摘要：现阶段固收量化应用场景：当前固收量化的核心框架聚焦于三大方向：1）宏观量化策略：以宏观经济指标与政策信号为输入，构建跨资产或单一固收品种配置模型，实现大类资产轮动与券种精选；2）多因子模型：挖掘利率、信用、流动性等维度有效因子，量化评估债券估值与风险收益特征，

CORE IDEA

核心观点

本文作为AI赋能债市投研的第三篇，聚焦于固收视角下的各类量化策略，并详细介绍现阶段多因子体系在债券市场的运用，以及曲线构建的具体流程和实际应用。

1.现阶段固收量化应用场景：当前固收量化的核心框架聚焦于三大方向：1）宏观量化策略：以宏观经济指标与政策信号为输入，构建跨资产或单一固收品种配置模型，实现大类资产轮动与券种精选；2）多因子模型：挖掘利率、信用、流动性等维度有效因子，量化评估债券估值与风险收益特征，指导个券筛选与组合优化；3）收益率曲线构建：基于市场交易数据与定价逻辑，构建反映期限利差的精准曲线，为债券定价、风险对冲及久期管理提供核心基准。

2.固收多因子：由于债券定价更依赖利差、久期和信用风险等因素，固收多因子体系往往聚焦在低波、价值、carry等几类因子。其中，低波因子能够捕捉低波动债券的超额收益。该超额收益主要源于投资者对高波动资产的过度定价（行为金融学视角）或隐性风险补偿不足；价值因子的核心逻辑是买入期权调整利差（option-adjusted spread，“OAS”）高于同类（同行业、同评级）债券，捕捉利差均值回归收益，与股票价值因子的“低价买入”逻辑一致；Carry因子基于“高票息资产长期跑赢”的逻辑，通过持有高期权调整利差债券获取稳定票息收益，本质是对信用风险的合理补偿。风格维度，现阶段债券市场中的风格因子大致包含价值、动量、carry、防御的大类风格因子。

3.曲线构造：曲线构造目的是从有限的市场报价中提取完整、平滑且符合市场一致性的零息利率或贴现因子曲线。由于金融市场上可直接观测的仅是部分工具的价格或收益率，曲线构造需要将这些离散点转化为连续期限结构，并确保在估值、对冲和风险管理中具备可操作性和稳定性。从构造流程来看，曲线构造通常包含自举法、插值、外推、验证等主要步骤。

风险提示：模型迭代升级、新功能开发可能会导致结论不同；模型结论仅供参考，可能出现错误答案的风险；AI幻觉生成虚构内容、误导内容的风险。

作者：覃汉/章恒豪

全文：10472 字 | 13分钟阅读

正文

1 引言

近年随着AI 在固定收益领域的加速发展，定量分析在债券研究中愈发重要。依托系统化流程与数据驱动逻辑，量化分析显著提升债券投资决策的科学性、稳定性与可解释性，弥补了传统定性分析在效率与客观性上的短板。当前，固收量化核心框架聚焦三大方向：一是宏观量化策略，以宏观经济指标与政策信号为输入，构建跨资产或单一固收品种配置模型，实现大类资产轮动与券种精选；二是多因子模型，挖掘利率、信用、流动性等维度有效因子，量化评估债券估值与风险收益特征，指导个券筛选与组合优化；三是收益率曲线构建，基于市场交易数据与定价逻辑，构建反映期限利差的精准曲线，为债券定价、风险对冲及久期管理提供核心基准。

宏观量化策略的核心逻辑在于量化模型对宏观经济周期进行判断，进而指导全球范围内多资产类别（如股票、债券、外汇、大宗商品等）的配置与交易决策。经典策略如风险平价（Risk Parity）模型通过均衡分配不同资产类别的风险贡献以提升组合稳健性，而美林投资时钟（Investment Clock）则依据经济周期阶段动态调整资产配置，二者均体现宏观变量与资产价格之间的系统性关联。

