基于MCS方法的高斯仿射利率期限結構模型研究

鮑 杰，葛 靜

(華中科技大學經(jīng)濟學院，湖北 武漢 430074)

基于MCS方法的高斯仿射利率期限結構模型研究

鮑 杰，葛 靜

(華中科技大學經(jīng)濟學院，湖北 武漢 430074)

本文在最小卡方估計方法基礎上研究了高斯仿射利率模型的參數(shù)識別和估計問題。以標準化高斯模型為起點，從結構化模型和簡約化模型參數(shù)的函數(shù)關系出發(fā)研究高斯仿射模型的可識別性，最小卡方估計量繼承了結構化模型極大似然估計量的所有漸進性質(zhì)并保證了參數(shù)估計量的可靠性。以上交所2006-2013年隱含于國債價格月度數(shù)據(jù)的零息票收益率為樣本采用最小卡方方法實證研究了高斯仿射期限模型，結論表明高斯仿射模型很好的擬合了觀測的期限結構，并且整體上看簡約型和結構型參數(shù)估計量的統(tǒng)計性質(zhì)的優(yōu)劣具有一致性。

高斯仿射期限結構；可識別性；極大似然估計量；最小卡方估計量

1 引言

在利率市場化背景下，如何有效的估計和預測無風險利率期限結構成為金融風險管理和衍生品定價的關鍵問題之一。目前已有大量文獻集中于利率期限結構的動態(tài)演變研究，發(fā)展過程經(jīng)歷了由一般均衡模型到無套利模型、由單因子利率模型到多因子模型，這一變化的驅(qū)動因素是模型能否快速有效地捕捉到市場信息，準確地給出利率的預測值。其中，在無套利框架下，由Vasicek[1]，Duffie和Kan Rui[2]，Dai Qiang和Singleton[3]以及Duffee[4]建立的高斯仿射模型成為研究利率期限結構的基礎。這類模型的優(yōu)勢在于以完全解析的方式給出了資產(chǎn)和風險的市場價格，同時也以解析的方式給出模型參數(shù)對資產(chǎn)價格變化的邊際影響。Duffee[4]，Cochrane和Piazzesi[5]利用該方法測度利率期限結構中的風險溢價，Christensen, Diebold和 Rudebusch[6]給出的無套利動態(tài)Nelson和Siegel[7]利率模型是帶約束的高斯仿射模型，他們檢驗了P-測度下模型參數(shù)的不同約束條件對利率期限結構預測的影響。

高斯仿射期限結構模型即收益率由Nl個不可觀測的定價因子線性表示，定價因子滿足受約束的VAR,盡管它具有諸多優(yōu)勢，但是同時這類模型在理論層面和實證層面也存在一定的不足：在理論層面，高斯仿射期限結構模型參數(shù)的存在識別性問題。如果模型的同一個輸出值存在多個輸入?yún)?shù)向量，那么這個模型在這點就是不可識別的，在統(tǒng)計上也就無法使用觀測的數(shù)據(jù)來估計模型的參數(shù)，Collin-Dufresne，Goldstein和Jones[8]，A?t-Sahalia和Kimmel[9]證明DaiQiang和Singleton[3]的經(jīng)典表示是不可識別的；在實證研究層面，由于似然函數(shù)的高度非線性和似然曲面的多峰性問題，采用數(shù)值方法對高斯模型的參數(shù)估計時對初始值有嚴格的要求。Kim[10]指出由于無套利模型待估參數(shù)較多以及參數(shù)和收益率之間的非線性關系，數(shù)值計算需要尋找一個較好的初始值以滿足非線性系統(tǒng)的收斂性。同時，Ang和Piazzesi[11]也指出在使用極大似然法估計多因子模型參數(shù)時，高度非線性系統(tǒng)需要一個較好的初始值以滿足系統(tǒng)的收斂性。通常對收斂性問題的處理方法是用數(shù)百個初始值進行搜索直到系統(tǒng)穩(wěn)定，但是Hamilton和Wu[12]證明這種方法并不能保證得到的參數(shù)是全局最大值。

