計(jì)參數(shù)θt。有效的方案是將所有可能的區(qū)間組合進(jìn)行計(jì)算判斷，進(jìn)而確定局部同質(zhì)區(qū)間，但是這樣做會(huì)極大增加計(jì)算量。為簡(jiǎn)化問題，筆者將樣本劃分成K（K>1）個(gè)相鄰的子區(qū)間，每個(gè)長(zhǎng)區(qū)間比相鄰的短區(qū)間多了M（M>1）個(gè)觀測(cè)點(diǎn)，即：

令為區(qū)間It（K）上的估計(jì)值，為了檢驗(yàn)各子區(qū)間的同質(zhì)性，定義對(duì)數(shù)似然比為：

式（3）衡量了局部最大似然估計(jì)值與ADNS模型估計(jì)值之間的差異，在給定臨界條件下即可判斷檢測(cè)的區(qū)間是否為同質(zhì)區(qū)間。假定存在一組臨界值ζ2， ...， ζK：

如果Tt（K）>ζK，則說明模型參數(shù)變化顯著，在這種情況下時(shí)間點(diǎn)t的最大同質(zhì)區(qū)間為It（K-1），即：

如果Tt（K） ≤ ζK，說明模型參數(shù)變化不顯著，當(dāng)前子區(qū)間It（K）為同質(zhì)區(qū)間，在新的子區(qū)間上估計(jì)值更新為：。

（二）同質(zhì)區(qū)間的臨界值校準(zhǔn)

在ADNS模型中，臨界值ζ2， ...， ζK起到了關(guān)鍵作用。由于參數(shù)未知，無法直接求取臨界值，需使用Monte-Carlo模擬來校準(zhǔn)，基本思路是：在全樣本范圍內(nèi)生成一組同質(zhì)的時(shí)間序列數(shù)據(jù)，模型參數(shù)在全樣本內(nèi)固定不變：

其中，θ*=（θ0*， θ1*， σ*）為固定值，t=1， ...， T。由于參數(shù)固定，在保證全局化同質(zhì)性的前提下，每一個(gè)子區(qū)間It（K）（k=1， ...， K）上的估計(jì)值均是最優(yōu)的ADNS估計(jì)值，由于參數(shù)θ*已知，似然比估計(jì)值Rk可以估計(jì)為：

使用生成的時(shí)間序列數(shù)據(jù)可以得到一組對(duì)應(yīng)的ADNS估計(jì)值。與在似然函數(shù)上的差距可以通過似然比表示：

給定臨界值并比較Tt（k）與ζk，臨界值ζk（k=2， ...， K）是剛好能滿足式（6）的最小數(shù)值，即：

通過蒙特卡洛模擬即可求出估計(jì)值。

由于臨界值的計(jì)算依賴于變量（θ*， K， M），筆者通過實(shí)證數(shù)據(jù)估計(jì)了參數(shù)θ*，用于生成模擬數(shù)據(jù)去計(jì)算臨界值。模擬研究發(fā)現(xiàn)，ADNS模型的算法具有穩(wěn)健性，臨界值ζK不受變量（θ*， K， M）變化的顯著影響。

基于ADNS模型的國(guó)債收益率預(yù)測(cè)結(jié)果比較

（一）三因子提取

在使用ADNS進(jìn)行預(yù)測(cè)前，首先需要從收益率曲線數(shù)據(jù)中提取水平、斜率、曲率這三個(gè)因子。目前文獻(xiàn)中對(duì)三因子提取的方法可分為“一步法”和“兩步法”：“一步法”構(gòu)建空間狀態(tài)模型，使用卡爾曼濾波對(duì)包括參數(shù)λ和三因子在內(nèi)的所有參數(shù)同時(shí)進(jìn)行擬合估計(jì)，目的是為了更加有效地估計(jì)模型參數(shù);“兩步法”首先給定λ的值，將NS模型退化為一個(gè)線性方程，然后可直接使用最小二乘法來估計(jì)三因子。文獻(xiàn)研究顯示兩種方法估計(jì)的參數(shù)相差甚微，為降低運(yùn)算量，本文采用“兩步法”來提取三因子。經(jīng)過測(cè)算，λ=0.6061能夠使得擬合值與實(shí)際值的平均偏差達(dá)到最小，對(duì)應(yīng)β3的載荷因子在2.96年達(dá)到最大值，這在一定程度上也印證了我國(guó)債券市場(chǎng)發(fā)行的債券以中短期債券為主的特點(diǎn)。