多因子模型核心理念为资产收益率可由一系列共同风险因子解释。在固收市场，因子投资不仅能提供超越传统信用基准的显著Alpha，还可通过组合优化控制换手率与流动性风险，实现稳健收益。固收量化投资典型因子包括低波动、价值、Carry 等因子。研究显示这些因子在控制信用风险、流动性等特征后仍具备稳健性，可有效支撑固收组合主动管理；同时，通过风险平价、均值方差优化等合理因子配置方法，可实现不同宏观环境下的风险分散与收益增强，使其成为量化债市投研的核心抓手。

收益率曲线构建（Curve Building）是将离散市场报价（存款、OIS、FRA、IRS、国债及基差互换）转化为全期限连续、可插值的贴现曲线/远期曲线的过程。构建的收益率曲线可为各类债券、利率衍生品的定价、对冲、情景分析及风险管理提供一致性基准框架，其释放的期限结构信息亦为判断市场预期与宏观趋势提供重要信号。

本文将梳理量化多因子体系与收益率曲线构建的理念及实践，结合固收多因子投资实证研究成果与曲线构建技术逻辑，系统介绍量化视角下的债市投研体系。

2 量化多因子体系

因子投资（Factor Investing）作为资产配置的核心范式之一，其理论根基源于市场对组合收益与风险驱动源的认知深化。资产配置的本质目标是依托不同类别资产间的非完全相关性实现分散化效应，进而达成“既定收益下风险最小化”的最优决策。以均值方差模型为代表的经典资产配置框架，其优化逻辑高度依赖大类资产收益、波动率及相关性等核心参数的稳定性，通过数理模型对上述参数进行量化处理，实现分散化目标的最优解。从长期维度看，大类资产的预期收益与波动率具备较强稳定性，这使得均值方差模型在长期战略资产配置组合的构建中具备适用基础。

值得注意的是相较于收益与波动率，大类资产间的相关性呈现显著不稳定性，该核心矛盾直接导致传统资产配置模型的分散化效果普遍失效。在此背景下，市场开始转向对资产风险收益特征的深层驱动因素进行探究，旨在弥补传统理论的固有缺陷，因子投资的思想与方法也由此逐步成为资产配置领域的核心实践方向。

2.1 权益多因子vs 固收多因子

因子（Factors）被定义为驱动股票、债券等资产收益变化的核心要素，其理论研究始于资本资产定价模型（CAPM）。CAPM基于市场风险补偿逻辑，提出投资组合收益仅源于市场风险承担，唯一可系统性解释收益来源的要素为“市场因子”（即市场整体回报），无其他影响因素，故CAPM 亦被称为“单因子模型”。然而，CAPM 结论与现实市场存在偏差，Fama和French研究发现仅依靠市场整体回报，无法充分解释不同股票投资组合的回报率差异；除市场因子外，规模因子（小市值股票）与估值因子（低估值股票）可稳定为投资组合贡献超额收益。因此，后续研究者进一步拓展因子体系：在股票市场领域挖掘出价值、动量、质量等新增因子；在其他资产类别中，识别出信用、久期、流动性等可解释收益来源的因子，推动因子模型从单因子框架逐步向多因子体系演进。目前，权益多因子体系已经有较为成熟的应用，包括价值、规模、动量、低波等因子。相比之下，固收多因子体系的发展相对滞后，但近年来随着量化投资的发展，因子投资在固收投研中逐渐受到重视。

固收多因子体系与权益多因子体系的核心逻辑趋同。二者均以风险与回报、供给与需求及跨市场环境下资产表现预期等金融基础原理为底层支撑，共享一致的驱动机制：在价值因子维度，固收框架聚焦同评级、同期限或同行业下估值更“便宜”的债券，权益框架则锚定被低估的股票；在低波动因子维度，二者均优先筛选波动率更低的资产以优化风险回报比，而此类共通性本质源于均值回归、风险厌恶及市场效率假设等经济学基本原理。此外，固收多因子框架具备优良可扩展性，通过对规模、流动性指标的严格管控，其因子可在多元市场环境中稳定输出风险调整后回报。