上述高斯仿射模型存在的參數(shù)可識別性和實證研究參數(shù)的估計問題，可以從結構化模型和簡約化模型參數(shù)的函數(shù)關系出發(fā)同時得到解決。在模型參數(shù)的可識別性方面，可以直接從結構型參數(shù)和簡約型參數(shù)的函數(shù)關系得到，結構型衍生出的簡約化模型參數(shù)估計量是一個可以識別的OLS估計量，如果兩者參數(shù)個數(shù)相等，則結構化模型恰好可識別；如果結構化模型參數(shù)少于簡約化模型，它則過度識別。在參數(shù)估計的實證層面，最小化卡方估計方法(Minimum-Chi-Square，MCS)實現(xiàn)簡約化參數(shù)和結構化參數(shù)之間的轉(zhuǎn)換。Rothenberg[13]將MCS方法應用于參數(shù)統(tǒng)計推斷，證明當簡約型估計量是無約束的MLE以及權重矩陣是信息矩陣時，最小卡方估計量(Minimum-Chi-SquareEstimation，MCSE)與完全信息MLE是漸進等價的。在仿射期限結構模型中，Hamilton和Wu[12]證明MCSE能夠抓住MLE估計量的所有漸進優(yōu)勢并且它們的漸進協(xié)方差相等，同時避免了與MLE相關的大量數(shù)值問題。雖然簡約型和結構型參數(shù)的轉(zhuǎn)換常常也包含數(shù)值計算，但是包含的數(shù)值成分遠遠少于MLE估計結構化模型的數(shù)值成分。在結構化模型恰好可識別的情況下，MCS方法比MLE方法有更大的優(yōu)勢，理論上可以確定得到的參數(shù)估計量是最大似然估計量，而在過度識別的情況下，MCS方法仍然有效，此時參數(shù)是無約束簡約型參數(shù)估計量的函數(shù)。

最近的利率期限結構文獻包括Christensen，Diebold和Rudebusch[6]給出了無套利動態(tài)Nelson-Siegel利率模型，理論上將DNS模型的無套利化，并給出了水平因子，斜率因子和曲率因子的簡潔表示，與以前的利率期限結構模型相比，它顯著地提升了實證的可操作性和預測效果。Joslin，Singleton和ZhuHaoxiang[14]給出了一個仿射期限結構模型的經(jīng)典表示，理論上極大的提高了似然函數(shù)的收斂性。Collin-Dufresne，Goldstein和Jones[8]給出了基于零息票利率衍生產(chǎn)品的期限結構表示，指出了使用可觀測變量而不是不可觀測的潛在變量表示利率期限結構的優(yōu)點。吳恒煜等[17]應用兩因子Vasicek模型在狀態(tài)空間框架下結合卡爾曼濾波方法研究了上海證券交易所國債利率期限結構，研究表明GumbelCopula和混合Copula能較好的刻畫1年期和20年期利率觀測誤差的相依性，并且GumbelCopula能夠更有效地捕捉到國債投資組合的風險。周榮喜和王曉光[18]構建了三因子CIR過程,采用卡爾曼濾波估計方法并利用蒙特卡羅模擬對我國國債進行定價預測，結論表明多因子模型要優(yōu)于單因子模型，雙因子模型要略優(yōu)于三因子模型，為國債的合理定價提供了技術支持。文興易和黎實[19]提出了基于局部線性逼近DNS模型，結果表明該模型的無論是樣本內(nèi)的擬合效果還是樣本外的預測效果均優(yōu)于原模型。

2 高斯仿射期限結構模型及實證方法

首先建立離散情形下的高斯仿射期限結構模型，給出Q-測度和P-測度下的期限結構的表示；然后從Dai和Singleton[3]的標準化表示出發(fā)，從結構化模型和簡約化模型的關系角度研究結構化模型參數(shù)的可識別性；最后給出結構化模型的MCS估計方法。

2.1 高斯仿射模型

考慮一個(M×1)的向量Ft，它的動態(tài)性由一個高斯自回歸過程表示：

Ft+1=c+ρFt+∑ut+1

(1)

其中，ut+1～i.i.d.N(0,IM)。由這個表示可以得到Ft+1的條件分布：

Ft+1|Ft,Ft-1…F1～N(μt,∑∑′)

μt=c+ρFt

(2)

令rt表示單期的無風險利率，假定Ft包含了價格變化的所有因素，則時刻t貼現(xiàn)資產(chǎn)的價格是Pt(Ft)。在風險中性條件下，貼現(xiàn)資產(chǎn)的價格滿足：

Pt(Ft)=exp(-rt)Et[Pt+1(Ft+1)]=exp(-rt)∫Pt+1(Ft+1)φ(Ft+1;μt,∑∑′)dFt+1

(3)

其中，φ(y;μ,Ω)是M維的正態(tài)密度函數(shù)，具體可以表示為：

(4)

