中國(guó)國(guó)債收益率曲線(xiàn)與宏觀(guān)經(jīng)濟(jì)預(yù)測(cè)

中國(guó)國(guó)債收益率曲線(xiàn)與宏觀(guān)經(jīng)濟(jì)預(yù)測(cè)收益率曲線(xiàn)數(shù)據(jù)，使用含隨時(shí)間變化系數(shù)因子的動(dòng)態(tài)Nelson-Siegel因子與變量對(duì)宏觀(guān)經(jīng)濟(jì)變量具有預(yù)測(cè)作用并且系數(shù)因子與經(jīng)濟(jì)不確定性相關(guān)。(一)背景及文獻(xiàn)綜述Clarida（2000）通過(guò)提出前瞻版本的泰勒法則將通貨膨脹和產(chǎn)出的預(yù)期與中央銀行目標(biāo)利率相聯(lián)系。近期許多研究，包括Ang（2008）、RudebuschWu（2008）、Joslin（2014），發(fā)現(xiàn)具有前瞻性的代理人揭示了通貨膨脹和經(jīng)濟(jì)增長(zhǎng)的預(yù)期以及預(yù)計(jì)的貨幣DewachterLyrio（2006）給收益率曲線(xiàn)中提取的潛在因子提供了宏觀(guān)經(jīng)濟(jì)子和曲率因子捕獲到有關(guān)商業(yè)周期狀態(tài)和貨幣政策立場(chǎng)相關(guān)的信息。Hillebrand（2018）也發(fā)現(xiàn)使用收益率曲線(xiàn)能提高對(duì)于美國(guó)產(chǎn)出增長(zhǎng)和通脹的預(yù)期。鮮等（2008）將宏觀(guān)經(jīng)濟(jì)變量作為因子納入仿射期限結(jié)構(gòu)模型（affinetermstructuremodel，ATSM），探究了不同期限利發(fā)現(xiàn)收益率利差對(duì)宏觀(guān)經(jīng)濟(jì)景氣程度具有均利用收益率曲線(xiàn)提取了和通脹預(yù)期相利用混頻數(shù)據(jù)進(jìn)一步研究了收益率曲線(xiàn)在解釋宏觀(guān)經(jīng)濟(jì)變量和提供政策建議方面的作用。盡管前文提到的標(biāo)準(zhǔn)收益率曲線(xiàn)三因子與宏觀(guān)經(jīng)濟(jì)之間的件均值和條件波動(dòng)的困難。Collin-DufresneUSV（unspannedstochasticvolatility）模型解決這一問(wèn)題。盡和提出了一種創(chuàng)新的USV且通過(guò)該模型從收益率曲線(xiàn)中提取了有關(guān)貨幣政策和期限溢價(jià)的不確定性因子。Cieslak也提出利率的波動(dòng)Koopman（2010）允許動(dòng)態(tài)Nelson-Siegel并且發(fā)現(xiàn)這一更靈活的模型對(duì)于未來(lái)收益率預(yù)測(cè)效果更好。既有研究已經(jīng)記錄了收益率曲線(xiàn)對(duì)未來(lái)經(jīng)濟(jì)周期的預(yù)測(cè)作用，以及二者之間的聯(lián)系。在收益率曲線(xiàn)模型當(dāng)中，Nelson-Siegel（Nelson模型經(jīng)常能夠有較好的預(yù)測(cè)作用。因此，本項(xiàng)目將討論和研究的重點(diǎn)集中在Nelson-SiegelDieboldLi（2006）展示了Nelson-Siegel模型能夠有更優(yōu)異的樣本外預(yù)測(cè)效果。Diebold（2008）Nelson-SiegelCoroneo（2016）Nelson-Siegel系。間變化的的動(dòng)態(tài)Nelson-Siegel模型出發(fā)，估計(jì)因子和其他Nelson-Siegel子系數(shù)大小的系數(shù)參數(shù)通常為固定值，因此因子系數(shù)不隨時(shí)間計(jì)在此基礎(chǔ)上我們可得到第四個(gè)系數(shù)因子即因子結(jié)表明 因子隨時(shí)間變化有較大幅度的變化且這一變化具有一由收益率曲線(xiàn)構(gòu)建的變量對(duì)宏觀(guān)經(jīng)濟(jì)中的部分關(guān)鍵變量進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與使用隨機(jī)游走模型獲得的預(yù)測(cè)結(jié)果進(jìn)行比較最后本項(xiàng)目嘗試對(duì)系數(shù)因子行宏觀(guān)經(jīng)濟(jì)解釋其他是取決于系數(shù)因子。所以，的變化應(yīng)該反映的是不同宏觀(guān)經(jīng)數(shù)來(lái)對(duì)的變化進(jìn)行初步解釋。