從圖1來看，“兩步法”得到的NS三因子與利率期限結(jié)構(gòu)實(shí)際的水平、斜率、曲率情況非常一致，相關(guān)系數(shù)分別達(dá)到0.86、0.97、0.95。筆者使用剝離的三因子對(duì)利率數(shù)據(jù)進(jìn)行擬合，以真實(shí)值與擬合值之差，即et=yt-表示定價(jià)誤差，et的統(tǒng)計(jì)結(jié)果如表1所示。

從表1來看，除5年期關(guān)鍵點(diǎn)以外，其他關(guān)鍵期限點(diǎn)的平均偏差均值均小于2BP，部分期限點(diǎn)的平均偏差不到1BP。偏差的標(biāo)準(zhǔn)差最大不足7BP，偏差的最大值和最小值均小于30BP，擬合效果較好。從圖2來看，5年期國(guó)債收益率的實(shí)際值和NS模型的擬合值幾乎完全重合，直觀地顯示出NS模型擬合收益率曲線的有效性。

（二）使用ADNS模型預(yù)測(cè)國(guó)債收益率曲線

本文基于2006年3月至2020年12月中債國(guó)債即期收益率曲線的日度數(shù)據(jù)，按月平均法生成178組月度數(shù)據(jù)，然后取其中關(guān)鍵期限（包括3個(gè)月、6個(gè)月、9個(gè)月以及1至10年共計(jì)13個(gè)關(guān)鍵期限）的利率月度數(shù)據(jù)進(jìn)行建模，數(shù)據(jù)來源為中債金融估值中心有限公司。其中，以2006年3月至2014年6月的數(shù)據(jù)作為訓(xùn)練集，其余部分作為樣本外預(yù)測(cè)區(qū)間。設(shè)定的預(yù)測(cè)步長(zhǎng)分別為1個(gè)月、3個(gè)月和6個(gè)月?；贏DNS模型，預(yù)測(cè)過程可分為三步：提取三因子;使用ADNS算法進(jìn)行參數(shù)估計(jì)，對(duì)相應(yīng)區(qū)間的三因子進(jìn)行預(yù)測(cè);使用預(yù)測(cè)的三因子數(shù)據(jù)預(yù)測(cè)利率期限結(jié)構(gòu)。

為了對(duì)比ADNS模型的預(yù)測(cè)效果，本文以文獻(xiàn)中一些經(jīng)典的國(guó)債收益率預(yù)測(cè)方法作為對(duì)照組。下面對(duì)相關(guān)模型進(jìn)行簡(jiǎn)單介紹。

一是隨機(jī)游走模型（Random Walk Model）：

隨機(jī)游走模型假設(shè)未來利率值不發(fā)生變化，即當(dāng)前利率就是未來利率的預(yù)測(cè)值。

二是CIR模型。Cox等（1985）將利率期限結(jié)構(gòu)視為一種隨機(jī)過程，假設(shè)瞬時(shí)利率符合平方根過程，利率的變動(dòng)服從非中心卡方分布，利率的隨機(jī)微分方程可以表示為：

其中，rt代表t時(shí)刻的利率;Wt為布朗運(yùn)動(dòng);α，μ，σ為相應(yīng)參數(shù);μ代表利率的長(zhǎng)期均值;α為正數(shù)，表示利率恢復(fù)到長(zhǎng)期均值的速度;σ表示利率的波動(dòng)率。

三是DNS（Dynamic Nelson-Siegel）模型。按照Diebold和Li（2006）提供的方法，解析出三因子之后，分別使用AR模型和VAR模型對(duì)三因子進(jìn)行預(yù)測(cè)，通過預(yù)測(cè)的三因子計(jì)算對(duì)應(yīng)期限的國(guó)債收益率。對(duì)于AR和VAR模型的參數(shù)估計(jì)，使用滾動(dòng)外推預(yù)測(cè)的方法：即選擇前n個(gè)樣本進(jìn)行參數(shù)估計(jì)，對(duì)第n+1個(gè)樣本進(jìn)行預(yù)測(cè)，如利用第1～20個(gè)樣本預(yù)測(cè)第21個(gè)樣本，利用第2～21個(gè)樣本預(yù)測(cè)第22個(gè)樣本，以此類推。筆者這里設(shè)定的滾動(dòng)區(qū)間長(zhǎng)度為30個(gè)月。表2為預(yù)測(cè)結(jié)果對(duì)比。

