国债收益率曲线在宏观经济调控、固定收益产品定价等方面有着重要的应用。为探究宏观因素对国债收益率的影响机理，本文在Nelson-Siegel（NS）模型的基础上，构建自适应动态算法，及时监测模型参数的时变性，拟合并预测利率期限结构。实证结果表明，自适应动态NS模型对国债收益率的样本外预测效果显著优于其他时间序列模型。基于该模型探究不同宏观影响因子对我国10年期国债收益率的动态影响机理，结果发现各宏观影响因子对国债收益率的影响效应在不同时段存在明显差异。
收益率曲线 自适应动态NS模型 国债收益率影响因子
引言
国债收益率曲线提供了不同期限的无风险利率，在支持货币政策传导、促进利率市场化、为投资者提供风险管理工具等方面起到重要作用。2020年，中共中央、国务院于4月发布《关于构建更加完善的要素市场化配置体制机制的意见》，提出“健全反映市场供求关系的国债收益率曲线”，于5月发布《关于新时代加快完善社会主义市场经济体制的意见》，强调“健全基准利率和市场化利率体系，更好发挥国债收益率曲线定价基准作用”。从宏观层面看，国债收益率曲线对通胀预期、经济周期具有指示作用，是货币政策实施的重要前瞻性指标；从微观层面看，国债收益率曲线可便利投资者实施积极主动的债券投资管理，能够降低投资风险、增厚超额收益。有鉴于此，探究宏观影响因子对国债收益率的影响机理，以对国债收益率进行科学预测，是一项兼具理论意义和实践价值的工作。
文献综述
利率模型通常可以分为两大类：动态模型和静态模型。动态模型以市场均衡为条件，使用经济中的状态变量和瞬时利率对整个利率期限结构进行建模，或者以预期理论为基础，基于无套利约束刻画利率期限结构。虽然动态模型能够拟合收益率曲线，但预测效果通常较差。
相较于动态模型，静态模型不需要对利率运动过程进行具体设定，而是通过拟合观测的数据构造利率曲线，其中最具代表的是Nelson和Siegel（1987）提出的NS模型，该模型通过构建水平、斜率和曲率等状态因子，赋予模型本身较强的经济意义，有效刻画了收益率曲线特征。Diebold和Li（2006）对NS模型进行了拓展，允许因子随时间变动，将NS模型扩展为动态NS模型（Dynamic Nelson-Siegel Model），并用于利率期限结构预测。Diebold和Li（2006）的实证研究显示，相对其他时间序列模型，动态NS模型的预测效果更优。
在利率模型的决定机制中，经济周期、政策变动等宏观因素都会对参数产生重大影响。忽略观测数据的结构性变化，往往会导致采用全样本数据建模估计的参数非最优。在实证研究中，学者们通常采用滚动时间窗口，对全样本数据分段建模进而得到不同时段的参数，以降低数据结构性变化对参数估计的影响。然而，文献表明，时间窗宽度的选择通常基于经验分析，并无统一标准。如Pesaran和Timmermann（2007）比较了四种窗宽选择方案，发现四种方案各自有不同的优势，但没有指明哪一种方法最优。
为避免窗口选择困境，Chen等（2010）提出了一种可动态判断数据结构变化的局部自回归（Local Autoregressive）模型，该模型模拟波动率数据的动态特征，能够灵活捕捉时间序列数据的长记忆性以及结构性变化。Chen和Niu（2014）在Chen等（2010）研究的基础上，充分考虑了利率期限结构特征，提出了自适应动态Nelson-Siegel（Adaptive Dynamic Nelson-Siegel，简称ADNS）模型。该模型能根据自适应算法判断同质区间，进而动态求解模型参数，提高收益率曲线的预测准确度。Chen和Niu（2014）对美国国债收益率进行了实证研究，证实ADNS模型的预测效果更优。
基于ADNS模型在收益率曲线预测方面的显著优势，本文拟采用该模型对我国国债收益率进行建模和预测，并实证分析宏观变量对国债收益率的影响，以更准确预测我国国债收益率，捕捉各宏观影响因子的动态影响机制。
模型介绍与处理
（一）ADNS模型介绍
按照Nelson-Siegel的模型框架，收益率曲线的期限结构可以按（1）式表示：
2.影响系数分析
整体来看，在2009年6月至2020年12月，不同时点各宏观影响因子对10年期国债收益率的影响系数在不同时段呈现出明显差异，分析如下。
第一，当存在外部冲击时，经济景气度的边际恢复对国债收益率的影响或将显著放大。2009年末，我国经济在经历全球性金融危机后首次呈现了V形反弹，带动市场投资者对我国经济中长期修复的乐观情绪，国债收益率出现快速反弹，MCI对10年期国债收益率的影响系数显著上升。同样，尽管2019年底新冠肺炎疫情暴发导致我国经济景气度快速下行，但对国债收益率的负面冲击并未同步放大，而是阶段性降低。与此同时，2020年下半年市场景气度的V形反转则加速带动我国国债收益率上行。