在第二節(jié)會(huì)展示含有時(shí)間變化的動(dòng)態(tài)Nelson-Siegel果，第四節(jié)做出總結(jié)。(二)基本模型NelsonSiegel（1987）提出指數(shù)成分框架可以描繪很多Nelosn-Siegel數(shù)固定參數(shù)組成的簡(jiǎn)單形式：其中代表模型估計(jì)的t，m、和分別代表水平、斜率和曲率參數(shù)。Nelson和Siegel（1987）31盡管他們發(fā)現(xiàn)不同時(shí)期參數(shù)的最佳值變化很大但當(dāng)他們將的0.02固定值提供了基礎(chǔ)。Diebold和Li（2006）拓展了Nelson-Siegel模型，允許水平、斜率和曲率因子有動(dòng)態(tài)變化。具體模型為：其中，、和可隨時(shí)間變化而變化，而作為系數(shù)參影響程度Diebold和將固定為0.0609以最大化曲303120Nelson-SiegelNelson-SiegelNelson-Siegel提供更好的關(guān)于收益率的樣本外預(yù)測(cè)，尤其是針對(duì)較長(zhǎng)的預(yù)測(cè)期。AngBekaert（2002）。Koopman進(jìn)一步拓展了動(dòng)態(tài)Nelson-Siegel模型允許隨時(shí)間變量進(jìn)行預(yù)測(cè)。Nelson-Siegel模型中的因子系數(shù)由決定，其變化可能包含解釋收益率曲線(xiàn)形態(tài)的重要信息因此我們使含隨時(shí)間變化的 的動(dòng)態(tài)Nelson-Siegel模型：作用有著直接影響。例如，當(dāng)較大時(shí)，對(duì)于每一個(gè)期限m，斜率因子的系數(shù)都會(huì)較小，從而導(dǎo)致水平因子在決定收益率時(shí)起到更大的作用因此有可能包含了與經(jīng)濟(jì)和金融市場(chǎng)信息。為了更直觀(guān)地看出對(duì)因子系數(shù)的影響，圖1分別使用0.06和0.3的值，描繪了斜率和曲率因子在不同期限的系數(shù)。上半部分分別比較了不同數(shù)值時(shí)斜率和曲率因子系數(shù)的變化，而下半部分對(duì)比了同一因子在不同值條件下系數(shù)的變化情況。0.06為低值，0.3為高值。可以看出，無(wú)論的數(shù)值是多少，斜率因子的系數(shù)都隨著期限的增加而減小。但是，當(dāng)較大時(shí)，斜率系數(shù)的下降速度更快。曲率因子的系數(shù)隨期限先上升再下降，當(dāng)較大時(shí)，曲率因子的系數(shù)在更短的期限達(dá)到峰值，并且更快地下降到接近0的水平?？傮w來(lái)說(shuō)，較低的值意味著斜率相反地較高的值意味著水平因子起到相對(duì)更大的作用3、6、12、18、2424具體使用的模型如下：其中，為窗口內(nèi)的某一期th則為窗口內(nèi)t-h期的預(yù)測(cè)變量。和對(duì)應(yīng)的系數(shù)。從估計(jì)步驟中獲得的每一窗口期的估計(jì)系數(shù)記為和那么在預(yù)測(cè)步驟中，假定該窗口期的最后一期為濟(jì)變量的預(yù)測(cè)為：為關(guān)于宏觀(guān)經(jīng)濟(jì)變量從TT+h為不同的預(yù)測(cè)變量。方根誤差（RMSFE）：其中，是使用不同模型利用到t-h期數(shù)據(jù)對(duì)t期宏觀(guān)經(jīng)濟(jì)變量的預(yù)測(cè)。利用不同模型獲得的均方差（MSE）來(lái)衡量不同預(yù)測(cè)變量對(duì)RdbshWlim（20，使用Diebold-Mariano（DM）體來(lái)說(shuō)，構(gòu)建對(duì)應(yīng)預(yù)測(cè)期為h和分別為使用預(yù)測(cè)變量i和j對(duì)t期宏觀(guān)經(jīng)濟(jì)變量預(yù)測(cè)。接下來(lái)，在獲得的時(shí)間序列之后。得使用DM檢驗(yàn)，，則變量ijY0i樣本外預(yù)測(cè)誤差大于系數(shù)jj經(jīng)濟(jì)變量Yi。經(jīng)濟(jì)變量的預(yù)測(cè)作用。(三)數(shù)據(jù)和實(shí)證1.數(shù)據(jù)CPIGDPGDP了Baker基于新聞信息構(gòu)建的中國(guó)經(jīng)濟(jì)政策不確定性1-3601361206共包含了22個(gè)期限的收益率。部分?jǐn)?shù)據(jù)從2006年開(kāi)始可得，因20063201912Diebold使用的期限就更多的23-D23-D刻會(huì)產(chǎn)生明顯的變化。2.和其他因子估計(jì)我們通過(guò)非線(xiàn)性最小二乘法估計(jì)含動(dòng)態(tài)的Nelson-Siegel模型中的 和其他潛在因子 、 。