实际应用中固收多因子体系与权益多因子体系则存在差异。由于债券定价机制更依赖利差、久期和信用风险等因素，固收多因子体系往往聚焦在低波动、价值和carry 等几类因子上。其中，低波动因子能够捕捉低波动债券的超额收益。该超额收益主要源于投资者对高波动资产的过度定价（行为金融学视角）或隐性风险补偿不足；价值因子的核心逻辑是买入期权调整利差（option-adjusted spread，简称 “OAS”）高于同类（同行业、同评级）债券，捕捉利差均值回归收益，与股票价值因子的“低价买入”逻辑一致；Carry因子则基于“高票息资产长期跑赢”的朴素逻辑，通过持有高利差债券获取稳定票息收益，本质是对信用风险的合理补偿。

债券市场维度，在组合构建上多因子投资较单因子策略或许更具优势。以美国市场为例，低波动、价值、Carry等因子之间存在负相关性，因子间的互补能够显著提升组合的分散化效果。在配置方法上，长期来看，均值-方差优化组合的表现最好；而在市场压力期，风险平价或等风险贡献的组合则展现出更强的韧性。组合构建过程中，还需对久期、评级、行业等残余风险进行控制，以避免组合因子暴露与宏观风险高度重叠。此外，债券市场的流动性差异较大，因子策略的实施也必须充分考虑交易成本与市场深度。

2.2 风格因子

量化投资中，风格因子（Style Factors）为重要构成要素。其本质是解释资产截面收益差异的系统性风险或投资特征，核心功能在于刻画投资者偏好与风险溢价来源。区别于个体异象，风格因子具备可投资、可解释、可重复的收益属性。与聚焦宏观变量的宏观因子（如利率、通胀）及划分行业属性的行业因子（如科技、医药）不同，风格因子聚焦证券自身风格属性，具体表现为估值、盈利稳定性、价格趋势强度、波动水平等维度差异，其形成根源可归结为风险补偿、行为偏差及市场摩擦等系统性驱动因素。债券市场中，风格因子的应用相对较晚，但逐渐展现出重要性。债券市场中的风格因子大致包含以下四类。

1)价值因子：核心在于挖掘价格偏离基本面的债券，寻求价格回归带来的收益。利率债常以真实收益率衡量价值，即名义收益率减去期限匹配的通胀预期。当债券真实收益率相对较高时，表明其价格相对“便宜”，后续有较大增值空间。信用债中，通过信用期权调整利差与反映公司信用风险的基本面指标对比来判断价值。如采用结构模型计算“违约距离”，或通过基于久期、评级和收益波动率的实证模型，若信用利差高于基本面锚定水平，则债券被视为价值低估。

2)动量因子：基于市场趋势延续性原理，认为资产近期价格走势会在短期内持续。在债券市场，利率债券动量因子常选取过去12个月的超额收益，若过去一段时间内利率债超额收益表现出色，依据动量效应，未来短期内该债券更可能延续良好表现。信用债动量因子计算更为复杂，可采用债券过去6个月信用超额收益与发行方股票过去12个月收益的等权组合（针对公开上市公司）。这种综合考量债券自身和发行方股票表现的方式，能更全面地捕捉公司债券动量信号。

3)Carry因子：体现了持有高收益资产可获得的收益优势。该因子衡量的是仅随时间推移（即无风险收益率曲线与信用期限结构形态保持不变）且无其他变动时的预期收益。利率债中，以期限利差度量Carry 因子，即债券名义收益率与本地短期利率之差。当期限利差较大时，意味着持有长期债券能获取更高的预期收益。信用债中，通常使用债券相对于国债的期权调整利差来衡量 Carry 因子。较高的期权调整利差表明公司债券在承担一定信用风险的前提下，能为投资者提供更丰厚的收益回报。