對于風險規(guī)避投資者而言，貼現(xiàn)資產(chǎn)價格更為一般的情形是(3)式可以表示為：

Pt(Ft)=Et[Pt+1(Ft+1)Mt,t+1]=∫Pt+1(Ft+1)[Mt,t+1φ(Ft+1;μt,∑∑′)]dFt+1

(5)

其中，Mt,t+1表示定價核。在仿射利率期限結構中，給出了一個特殊的定價核：

Mt,t+1=exp[-rt-(1/2)λt′λt-λt′ut+1]

(6)

其中λt是(M×1)維向量表示投資者對風險的態(tài)度，λt=0是風險中性的情形。由(4)和(6)可以得到：

(7)

(8)

仿射期限結構模型進一步假定風險因子的市場價格是因子的仿射函數(shù)：

λt=λ+ΛFt

(9)

cQ=c-∑λ

(10)

ρQ=ρ-∑Λ

(11)

(12)

假定單期無風險利率同樣是風險因子的仿射函數(shù)：rt=δ0+δ1′Ft

(13)

在上述假定下，Ang和Piazzesi[11]證明n-期無風險零息票債券的收益率可以表示為：

(14)

(15)

(16)

如果知道Ft的值以及cQ,ρQ,∑,δ0和δ1的值，就可以預測任意期限n的收益率。

在以上的分析中，仿射期限結構模型存在三套參數(shù)：(1)P-測度下的參數(shù)c、ρ和∑；(2)風險價格的參數(shù)λ和Λ；(3)Q-測度下的參數(shù)cQ,ρQ和∑。如果知道了這三套參數(shù)中的任意兩套則可以利用(10)和(11)得出第三套參數(shù)。

(17)

2.2 高斯仿射模型的識別

在高斯仿射期限結構模型中，不存在觀測誤差的Nl個收益率滿足一個施加約束條件的VAR。從結構化模型到簡約型的VAR模型，根據(jù)兩模型參數(shù)的映射關系可以判斷出結構型參數(shù)是否可識別。在一個映射關系中，如果有兩個不同的結構型參數(shù)值對應于同一個簡約型參數(shù)值，那么結構化模型的參數(shù)就是不可識別的。

在高斯仿射過程的經(jīng)典表示中，DaiQiang和Singleton[3]對P-測度下因子過程施加的標準化條件為：Σ=INl，δ1≥0，c=0以及ρ為下三角矩陣；Le，DaiQiang和Singleton[16]對Q-測度下因子過程施加的標準化條件為：Σ=INl，δ1≥0，cQ=0以及ρQ為下三角矩陣。本文結合這兩種標準化條件，給出高斯仿射模型的因子過程標準化條件：Σ=INl，δ1≥0，c=0以及ρQ為下三角矩陣。將該條件代入(1)然后方程兩邊同時左乘以B1得到如下簡約型VAR方程：

(18)

(19)

(20)

(21)

(22)

(23)

(24)

(25)

注：每一行中的“√”表示結構化模型參數(shù)到簡約化模型參數(shù)映射的元素。

(26)

(27)

2.3 高斯仿射模型的估計

由于仿射期限結構的簡約型參數(shù)可以通過OLS方法獲得，因此一個更為可行的方法是用簡約模型參數(shù)的最大似然性代替結構模型直接對參數(shù)估計的最大似然性，然后將參數(shù)估計量在兩者之間進行轉(zhuǎn)換。

2.3.1 最小卡方估計方法

令π表示簡約模型的參數(shù)向量(VAR的OLS系數(shù))，(π;Y)表示全樣本的對數(shù)似然函數(shù)，=argmax(π;Y)表示完全信息似然函數(shù)估計量，是信息矩陣的一致估計量：

可以通過計算通常的Wald統(tǒng)計量檢驗已知參數(shù)向量的函數(shù)π=g(θ)：

(28)

對于恰好可識別的情形，(28)式的值恰好為零，不失一般性的最小化如下表達式：

(29)

2.3.2 高斯仿射模型的參數(shù)估計

對于Ne=1的情形即模型恰好可識別，給出結構化模型的參數(shù)估計值。簡約化模型的參數(shù)向量可表示為：

在Nl=3和Ne=1的情況下，根據(jù)表1中兩類模型之間的映射關系，最小化(29)使得結構型參數(shù)通過簡約型參數(shù)轉(zhuǎn)換得到，具體步驟如下：