其中 的取值被限制在0.211有期限收益率樣本內(nèi)擬合的情況。期限（月）平均值標(biāo)準(zhǔn)差最小值最大值RMSEMAE1-0.090.10-0.4030.040.08-0.170.300.090.0660.060.06-0.060.210.080.06120.020.05-0.080.170.050.04180.020.05-50.0424-0.010.05-0.190.080.050.0330-0.010.05-0.140.070.050.0336-0.020.07-70.0542-0.010.05-60.0448-0.040.05-0.180.060.060.0554-0.020.05-0.190.080.050.0460-0.030.10-0.160.340.100.08660.000.04-40.0372-0.010.04-0.100.090.040.04780.040.03-0.040.120.050.04840.000.09-0.110.320.090.05900.040.02-0.010.100.050.0496-0.010.03-0.080.070.030.031020.050.030.000.130.050.05108-0.010.03-0.080.070.030.031140.040.04-0.040.160.060.05120-0.050.08-0.360.080.100.06表1收益率曲線(xiàn)殘差統(tǒng)計(jì)1RMSEMAE間點(diǎn)分別是：20067201372014122019年4月。圖3收益率曲線(xiàn)擬合圖4模型擬合優(yōu)度圖3表明含動(dòng)態(tài)的Nelson-Siegel模型能夠復(fù)制各種典峰的（invertedhumped）。圖4展示了不同時(shí)期擬合?？梢?.9明了模型優(yōu)越性和估計(jì)的準(zhǔn)確性。圖5 和真實(shí)GDP增速的信息圖5展示了估計(jì)值的時(shí)間序列和真實(shí)GDP的環(huán)比增率。的平均值為0.087，第90個(gè)百分位是0.156。的數(shù)值在同樣可以注意到的突然上升和劇烈震蕩往往隨著真實(shí)GDP增長(zhǎng)率的下降。例如在2008年初期，的數(shù)值突然增加，隨后就是真實(shí)GDP增長(zhǎng)率的急劇下降通過(guò)計(jì)算和未來(lái)真實(shí)GDP增發(fā)現(xiàn)，與11期之后真實(shí)GDP增速之間存在顯著的負(fù)相關(guān)性，相關(guān)系數(shù)為-0.21。也印證了的增加伴隨著未來(lái)真實(shí)GDP增速相對(duì)較小。除了以外本項(xiàng)目還比較了從Nelson-Siegel模型中提取的因子（），實(shí)證斜率因子（）和實(shí)證曲率因子（）。具體計(jì)算公式如下：其中 為t時(shí)刻m月期限的國(guó)債收益率。圖6Nelson-Siegel因子與實(shí)證因子6Nelson-Siegel由圖可以清晰地看到，Nelson-SiegelNelson-Siegel0.640.860.65這也證明了使用Nelson-Siegel因子測(cè)量我們接下來(lái)使用多種方法來(lái)測(cè)量因子的時(shí)間變化規(guī)律先，我們計(jì)算有關(guān)不同的加權(quán)移動(dòng)平均（WMA），通過(guò)這種處理盡量去除中的短期波動(dòng)而保留其中的長(zhǎng)期趨勢(shì)本項(xiàng)目分對(duì)進(jìn)行處6、121412動(dòng)平均時(shí)，2010年1月的移動(dòng)平均值便是使用2009年2月至2010年1月共12個(gè)月的數(shù)據(jù)。第二，除了使用本身水平作為變量，我們還測(cè)量了的波動(dòng)率。本項(xiàng)目分別計(jì)算了的均根誤差（RMSE）和平均絕對(duì)誤差（MAE），計(jì)算過(guò)程同樣使用了不同的窗口期。使用w期窗口測(cè)量的具體計(jì)算公式如下：除了使用 以外本項(xiàng)目還構(gòu)建了其他變量用于宏觀(guān)經(jīng)濟(jì)變和實(shí)證曲率因子因?yàn)閷?duì)采取了不同的方法進(jìn)行處理為了更面地比較和實(shí)證因子我們使用類(lèi)似的方法對(duì)實(shí)證因子進(jìn)行ELESECAVE_EL、AVE_ESAVE_EC。同時(shí)，還計(jì)算了三個(gè)實(shí)證因子的已實(shí)現(xiàn)波動(dòng)率vol_ELvol_ESvol_EC3vol_3m612下半板塊展示的是于波動(dòng)的測(cè)度。