從統(tǒng)計(jì)結(jié)果來看，當(dāng)預(yù)測(cè)步長(zhǎng)為1個(gè)月時(shí)，ADNS模型相對(duì)于其他模型并無顯著優(yōu)勢(shì)，尤其是相對(duì)于隨機(jī)游走模型而言，ADNS模型表現(xiàn)甚至略差。但隨著步長(zhǎng)的擴(kuò)大，ADNS模型優(yōu)勢(shì)逐漸凸顯：當(dāng)預(yù)測(cè)步長(zhǎng)為3個(gè)月時(shí)，可比模型的均方根誤差（RMSE）比ADNS模型平均高7.8%～65.2%，可比模型的MAE比ADNS模型平均高9.2%～62.4%;當(dāng)預(yù)測(cè)步長(zhǎng)為6個(gè)月時(shí)，可比模型的RMSE比ADNS平均高10.3%～48.6%，可比模型的MAE比ADNS模型平均高14.3%-43.4%。

基于ADNS模型的國(guó)債收益率影響因素分析

（一）國(guó)債收益率影響因素分析

國(guó)債收益率是重要的基準(zhǔn)利率，探究其影響因素對(duì)宏觀調(diào)控和微觀資產(chǎn)組合管理具有重要意義。然而，在目前的文獻(xiàn)中，相關(guān)模型均暗含同一假設(shè)，即經(jīng)濟(jì)變量之間的關(guān)系在樣本區(qū)間內(nèi)不變，這與宏觀經(jīng)濟(jì)變量的固有周期屬性不符，會(huì)降低結(jié)論的科學(xué)性。

上文介紹的ADNS模型則能較好地解決這一問題。下面筆者將采用ADNS模型來探討國(guó)債收益率的影響因素以及動(dòng)態(tài)影響機(jī)理。根據(jù)相關(guān)文獻(xiàn)，本文選取的宏觀因子如表3所示。

筆者就宏觀因子對(duì)國(guó)債收益率曲線的影響程度進(jìn)行初步分析，即基于全樣本數(shù)據(jù)構(gòu)建OLS模型，從國(guó)債收益率曲線提取水平、斜率、曲率三因子，并對(duì)四個(gè)宏觀因子進(jìn)行回歸，得到的結(jié)果如表4所示。

從表4來看，宏觀因子對(duì)國(guó)債收益率曲線的三因子有著不同的沖擊效力。根據(jù)康書隆和王志強(qiáng)（2010）的研究，水平因子和斜率因子是決定利率期限結(jié)構(gòu)變化最主要的因素，二者能解釋利率期限結(jié)構(gòu)平均變動(dòng)的98%，曲率因子對(duì)利率期限結(jié)構(gòu)的解釋程度遠(yuǎn)不如水平因子和斜率因子。因此，筆者將重點(diǎn)分析水平因子和斜率因子。

對(duì)水平因子而言，首先，經(jīng)濟(jì)景氣指數(shù)MCI的系數(shù)顯著為正，即當(dāng)經(jīng)濟(jì)形勢(shì)向好，尤其是經(jīng)濟(jì)增速觸底反彈時(shí)，投資需求上升，進(jìn)而拉動(dòng)長(zhǎng)端利率上行。其次，CPI的系數(shù)雖仍為正，但不顯著，說明在考慮宏觀景氣因素之后，CPI對(duì)長(zhǎng)端利率沒有統(tǒng)計(jì)上的顯著影響。這個(gè)結(jié)論與康書隆和王志強(qiáng)（2010）的結(jié)論一致，即長(zhǎng)期利率的變動(dòng)領(lǐng)先于CPI，CPI不能作為水平因子的解釋變量。最后，F(xiàn)R007以及USyield_10Y的收益率也顯著為正，說明經(jīng)濟(jì)基本面不能完全解釋收益率水平的變動(dòng)，需要考慮資金面以及中美利率的聯(lián)動(dòng)性。