(2)ρQ和δ1的值可以用數(shù)值方法解(24)和(26)得到：

(3)ρ的值可以對(21)用解析的方法得到：

(4)通過數(shù)值求解(20)和(23)式可以得到δ0和cQ的值：

3 高斯仿射期限結構的實證研究

與理論部分保持一致，結合簡約模型和結構化模型參數(shù)的函數(shù)關系，高斯仿射期限結構模型MCS方法的實證研究主要包含兩個部分：其一，簡約模型的參數(shù)估計。簡約模型實質(zhì)上是一個VAR模型，直接采用OLS方法估計；其二，結構化模型的參數(shù)估計。利用2.3.2部分簡約模型和結構模型參數(shù)的函數(shù)關系，采用MCS方法實現(xiàn)簡約型參數(shù)向結構型參數(shù)的轉(zhuǎn)換。

3.1 數(shù)據(jù)來源及處理

隨著中國資本市場的不斷深化發(fā)展和創(chuàng)新，中國國債期限結構也在不斷豐富，而且隨著國債期貨推出時間的臨近，可以預測的是中國國債市場的交易規(guī)模和交易頻率將會有顯著的提升，國債市場的市場活力進一步增強，這些因素將會提高國債期限結構的市場化程度。

3.2 簡約化模型的實證研究

圖1 簡約型模型1年期和2年期收益率的預測值和觀測值

φ?11φ?11(，1)φ?11(，2)φ?11(，3)A?1(φ?21)Tφ?11(1，)07381(009434)??03797(03445)-01979(03495)005818(04062)04757(002240)??φ?11(2，)-01654(006788)??13868(02478)??-04261(02514)?06947(02923)??11776(008191)??φ?11(3，)-01888(006548)??05897(02391)?03419(02425)?09668(02819)??-07465(008308)??

注：括號中數(shù)值為參數(shù)的標準誤，“*”表示參數(shù)值在5%水平上顯著，“**”表示在1%水平上顯著。

表3 簡約化模型(19)式參數(shù)以及(22)式

注：括號中數(shù)值為參數(shù)的標準誤，“*”表示參數(shù)值在5%水平上顯著，“**”表示在1%水平上顯著。

圖2 簡約型模型5年期和10年期收益率的預測值和觀測值

從表2和表3的估計結果可以看到，簡約模型的16個變量系數(shù)的估計值有著良好的統(tǒng)計性質(zhì)，它們在5%水平上基本顯著。從模型預測的角度看，結構型系統(tǒng)衍生出的簡約型系統(tǒng)可以用于收益率的預測。從圖1和圖2給出的收益率觀測值和預測值可以看到，簡約模型很好的刻畫了這四個期限的收益率。在樣本觀測期限內(nèi)，收益率預測值在一定的

精度范圍內(nèi)很好的把握了收益率觀測值的時間序列趨勢。

盡管從結構化模型的角度看，簡約模型的參數(shù)估計值僅僅是一個中間變量，它們的統(tǒng)計性質(zhì)似乎對結構型參數(shù)的估計不產(chǎn)生直接影響，但是這兩類模型之間的內(nèi)在聯(lián)系表明，簡約模型參數(shù)統(tǒng)計性質(zhì)的優(yōu)劣一定程度上也反應了結構化模型設定的合理性。如果簡約型參數(shù)有著良好的統(tǒng)計性質(zhì)，則簡約型系統(tǒng)用于收益率預測具有一定合理性，也就是說對應設定的結構化模型具有相應的理論和實證基礎，也能夠體現(xiàn)出結構型參數(shù)的統(tǒng)計信息，應該具有良好的統(tǒng)計性質(zhì)。因此，從表2和表3的參數(shù)統(tǒng)計性質(zhì)可以間接知道結構化模型的參數(shù)也應該具有良好的統(tǒng)計性質(zhì)。

3.3 基于MCS方法高斯仿射模型實證研究

高斯仿射模型的參數(shù)估計是本文的核心問題之一。MCS方法將簡約型參數(shù)估計值轉(zhuǎn)化為結構型參數(shù)估計值，其優(yōu)勢主要在于：其一，部分克服了數(shù)值最大化結構化模型似然函數(shù)的參數(shù)值可能不是全局最大值的問題，而且這種方法包含的數(shù)值計算成分很少，在計算上也具備相應的優(yōu)勢；其二，MCS方法參數(shù)估計量的統(tǒng)計性質(zhì)繼承了極大似然估計量的所有漸進性質(zhì)，兩種估計量的標準誤在統(tǒng)計上是等價的。結合2.3.2小節(jié)， 采用MCS方法估計結構化模型，參數(shù)估計的順序依次為∑e，ρQ，δ1，ρ，δ0和cQ，具體估計結果見表4和表5。