顯然，經(jīng)過(guò)不同測(cè)度的處理，進(jìn)入高峰期不同移動(dòng)平均方法處理之后的在對(duì)不停宏觀(guān)經(jīng)濟(jì)變量進(jìn)行預(yù)測(cè)時(shí)，會(huì)取得不同的效果。水平值的不同測(cè)度波動(dòng)率的不同測(cè)度波動(dòng)率的不同測(cè)度圖7 水平和波動(dòng)的不同測(cè)度812證因子的變化趨勢(shì)更為平緩，消除了部分短期波動(dòng)。實(shí)證因子平滑后的實(shí)證因子8實(shí)證因子變宏觀(guān)經(jīng)濟(jì)變量預(yù)測(cè)根據(jù)既有文獻(xiàn)，本項(xiàng)目選擇主要對(duì)于工業(yè)增加值（industry）、真實(shí)國(guó)內(nèi)生產(chǎn)總值和消費(fèi)者價(jià)格指數(shù)（CPI）進(jìn)比增長(zhǎng)率作為被預(yù)測(cè)變量。2X2YY2X2ESECNS_levelRWMA_lambda、ave_ES、ave_EC、vol_EC、vol_3m測(cè)度能幫助預(yù)測(cè)工業(yè)增加值，Nelson-Siegel模型中提取的因子和水平因子以及的右加權(quán)平均也可以對(duì)工業(yè)增加值進(jìn)行21224中的結(jié)果驗(yàn)證了收益率曲線(xiàn)包含的信息可以用于預(yù)測(cè)工業(yè)增加值。預(yù)測(cè)變量 X2Yp-valueY2Xp-valueCannotrejectlambda RejectH00.00H00.90CannotrejectCannotrejectEL H00.12H00.44CannotrejectESRejectH00.02H00.69CannotrejectECRejectH00.01H00.44CannotrejectNS_LevelRejectH00.03H00.19CannotrejectCannotrejectNS_SlopeH00.24H00.98CannotrejectCannotrejectNS_CurvH00.14H00.90CannotrejectCannotrejectEWMA_lambdaH00.07H00.85CannotrejectCannotrejectLWMA_lambdaH00.33H00.89CannotrejectRWMA_lambdaRejectH00.00H00.77CannotrejectCannotrejectCWMA_lambdaH00.24H00.07CannotrejectCannotrejectlambda_MAEH00.19H00.42CannotrejectCannotrejectlambda_RMSEH00.59H00.68Cannotrejectave_ELH00.09RejectH00.04Cannotrejectave_ESRejectH00.00H00.76ave_ECRejectH00.03RejectH00.03CannotrejectCannotrejectvol_ELH00.13H00.24CannotrejectCannotrejectvol_ESH00.12H00.16Cannotrejectvol_ECRejectH00.00H00.13Cannotrejectvol_3mRejectH00.03H00.32表2工業(yè)增加值的格蘭杰因果檢驗(yàn)接下來(lái)我們對(duì)真實(shí)GDP3126243X2Y變量是真實(shí)GDPY2X波動(dòng)率是真實(shí)GDPNelson-SiegelGDP收益率曲線(xiàn)包含了用于預(yù)測(cè)真實(shí)GDP預(yù)測(cè)變量X2YX2Y_pvalueY2XY2X_pvalueCannotrejectCannotrejectlambdaH00.49H01.00ELRejectH00.02RejectH00.05CannotrejectCannotrejectESH00.13H00.55CannotrejectECRejectH00.00H00.22CannotrejectCannotrejectNS_LevelH00.07H00.39CannotrejectNS_SlopeRejectH00.01H00.48CannotrejectCannotrejectNS_CurvH00.75H00.34CannotrejectCannotrejectEWMA_lambdaH00.61H00.46CannotrejectCannotrejectLWMA_lambdaH00.87H00.77CannotrejectCannotrejectRWMA_lambdaH00.85H00.98CannotrejectCannotrejectCWMA_lambdaH00.47H00.39CannotrejectCannotrejectlambda_MAEH00.84H00.86CannotrejectCannotrejectlambda_RMSEH00.87H00.98Cannotrejectave_ELRejectH00.04H00.09Cannotrejectave_ESRejectH00.02H00.50Cannotrejectave_ECRejectH00.01H00.06CannotrejectCannotrejectvol_ELH00.78H00.26Cannotrejectvol_ESRejectH00.01H00.83vol_ECRejectH00.00RejectH00.00Cannotrejectvol_3mRejectH00.04H00.57表3真實(shí)GDP格蘭杰因果檢驗(yàn)CPI蘭杰因果檢驗(yàn)的結(jié)果顯示在表423大部分預(yù)測(cè)變量并不是CPI幫助預(yù)測(cè)CPI10CPI預(yù)測(cè)變量X2YX2Y_pvalueY2XY2X_pvalueCannotrejectCannotrejectlambdaH00.35H00.83CannotrejectCannotrejectELH00.38H00.19CannotrejectCannotrejectESH00.63H00.13CannotrejectCannotrejectECH00.28H00.38CannotrejectCannotrejectNS_LevelH00.19H00.67CannotrejectCannotrejectNS_SlopeH00.10H00.16CannotrejectCannotrejectNS_CurvH00.96H00.36CannotrejectCannotrejectEWMA_lambdaH00.26H00.47CannotrejectCannotrejectLWMA_lambdaH00.25H00.42CannotrejectCannotrejectRWMA_lambdaH00.28H00.76CannotrejectCannotrejectCWMA_lambdaH00.71H00.21CannotrejectCannotrejectlambda_MAEH00.45H00.53CannotrejectCannotrejectlambda_RMSEH00.72H00.90Cannotrejectave_ELRejectH00.01H00.09Cannotrejectave_ESH00.27RejectH00.04CannotrejectCannotrejectave_ECH00.10H00.29CannotrejectCannotrejectvol_ELH00.97H00.52CannotrejectCannotrejectvol_ESH00.53H00.96CannotrejectCannotrejectvol_ECH00.07H00.70CannotrejectCannotrejectvol_3mH00.47H00.76表4CPI格蘭杰因果檢驗(yàn)524結(jié)果顯示，對(duì)于3個(gè)月和6個(gè)月的短期預(yù)測(cè)，的等加權(quán)移動(dòng)平均值的預(yù)測(cè)獲得最小的RMSFE；對(duì)于12月的預(yù)測(cè)，的右加RMSE1824的信息均能更好地預(yù)測(cè)工業(yè)增加值。3個(gè)月6個(gè)月12個(gè)月18個(gè)月24個(gè)月Lambda3.562.332.242.385.22EL1.991.771.901.731.88ES1.931.971.841.741.90EC1.922.041.861.801.80NS_Level1.931.881.911.962.00NS_Slope2.171.861.871.651.77NS_Curv1.942.091.972.021.85AVE_lambda2.251.851.832.192.10LWMA_lambda1.881.962.041.911.80RWMA_lambda2.122.061.812.422.38CWMA_lambda1.721.642.012.051.84lambda_RMSE2.922.632.112.832.81ave_EL1.871.861.901.911.94ave_ES1.871.861.891.921.94ave_EC1.881.871.891.921.93vol_EL1.841.981.861.891.62vol_ES1.851.812.031.881.78vol_EC1.771.761.831.631.59vol_3m2.122.072.001.931.65RW1.972.122.402.843.34表5工業(yè)增加值樣本外預(yù)測(cè)的RMSFE類(lèi)似的，對(duì)真實(shí)GDP6期為6個(gè)月時(shí)，的左加權(quán)移動(dòng)平均值能提供最小的預(yù)測(cè)誤差。