相對(duì)于水平因子，斜率因子的系數(shù)出現(xiàn)了明顯變化。MCI和USyield_10Y的系數(shù)由顯著為正轉(zhuǎn)為顯著為負(fù)，F(xiàn)R007的系數(shù)仍顯著為正，而CPI系數(shù)依然不顯著。這是因?yàn)槲飪r(jià)對(duì)各個(gè)期限利率的影響趨同，所以對(duì)斜率的影響相對(duì)較小。其他變量系數(shù)發(fā)生變化的原因在于：資金利率FR007通常影響收益率曲線短端，宏觀景氣MCI以及美國(guó)國(guó)債收益率USyield_10Y更多影響的是收益率曲線長(zhǎng)端。曲線斜率更多是依賴于短端的變化，因此FR007系數(shù)為正，而MCI以及USyield_10Y的系數(shù)為負(fù)。

（二）基于ADNS模型的實(shí)證研究

1. ADNS模型的構(gòu)建與影響系數(shù)估計(jì)

接下來，為捕捉經(jīng)濟(jì)基本面對(duì)國(guó)債收益率的時(shí)變影響特征，筆者構(gòu)建ADNS模型：

其中，ξi， t～N（0， σ2i， t ），（i=1， 2， 3）為收益率曲線的三因子，， jt（j=1， 2， 3， 4）分別代表MCI、CPIt、FR007和USyield_10Y對(duì)第i個(gè)因子的回歸系數(shù)。為了方便，這里僅考慮向前1期的因子預(yù)測(cè)。筆者使用相應(yīng)的數(shù)據(jù)，對(duì)2009年6月至2020年12月的國(guó)債數(shù)據(jù)進(jìn)行樣本外預(yù)測(cè)，分析4個(gè)宏觀因子對(duì)國(guó)債收益率影響程度的時(shí)變性。

由于國(guó)債收益率由三因子組合而成，因此需要根據(jù)模型（1）和模型（7）對(duì)估計(jì)的三因子參數(shù)進(jìn)行合并計(jì)算，得到各宏觀因子對(duì)國(guó)債收益率的回歸系數(shù)，計(jì)算公式如（8）所示：

其中， （j=1， 2， 3， 4）代表MCI、CPI、FR007和USyield_10Y對(duì)期限為τ的國(guó)債收益率的影響系數(shù)。為方便分析，設(shè)定τ=10，即分析4個(gè)宏觀因子對(duì)10年期國(guó)債收益率的影響。圖3展示使用ADNS模型估計(jì)的影響系數(shù)。

2. 影響系數(shù)分析

整體來看，在2009年6月至2020年12月，不同時(shí)點(diǎn)各宏觀影響因子對(duì)10年期國(guó)債收益率的影響系數(shù)在不同時(shí)段呈現(xiàn)出明顯差異，分析如下。

第一，當(dāng)存在外部沖擊時(shí)，經(jīng)濟(jì)景氣度的邊際恢復(fù)對(duì)國(guó)債收益率的影響或?qū)@著放大。2009年末，我國(guó)經(jīng)濟(jì)在經(jīng)歷全球性金融危機(jī)后首次呈現(xiàn)了V形反彈，帶動(dòng)市場(chǎng)投資者對(duì)我國(guó)經(jīng)濟(jì)中長(zhǎng)期修復(fù)的樂觀情緒，國(guó)債收益率出現(xiàn)快速反彈，MCI對(duì)10年期國(guó)債收益率的影響系數(shù)顯著上升。同樣，盡管2019年底新冠肺炎疫情暴發(fā)導(dǎo)致我國(guó)經(jīng)濟(jì)景氣度快速下行，但對(duì)國(guó)債收益率的負(fù)面沖擊并未同步放大，而是階段性降低。與此同時(shí)，2020年下半年市場(chǎng)景氣度的V形反轉(zhuǎn)則加速帶動(dòng)我國(guó)國(guó)債收益率上行。