表4 高斯仿射模型(12)式參數(shù)ρQ和cQ以及(13)式δ1的估計值

注：表4給出的是Q-測度下因子過程的參數(shù)估計值，括號中數(shù)值為參數(shù)的漸進標準誤，它是用Chen和Scott[15]的極大似然方法得到。

表5 高斯仿射模型(18)式參數(shù)ρ和(13)式δ0以及(17)式Σe的估計值

注：表5給出的是P-測度下因子過程的參數(shù)估計值，括號中數(shù)值為參數(shù)的漸進標準誤，它是用Chen和Scott[15]的極大似然方法得到。

表4和表5給出了結構型參數(shù)估計值和標準誤，參數(shù)估計值是用MCS方法按照2.3.2小節(jié)的步驟得到，標準誤估計則是利用MLE和MCS估計量漸進標準誤的等價性，結合Chen和Scott[15]結構化模型的似然函數(shù)和已知的參數(shù)估計值得到。從表4和表5可以看到，結構型參數(shù)具有很好的統(tǒng)計性質(zhì)，這與簡約型參數(shù)保持了一致，因此，可以看到這兩類模型參數(shù)估計量的統(tǒng)計性質(zhì)的優(yōu)劣具有一致性。由于采用OLS方法得到簡約模型參數(shù)的統(tǒng)計信息簡單，一定程度上有助于結構化模型的合理設定。另外，需要正確的看待標準誤估計可能存在的異常情況。由于似然函數(shù)對參數(shù)的高度非線性，在參數(shù)估計值處進行數(shù)值微分可能發(fā)生突變，從而導致參數(shù)統(tǒng)計性質(zhì)不理想，這時對待異常的漸進標準誤需要謹慎。

4 結語

在利率市場化背景下，研究利率期限結構的動態(tài)過程是研究資產(chǎn)及衍生品定價、金融風險管理和資產(chǎn)組合配置等工作的基礎。在利率期限理論文獻中，仿射利率期限結構模型為研究利率形成機制的可操作性提供了便利，給出了利率的解析解或者是半解析解。但是，這類模型在理論和實證兩個方面存在一定的不足：在理論層面，高斯仿射期限結構模型參數(shù)的存在識別性問題，Collin-Dufresne，Goldstein和Jones[8]，A?t -Sahalia和Kimmel[9]證明Dai Qiang和Singleton[3]的經(jīng)典表示是不可識別的；在實證層面，用數(shù)值方法估計模型參數(shù)時似然函數(shù)優(yōu)化高度依賴初始值，通常用多個初始值搜索直到函數(shù)收斂得到的估計值并非是似然函數(shù)的全局最大值。針對上述高斯仿射期限結構的兩點不足，本文采用MCS方法加以修正，其結論如下：

(1)關于高斯仿射模型的參數(shù)識別。從高斯仿射模型的結構化模型和簡約模型參數(shù)的關系出發(fā)，簡約型參數(shù)是結構型參數(shù)的函數(shù)。如果結構型參數(shù)的個數(shù)多于簡約型則高斯模型不可識別，兩者參數(shù)個數(shù)相等則是恰好可識別，而結構型參數(shù)少于簡約型則是過度識別的。在三因子標準化期限結構表示框架下，本文指出在存在觀測誤差收益率的個數(shù)為1的情形下高斯模型恰好可識別，而觀測誤差期限的個數(shù)多于1的情形下模型是過度識別的。

(2)采用MCS方法得到參數(shù)的統(tǒng)計性質(zhì)。采用MCS方法將簡約型參數(shù)轉(zhuǎn)換為結構型，該估計量繼承了結構化模型極大似然估計量的所有漸進性質(zhì)，理論上這兩種方法得到的估計量在統(tǒng)計上無差異的。MCS方法相對于極大似然方法的優(yōu)勢在于參數(shù)估計過程數(shù)值計算的簡潔性和估計結果的可靠性，MCSE是結構化模型似然函數(shù)的全局最大值點。

(3)本文國債利率期限結構的實證研究結論。實證研究結果表明采用MCS方法的高斯仿射模型很好的擬合了觀測的期限結構，并且整體上看簡約型和結構型的參數(shù)估計量統(tǒng)計性質(zhì)的優(yōu)劣具有一致性。通常情況下，簡約型參數(shù)的估計量具有良好的統(tǒng)計性質(zhì)則意味著結構型參數(shù)也應該具有良好的性質(zhì)，這是由兩類模型的內(nèi)在一致性所決定的，實證結果也證實了這一點。

[1] Vasicek O. An equilibrium characterization of the term structure[J]. Journal of Financial Economics, 1977, 5(2):177-188.