而對(duì)于12個(gè)月的樣本外預(yù)測(cè)，實(shí)證斜率因子的預(yù)測(cè)效果最好。1824RMSE3GDP未來(lái)真實(shí)GDP3個(gè)月6個(gè)月12個(gè)月18個(gè)月24個(gè)月Lambda1.541.271.261.631.09EL0.760.670.640.660.64ES0.650.590.540.720.68EC0.690.660.590.710.69NS_Level0.690.700.760.750.71NS_Slope0.650.590.560.660.66NS_Curv0.750.740.680.730.71AVE_lambda0.870.750.780.800.68LWMA_lambda0.700.640.680.670.70RWMA_lambda0.770.820.870.800.59CWMA_lambda0.680.700.670.660.68lambda_RMSE1.471.400.991.701.04ave_EL0.740.730.740.750.70ave_ES0.720.720.730.750.70ave_EC0.730.720.730.750.70vol_EL0.740.710.610.490.54vol_ES0.840.770.790.710.64vol_EC0.730.680.680.660.66vol_3m0.910.810.750.690.69RW0.500.650.901.111.29表6真實(shí)GDP樣本外預(yù)測(cè)的RMSFE7CPIRMFSEGDP36型預(yù)測(cè)得到了最小的RMSFE對(duì)于中期12個(gè)月的預(yù)測(cè)衡量波動(dòng)的均方根誤差產(chǎn)生的RMSFE1824RMSFE水平因子的波動(dòng)率作為預(yù)測(cè)變量。3個(gè)月6個(gè)月12個(gè)月18個(gè)月24個(gè)月Lambda2.482.191.342.212.40EL1.191.271.261.040.93ES1.381.461.290.770.97EC1.261.461.420.890.93NS_Level1.441.451.331.060.98NS_Slope1.351.381.120.830.92NS_Curv1.161.281.581.070.83AVE_lambda1.201.401.491.310.87LWMA_lambda1.321.501.370.840.83RWMA_lambda1.511.11CWMA_lambda0.951.171.491.110.84lambda_RMSE2.121.580.971.522.37ave_EL1.471.461.291.040.99ave_ES1.471.461.281.010.98ave_EC1.461.461.281.020.98vol_EL60.790.70vol_ES1.601.631.240.880.92vol_EC1.421.541.210.740.88vol_3m1.331.601.460.880.74RW0.751.041.541.581.47表7CPI樣本外預(yù)測(cè)的RMSFE以上對(duì)于工業(yè)增加值、真實(shí)GDPCPI在較短期預(yù)測(cè)時(shí)的水平值和隨機(jī)游走模型能取得較小的預(yù)測(cè)誤差但對(duì)于較長(zhǎng)期預(yù)測(cè)和實(shí)證變量的波動(dòng)率是更好的預(yù)測(cè)DM中進(jìn)行展示。DM驗(yàn)的P著更好的預(yù)測(cè)結(jié)果比如第一行的原假設(shè)為不能產(chǎn)生比機(jī)游走模型顯著更好的預(yù)測(cè)結(jié)果。而每一列則代表不同的預(yù)測(cè)8量相較隨機(jī)游走模型能產(chǎn)生更小的129GDPDM3612GDP關(guān)于CPIDM103、612益率曲線(xiàn)中包含有預(yù)測(cè)宏觀(guān)經(jīng)濟(jì)變量的信息特別是因子時(shí)的水平值或波動(dòng)率相較于其他收益率曲線(xiàn)變量能提供更中長(zhǎng)預(yù)測(cè)期上是顯著的。