4)防御因子：又称质量因子，聚焦于低风险、高质量资产，旨在获取稳定的风险调整收益。利率债的防御性因子以有效久期（effective duration）为衡量标准，通过做多短期债券、做空久期匹配的长期债券构建投资组合。在利率波动环境下，短期债券受利率影响较小，能为组合提供稳定性。信用债防御性因子不仅关注久期，还纳入盈利能力和杠杆率指标。低久期、高盈利能力、低杠杆率的公司债券被视为防御性较强，这类债券在市场不稳定时，违约风险较低，收益相对稳定。

综合来看，债券市场中的风格因子主要包括价值因子、动量因子、Carry因子和防御因子四类，分别从定价均值回归、趋势延续、票息补偿以及信用稳健性等维度解释了债券收益差异。风格因子在不同市场和样本中均具有统计显著的超额收益效果，而多因子组合能够通过因子间的低相关性实现分散化，从而在长期投资中获得更优的风险调整后表现。

2.3 多因子在债券市场的尝试

目前，多因子体系正逐渐被引入债券及可转债市场，目的是在收益与风险间达成更好平衡并挖掘超额收益。当前在中国市场的应用已取得一系列初步成果，像动量因子、估值/溢价因子、流动性因子等在一定条件下都能带来超额收益。

可转债市场常见因子可归为三个大类因子。转债估值、正股量价和转债自身量价行为因子。转债估值类包括双低（低溢价低估值）、隐含波动率、隐波差等；正股量价类因子考察正股的动量、成交量与正股与转债的联动特性；而转债自身量价行为因子则关注转债自己的成交量、价格日内变动等。受益于转债交易维度的T0属性，量价因子在信息系数和分组收益检验中表现稳健，多头组合与多空组合均能获得显著超额收益。

信用债市场而言，动量因子策略效果显著。如下图所示，在控制待偿期、评级及行业的基础上，动量因子策略的年化收益约为5.15%，相较基准高出约51个基点，在风险调整后的表现（波动率、最大回撤）也略优于基准。同时，不同组合分位动量因子的收益差异显著，通过动量高分位组合与低分位组合之间的持有收益差异（每月调仓分组）可以捕捉到超额收益。

“固收+”维度，资产配置视角下的可转债与久期轮动策略未来有望增厚收益，不仅考虑因子选取，还可通过风险平价等方法对子策略间权重进行动态配置。总体来看，目前债券市场在量化多因子体系的尝试中取得了初步成果。动量、估值/溢价因子、流动性因子等因子已被证明在一定条件下能带来超额收益；可转债市场因其混合属性，成为量化因子验证与实践的活跃场域；“固收+”产品集合了多资产与多策略，使得因子组合与子策略间配置成为研究与实务的重点。

3 曲线构造

3.1 曲线构造（Curve Building）的定义及作用

曲线构造（Curve Building）是固定收益定价和风险管理中的基础环节，其核心任务是从有限的市场报价中提取完整的期限结构信息。由于利率曲线并非直接可观测，需要通过一系列工具（如存款利率、远期利率协议、利率互换、国债收益率等）进行引导，再结合枚举法（Bootstrapping）、插值与外推等方法，形成覆盖不同期限的零息利率、贴现因子或远期利率曲线。这一过程不仅反映了市场对资金时间价值的共识，也是利率衍生品定价、风险敞口管理及压力测试的基石。在实际应用中，曲线构造的作用主要体现以下几个方面：

1)提供一致的贴现基准：确保现券与衍生品跨期限、跨品种的可比性与可复现定价；

2)释放期限结构信息：通过平滑的瞬时远期曲线支持敏感度拆解（DV01）、主成分驱动的情景分析（平移、陡峭化）及基差风险度量，提升对冲有效性与收益解释力；

3)绩效分析：使估值、压力测试、流动性折现及跨币种一致性，在同框架内闭环运行；

4)降低噪声与失真：兼顾报价重现与曲线平滑，避免负贴现与远端过度振荡；

5)业务落地：从含权债与互换期权的模型输入，到会计估值与风险报表的标准化输出（零息、贴现、远期），形成从交易到风控的可重复生产链条。

对于中国市场，曲线构造的实践还面临一些挑战。一方面，国债收益率曲线、利率互换曲线等工具的流动性不均衡，导致曲线在中长期端存在缺口；另一方面，市场参与者对于插值方法与市场惯例存在差异，容易造成估值结果的不一致。因此，如何在保证市场一致性的同时提高曲线平滑性与稳定性，是亟需解决的问题。