[2] Duffie D, Kan Rui. A yield-factor model of interest rates[J]. Mathematical Finance, 1996, 6(4):379-406.

[3] Dai Qiang, Singleton K J. Expectations puzzles, time-varying risk premia and affine models of the term structure[J]. Journal of Financial Economics, 2002, 63(3):415-441.

[4] Duffee G R. Term premia and interest rate forecasts in affine models[J]. Journal of Finance, 2002, 57(1):405-443.

[5] Cochrane J H, Piazzesi M. Decomposing the yield curve[R].Working Paper,University of Chicago and NBER, 2008.

[6] Christensen J H E, Diebold F X, Rudebusch G D. The affine arbitrage-free class of nelson-siegel term structure models[J]. Journal of Econometrics, 2011, 164(1): 4-20.

[7] Nelson C R, Siegel A F. Parsimonious modeling of yield curves[J]. Journal of Business, 1987,60(4):473-489.

[8] Collin-Dufresne P, Goldstein R S, Jones C S. Identification of maximal affine term structure models[J]. Journal of Finance, 2008, 63(2): 743-795.

[9] A?t-Sahalia Y, Kimmel R L. Estimating affine multifactor term structure models using closed-form likelihood expansions[J]. Journal of Financial Economics,2010, 98(1):113-144.

[10] Kim D H. Challenges in macro-finance modeling[R]. Working Paper, Federal Reserve Bank of st. Louis,2009.

[11] Ang A., Piazzesi M. A no-arbitrage vector autoregression of term structure dynamics with macroeconomic and latent variables[J]. Journal of Monetary Economics, 2003, 50(4): 745-787.

[12] Hamilton J D, Wu J C. Identification and estimation of Gaussian affine term structure models[J]. Journal of Econometrics, 2012, 168(2): 315-331.

[13] Rothenberg T J. Efficient estimation with a priori information[M]. Yale University Press, 1973.

[14] Joslin S, Singleton K J, Zhu Haoxiang. A new perspective on gaussian dynamic term structure models[J]. Review of Financial Studies, 2011, 24(3): 926-970.

[15] Chen R R, Scott L. Maximum likelihood estimation for a multifactor equilibrium model of the term structure of interest rates[J]. The Journal of Fixed Income, 1993, 3(3): 14-31.

[16] Le A, Dai Qiang, Singleton K J. Discrete-time affine Q term structure models with generalized market prices of risk[J]. Review of Financial Studies, 2010, 23(5): 2184-2227.

[17] 吳恒煜,陳鵬,嚴武,等. 基于Copula的兩因子Vasicek利率模型實證研究[J]. 管理學報,2010,7(10): 1529-1534.

[18] 周榮喜，王曉光. 基于多因子仿射利率期限結構模型的國債定價[J]. 中國管理科學,2011,19(4): 26-30.

[19] 文興易，黎實. 基于局部線性逼近的利率期限結構動態(tài)NS模型[J].管理學報,2012,9(7): 975-978.

Gaussian Affine Term Structure Model of Interest Rate Based on MCS Approach

BAO Jie, GE Jing

(School of Economics, Huazhong University of Science and Technology, Wuhan 430074, China)

The paper is first to study the identification and estimation of Gaussian affine term structure of interest rate based on Minimum-Chi-Square method. As beginning with the normalized Gaussian model, the identification is from the functional relations of parameters between the structure model and reduced-form model, Minimum-Chi-Square estimation has inherited all the asymptotical properties of MLE in structure model and maintains the reliability of estimator. And then, With the term structure of yields implying in monthly bonds price from 2006 to 2013 in Shanghai Stock Exchange (SSE)， Gaussian affine term structure model is empirically applied using the MCS method and the results indicate that the Gaussian affine model gives good fitting of term structure and the merits of the statistical properties of estimators are consistent with structure and reduced-form model.

Gaussian affine term structure；identification；MLE；minimum-Chi-Square estimator

2013-09-05；

2014-03-25

鮑杰(1981-)，男(漢族)，山西臨汾人，華中科技大學經(jīng)濟學院博士生，研究方向：計量經(jīng)濟學、土地金融.

1003-207(2015)07-0010-08

10.16381/j.cnki.issn1003-207x.2015.07.002

F830.91

A