3個(gè)月6個(gè)月12個(gè)月18個(gè)月24個(gè)月Lambda0.850.700.210.010.81EL0.520.150.070.030.10ES0.460.320.100.050.10EC0.440.390.080.030.10NS_Level0.460.190.060.030.10NS_Slope0.700.190.090.030.10NS_Curv0.460.470.100.020.10AVE_lambda0.810.270.100.020.10LWMA_lambda0.400.290.060.030.10RWMA_lambda0.710.400.080.010.09CWMA_lambda90.030.10lambda_RMSE0.840.800.320.470.03ave_EL0.400.200.070.020.09ave_ES0.390.200.070.020.09ave_EC0.400.210.070.020.09vol_EL0.360.340.050.040.11vol_ES0.380.090.070.030.09vol_EC0.310.130.060.020.09vol_3m0.620.440.070.010.10表8工業(yè)增加值樣本外預(yù)測(cè)的DM檢驗(yàn)3個(gè)月6個(gè)月12個(gè)月18個(gè)月24個(gè)月Lambda0.900.850.800.790.10EL0.980.550.040.070.11ES0.970.180.020.080.12EC0.970.510.040.080.12NS_Level0.940.630.000.050.12NS_Slope0.950.250.040.080.12NS_Curv0.990.760.020.070.13AVE_lambda0.950.810.000.090.11LWMA_lambda0.960.440.000.060.13RWMA_lambda0.920.880.430.120.12CWMA_lambda0.910.620.050.060.13lambda_RMSE0.880.850.700.950.11ave_EL0.980.740.000.060.12ave_ES0.980.720.000.060.12ave_EC0.980.730.000.060.12vol_EL0.980.730.050.100.14vol_ES0.980.780.000.070.11vol_EC0.970.610.000.070.12vol_3m0.980.870.000.070.12表9真實(shí)GDP樣本外預(yù)測(cè)的DM檢驗(yàn)3個(gè)月6個(gè)月12個(gè)月18個(gè)月24個(gè)月Lambda0.930.950.180.810.82EL0.940.770.050.050.04ES1.000.900.190.090.02EC1.000.930.330.080.05NS_Level0.980.860.150.060.04NS_Slope0.990.890.070.080.04NS_Curv0.990.810.540.060.08AVE_lambda0.970.790.440.170.06LWMA_lambda0.980.860.210.070.07RWMA_lambda0.950.710.010.560.00CWMA_lambda0.940.810.290.030.06lambda_RMSE0.870.810.020.300.81ave_EL0.990.880.120.060.04ave_ES0.990.880.120.060.04ave_EC0.990.880.120.060.04vol_EL0.960.840.000.080.09vol_ES0.970.860.000.080.02vol_EC0.980.870.020.090.06vol_3m 0.98 0.86 0.35 0.08 0.07表10CPI樣本外預(yù)測(cè)的DM檢驗(yàn)除了之外本項(xiàng)目使用的其他收益率曲線(xiàn)因子都與宏觀(guān)濟(jì)之間有著較為明確的聯(lián)系因此我們嘗試探究與宏觀(guān)經(jīng)之間的關(guān)聯(lián)從而提出一種可能的解釋以說(shuō)明為何會(huì)含有能預(yù)測(cè)經(jīng)濟(jì)增長(zhǎng)和通貨膨脹的信息。我們從關(guān)于收益率曲線(xiàn)因子的傳統(tǒng)宏觀(guān)經(jīng)濟(jì)解釋出發(fā)。水平因子被證實(shí)反映了市場(chǎng)參與者的長(zhǎng)期通脹預(yù)期。另一方面，斜率和曲率因子被認(rèn)為捕捉了短期的經(jīng)濟(jì)周期波動(dòng)和貨幣政策立場(chǎng)。在Nelson-Siegel模型中因子系數(shù)通過(guò)決定這些因子和宏觀(guān)更小的意味著斜率因子對(duì)所有期限的收益率有更大的系數(shù)，也意味著曲率因子對(duì)中期和長(zhǎng)期的收益率有更大的系數(shù)所以較小的有可能反映了市場(chǎng)參與者更加看重短中期的較大的則代表相反的結(jié)果一因而其系數(shù)較大或者說(shuō)較大而當(dāng)經(jīng)濟(jì)處于動(dòng)。