第二，CPI对国债收益率的传导存在一定的滞后效应。在2012年之前，CPI对10年期国债收益率的影响系数与CPI自身走势具有较强的联动性，但在2012年之后，特别是在2012年下半年至2018年底，CPI在1%～3%的区间内窄幅波动，这也间接导致CPI的影响系数呈现波动性。这或与CPI对我国通胀压力的指示效果减弱有关。从图4来看，自2012年起我国PPI与CPI出现较长时间的背离。以2015下半年、2018年初至2020年上半年两个区间为例，周期性行业产能过剩导致大宗商品价格下降，经济下行压力较大，工业品出厂价格指数（PPI）增速大幅走低，经济进入通缩周期，国债收益率同步下行。而同期CPI增速却呈波动上升趋势，主要原因在于同期猪肉价格大幅上升。这也印证了表4的结论，即CPI不适合作为长期利率的解释变量。
第三，我国货币市场与债券市场的联动性也在发生变化。从图3来看，FR007在不同时间点显示出对10年期国债收益率不同的冲击效应：在2010年底至2014年二季度，FR007对10年期国债收益率的影响系数基本维持在0附近；自2014年三季度开始，FR007对10年期国债收益率的影响系数明显上升，并随FR007出现同向变动，主要原因或在于货币政策工具发生变化。具体而言，自2014年起，央行开始使用结构性货币政策工具，如常备借贷便利（SLF）、中期借贷便利（MLF）以及抵押补充贷款（PSL）等，进行基础货币投放。根据张克菲、吴晗（2018）的研究，MLF、PSL对货币市场中期利率在短期内有显著影响，PSL对债券市场长期利率水平有一定的引导作用。这意味着结构性货币政策工具使得货币市场与债券市场有了共同的利率“锚”，货币市场与债券市场之间的联动性更加显著。
第四，美国国债收益率在不同时段对我国10年期国债收益率的冲击效应也存在明显差异。笔者认为，美国国债收益率对我国国债收益率的影响主要与中美货币政策是否趋同有关。在2008年次贷危机之后，美联储开启了三轮量化宽松政策，同期中国推出了“四万亿”经济刺激方案，中美货币政策同步性增强，导致中美长期国债收益率相关性明显增强。从图3来看，自2010年下半年以来，美国国债收益率对中国国债收益率的传导效应较此前明显增强。而在2014年至2018年，美国国债收益率对中国国债收益率的影响系数逐步走低，可能因为在这段时间中美货币政策的同步性减弱。
根据汇率平价理论，当美国国债收益率出现大幅上升时，国内利率将迫于人民币汇率稳定压力跟随美债利率上行。因此一般认为，当美国经济景气度上行或美元走强导致美债收益率上升时，国内利率将跟随美债收益率上行而上行。然而事实上，自2014年以来，美国在经历了三轮量化宽松后经济稳步复苏，各项经济指标向好，美联储于2015年12月宣布进入加息周期，9次上调联邦基金目标利率。在此背景下，我国政府并未迫于稳汇率压力跟随美国加息，而是考虑到我国经济发展处于新常态阶段，经济增速放缓，央行自2014年11月后保持了连续降息、降准的相对宽松的货币政策，引导利率下行。因此，美国国债收益率上升并未引致我国国债收益率上升。
2018年底至今，中美利率联动效应再次增强，特别是在疫情对经济造成严重冲击的背景下，中美两国货币政策方向再度趋同，美国自2019年起进入降息周期，中国维持稳健且适度灵活的货币政策对冲疫情对经济造成的负面影响。可以看出，中美利率联动效应更多是通过货币政策间接关联，美债收益率对我国国债收益率的直接传导机制尚不明显。
结论
笔者在NS模型的基础上，构建自适应动态算法，监测模型参数的时变性，进而拟合并预测利率期限结构。从预测结果来看，ADNS模型对国债收益率的样本外预测效果优于其他相关的时间序列模型。笔者基于ADNS模型探究了各宏观影响因子对我国10年期国债收益率的宏观影响因子的动态影响机理，研究发现，宏观影响因子对国债收益率的影响效应在不同时间段存在明显差异。从研究结果来看，ADNS模型能较好地预测利率期限结构，有助于增厚投资收益。此外， ADNS模型能够较好地捕捉参数的动态变化，有助于监管机构对国债收益率曲线的影响因素进行精准分析。
参考文献
[1] 康书隆，王志强. 中国国债利率期限结构的风险特征及其内含信息研究[J]. 世界经济，2010, 33(7): 121—143.
[2] 张克菲，吴晗. 结构性货币政策工具如何影响利率传导机制？——基于SLF、MLF和PSL的实证研究[J]. 金融与经济，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.