第二，CPI對(duì)國(guó)債收益率的傳導(dǎo)存在一定的滯后效應(yīng)。在2012年之前，CPI對(duì)10年期國(guó)債收益率的影響系數(shù)與CPI自身走勢(shì)具有較強(qiáng)的聯(lián)動(dòng)性，但在2012年之后，特別是在2012年下半年至2018年底，CPI在1%～3%的區(qū)間內(nèi)窄幅波動(dòng)，這也間接導(dǎo)致CPI的影響系數(shù)呈現(xiàn)波動(dòng)性。這或與CPI對(duì)我國(guó)通脹壓力的指示效果減弱有關(guān)。從圖4來看，自2012年起，我國(guó)PPI與CPI出現(xiàn)較長(zhǎng)時(shí)間的背離。以2015下半年、2018年初至2020年上半年兩個(gè)區(qū)間為例，周期性行業(yè)產(chǎn)能過剩導(dǎo)致大宗商品價(jià)格下降，經(jīng)濟(jì)下行壓力較大，工業(yè)品出廠價(jià)格指數(shù)（PPI）增速大幅走低，經(jīng)濟(jì)進(jìn)入通縮周期，國(guó)債收益率同步下行。而同期CPI增速卻呈波動(dòng)上升趨勢(shì)，主要原因在于同期豬肉價(jià)格大幅上升。這也印證了表4的結(jié)論，即CPI不適合作為長(zhǎng)期利率的解釋變量。

第三，我國(guó)貨幣市場(chǎng)與債券市場(chǎng)的聯(lián)動(dòng)性也在發(fā)生變化。從圖3來看，F(xiàn)R007在不同時(shí)間點(diǎn)顯示出對(duì)10年期國(guó)債收益率不同的沖擊效應(yīng)：在2010年底至2014年二季度，F(xiàn)R007對(duì)10年期國(guó)債收益率的影響系數(shù)基本維持在0附近;自2014年三季度開始，F(xiàn)R007對(duì)10年期國(guó)債收益率的影響系數(shù)明顯上升，并隨FR007出現(xiàn)同向變動(dòng)，主要原因或在于貨幣政策工具發(fā)生變化。具體而言，自2014年起，央行開始使用結(jié)構(gòu)性貨幣政策工具，如常備借貸便利（SLF）、中期借貸便利（MLF）以及抵押補(bǔ)充貸款（PSL）等，進(jìn)行基礎(chǔ)貨幣投放。根據(jù)張克菲、吳晗（2018）的研究，MLF、PSL對(duì)貨幣市場(chǎng)中期利率在短期內(nèi)有顯著影響，PSL對(duì)債券市場(chǎng)長(zhǎng)期利率水平有一定的引導(dǎo)作用。這意味著結(jié)構(gòu)性貨幣政策工具使得貨幣市場(chǎng)與債券市場(chǎng)有了共同的利率“錨”，貨幣市場(chǎng)與債券市場(chǎng)之間的聯(lián)動(dòng)性更加顯著。

第四，美國(guó)國(guó)債收益率在不同時(shí)段對(duì)我國(guó)10年期國(guó)債收益率的沖擊效應(yīng)也存在明顯差異。筆者認(rèn)為，美國(guó)國(guó)債收益率對(duì)我國(guó)國(guó)債收益率的影響主要與中美貨幣政策是否趨同有關(guān)。在2008年次貸危機(jī)之后，美聯(lián)儲(chǔ)開啟了三輪量化寬松政策，同期中國(guó)推出了“四萬億”經(jīng)濟(jì)刺激方案，中美貨幣政策同步性增強(qiáng)，導(dǎo)致中美長(zhǎng)期國(guó)債收益率的相關(guān)性明顯增強(qiáng)。從圖3來看，自2010年下半年以來，美國(guó)國(guó)債收益率對(duì)中國(guó)國(guó)債收益率的傳導(dǎo)效應(yīng)較此前明顯增強(qiáng)。而在2014年至2018年，美國(guó)國(guó)債收益率對(duì)中國(guó)國(guó)債收益率的影響系數(shù)逐步走低，可能因?yàn)樵谶@段時(shí)間中美貨幣政策的同步性減弱。

根據(jù)匯率平價(jià)理論，當(dāng)美國(guó)國(guó)債收益率出現(xiàn)大幅上升時(shí)，國(guó)內(nèi)利率將迫于人民幣匯率穩(wěn)定壓力跟隨美債利率上行。因此一般認(rèn)為，當(dāng)美國(guó)經(jīng)濟(jì)景氣度上行或美元走強(qiáng)導(dǎo)致美債收益率上升時(shí)，國(guó)內(nèi)利率將跟隨美債收益率上行而上行。然而事實(shí)上，自2014年以來，美國(guó)在經(jīng)歷了三輪量化寬松后經(jīng)濟(jì)穩(wěn)步復(fù)蘇，各項(xiàng)經(jīng)濟(jì)指標(biāo)向好，美聯(lián)儲(chǔ)于2015年12月宣布進(jìn)入加息周期，9次上調(diào)聯(lián)邦基金目標(biāo)利率。在此背景下，我國(guó)政府并未迫于穩(wěn)匯率壓力跟隨美國(guó)加息，而是考慮到我國(guó)經(jīng)濟(jì)發(fā)展處于新常態(tài)階段，經(jīng)濟(jì)增速放緩，央行自2014年11月后保持了連續(xù)降息、降準(zhǔn)的相對(duì)寬松的貨幣政策，引導(dǎo)利率下行。因此，美國(guó)國(guó)債收益率上升并未引致我國(guó)國(guó)債收益率上升。

2018年底至今，中美利率聯(lián)動(dòng)效應(yīng)再次增強(qiáng)，特別是在疫情對(duì)經(jīng)濟(jì)造成嚴(yán)重沖擊的背景下，中美兩國(guó)貨幣政策方向再度趨同，美國(guó)自2019年起進(jìn)入降息周期，中國(guó)維持穩(wěn)健且適度靈活的貨幣政策對(duì)沖疫情對(duì)經(jīng)濟(jì)造成的負(fù)面影響?？梢钥闯?，中美利率聯(lián)動(dòng)效應(yīng)更多是通過貨幣政策間接關(guān)聯(lián)，美債收益率對(duì)我國(guó)國(guó)債收益率的直接傳導(dǎo)機(jī)制尚不明顯。

結(jié)論

筆者在NS模型的基礎(chǔ)上，構(gòu)建自適應(yīng)動(dòng)態(tài)算法，監(jiān)測(cè)模型參數(shù)的時(shí)變性，進(jìn)而擬合并預(yù)測(cè)利率期限結(jié)構(gòu)。從預(yù)測(cè)結(jié)果來看，ADNS模型對(duì)國(guó)債收益率的樣本外預(yù)測(cè)效果優(yōu)于其他相關(guān)的時(shí)間序列模型。筆者基于ADNS模型探究了各宏觀影響因子對(duì)我國(guó)10年期國(guó)債收益率的宏觀影響因子的動(dòng)態(tài)影響機(jī)理，研究發(fā)現(xiàn)，宏觀影響因子對(duì)國(guó)債收益率的影響效應(yīng)在不同時(shí)間段存在明顯差異。從研究結(jié)果來看，ADNS模型能較好地預(yù)測(cè)利率期限結(jié)構(gòu)，有助于增厚投資收益。此外， ADNS模型能夠較好地捕捉參數(shù)的動(dòng)態(tài)變化，有助于監(jiān)管機(jī)構(gòu)對(duì)國(guó)債收益率曲線的影響因素進(jìn)行精準(zhǔn)分析。

參考文獻(xiàn)

[1] 康書隆，王志強(qiáng). 中國(guó)國(guó)債利率期限結(jié)構(gòu)的風(fēng)險(xiǎn)特征及其內(nèi)含信息研究[J]. 世界經(jīng)濟(jì)，2010，33（7）：121-143.

[2] 張克菲，吳晗. 結(jié)構(gòu)性貨幣政策工具如何影響利率傳導(dǎo)機(jī)制？——基于SLF、MLF和PSL的實(shí)證研究[J]. 金融與經(jīng)濟(jì)，2018（11）：15-21.

[3] Chen Y， Hardle W， Pigorsch U. Localized Realized Volatility Modelling[J]. Journal of the American Statistical Association， 2010， 105（492）： 1376-1393.

[4] Chen Y， Niu L. Adaptive dynamic Nelson-Siegel Term Structure Model with Applications[J]. Journal of Econometrics， 2014， 180（1）： 98-115.

[5] Diebold F X， Li C. Forecasting the Term Structure of Government Bond Yields[J]. Journal of Econometrics， 2006， 130（2）： 337-364.

[6] Nelson C， Siegel A. Parsimonious Modeling of Yield Curve[J]. Journal of Business， 1987， 60（4）： 473-489.

[7] Pesaran M H， Timmermann A. Selection of estimation window in the presence of breaks[J]. Journal of Econometrics， 2007， 137（1）： 134-161.