因此，因子的變化應(yīng)該反映了市場(chǎng)參與者對(duì)于金融市場(chǎng)和宏觀(guān)經(jīng)濟(jì)不確定性的預(yù)期。為了證實(shí)我們關(guān)于的解釋?zhuān)覀儗⑴c一些宏觀(guān)金融指Baker的格蘭杰原因且EPU與負(fù)相關(guān)圖5也顯示在下降之后GDP(四) 結(jié)論Nelson-Siegel我們發(fā)現(xiàn)作為決定期限結(jié)構(gòu)模型中不同收益率曲線(xiàn)因子相對(duì)重要性的變量，在不同時(shí)刻的數(shù)值有較大的變化。并且，的變化與經(jīng)濟(jì)周期和經(jīng)濟(jì)增長(zhǎng)密切相關(guān)。隨時(shí)間的變化決定了長(zhǎng)期通脹預(yù)期相較于經(jīng)濟(jì)周期和貨幣政策在決定收益率曲線(xiàn)時(shí)Nelson-Siegel我們發(fā)現(xiàn)包括在內(nèi)的收益率曲線(xiàn)變量對(duì)經(jīng)濟(jì)增長(zhǎng)和通貨膨脹知相關(guān)。(五)參考文獻(xiàn)洪智武&牛霖琳.(2020).中國(guó)通貨膨脹預(yù)期及其影Nelson-Siegel12),95-113.尚玉皇,鄭挺國(guó)&夏凱.(2015).宏觀(guān)因子與利率期限Nelson-Siegel尚玉皇&鄭挺國(guó).(2018).基準(zhǔn)收益率曲線(xiàn)與宏觀(guān)經(jīng)DSGE06),36-51.石柱鮮,孫皓&鄧創(chuàng).(2008).中國(guó)主要宏觀(guān)經(jīng)濟(jì)變量與利率期限結(jié)構(gòu)的關(guān)系:基于VAR-ATSM姚余棟&譚海鳴.(2011).中國(guó)金融市場(chǎng)通脹預(yù)期——基于利率期限結(jié)構(gòu)的量度.金融研究(06),61-70.曾耿明&牛霖琳.(2013).中國(guó)實(shí)際利率與通脹預(yù)期研究(01),24-37.中國(guó)人民銀行調(diào)查統(tǒng)計(jì)司課題組,阮健弘,汪義榮劉茵茵.(2013).我國(guó)國(guó)債收益率曲線(xiàn)與宏觀(guān)經(jīng)濟(jì)的先行01),27-44.Ang,A.,&Bekaert,G.(2002).Regimeswitchesininterestrates.JournalofBusiness&EconomicStatistics,20(2),163-182.Ang,A.,Bekaert,G.,&Wei,M.(2008).Thetermstructureofrealratesandexpectedinflation.TheJournalofFinance,63(2),797-849.Baker,S.R.,Bloom,N.,&Davis,S.J.(2016).Measuringeconomicpolicyuncertainty.Thequarterlyjournalofeconomics,131(4),1593-1636.Chun,A.L.(2011).Expectations,bondyields,andmonetarypolicy.TheReviewofFinancialStudies,24(1),208-247.Cieslak,A.,&Povala,P.(2016).Informationinthetermstructureofyieldcurvevolatility.TheJournalofFinance,71(3),1393-1436.Clarida,R.,Gali,J.,&Gertler,M.(2000).Monetarypolicyrulesandmacroeconomicstability:evidenceandsometheory.TheQuarterlyjournalofeconomics,115(1),147-180.Coroneo,L.,Giannone,D.,&Modugno,M.(2016).Unspannedmacroeconomicfactorsintheyieldcurve.JournalofBusiness&EconomicStatistics,34(3),472-485.Collin-Dufresne,P.,Goldstein,R.S.,&Jones,C.S.(2009).Caninterestratevolatilitybeextractedfromthecrosssectionofbondyields?.JournalofFinancialEconomics,94(1),