随着AI与量化技术的发展，曲线构造的方式正在发生变革。AI 可以在大数据和机器学习的框架下优化曲线构建过程，例如利用正则化方法与神经网络提升插值与外推的稳健性，降低市场报价缺失和异常对曲线的干扰；同时，量化技术能够将多市场、多品种的数据纳入统一的曲线体系，提升跨市场定价与风险管理的一致性。此外，强化学习与生成模型亦有望在未来用于模拟极端市场情景下的曲线动态演化，从而为风险控制提供更具前瞻性的工具。

3.2 曲线构造流程介绍

曲线构造目的是从有限的市场报价中提取完整、平滑且符合市场一致性的零息利率或贴现因子曲线。由于金融市场上可直接观测的仅是部分工具的价格或收益率，曲线构造需要将这些离散点转化为连续期限结构，并确保在估值、对冲和风险管理中具备可操作性和稳定性。从构造流程来看，曲线构造通常包含自举法（Bootstrapping）、插值（Interpolation）、外推（Extrapolation）、曲线验证等主要步骤。

3.2.1 自举法（Bootstrapping）

在利率曲线构建的流程中，自举法为核心步骤之一，其主要目标是从有限的市场工具报价中逐段提取贴现因子或零息利率曲线。根据方法选择不同，自举法可分为精确方法（Exact Method）与非精确方法（Non-Exact Method）两大类。精确方法能够让建模者完全复刻市场数据，但对于需要通过参数化方法（如三次样条插值，cubic spline interpolation）进行插值计算的利率，需做出额外假设。非精确方法从代表曲线的函数入手，通过校准将该函数形式与市场数据关联。这种情况下，建模者无法保证完全复刻市场数据。下图展示了精确方法（E）、非精确方法（NE）与参数化（P）、非参数化（NP）表达形式之间的关联关系。

精确方法是指通过数学推导实现对标的价格“绝对复刻”的方法。核心特征是利用构造的曲线计算任意标的（如利率互换）的理论价值时，结果与标的实际市场报价完全一致，不存在拟合误差。该方法能够确保曲线能反向复现工具市场价格，通过从有限的工具报价中反推关键参数（如贴现因子、即期利率），为后续插值生成连续曲线提供锚点。数学维度，精确法本质是求解由现金流矩阵和价格向量构成的线性方程组。其流程包含：1）选取流动性高、报价真实的标的资产（如短期现金存款、长期利率互换），同步校验标的资产与目标曲线的匹配性；2）根据标的合约条款（如付息频率、到期日）计算现金流，形成现金流矩阵C；录入工具最新市场报价，形成价格向量p；3）根据现金流方程Cd = p 求解贴现因子d。

3.2.2 平滑方法（Smoothing Methods）

精确方法的优势在于能够确保估值与市场保持严格一致，因此在衍生品定价与对冲中具有很高的解释力。此外，由于基于明确的方程组与插值规则，不同建模者可得到一致结果，便于第三方验证。但该方法也存在明显局限，当市场报价存在噪音或缺口时，曲线容易出现不平滑、远期利率剧烈波动等问题，降低了曲线在风险管理和情景分析中的可用性。

为解决该问题，平滑方法（Smoothing Methods）被广泛引入曲线构建过程，即使用“非精确方法”。该类方法是指以预设的函数为起点，通过校准（Calibration）将曲线与市场数据关联的方法。其核心特征是不追求对单个标的报价的完全复刻，而是通过最小化拟合误差实现曲线的平滑性、连续性与经济意义。与精确方法（Exact Method）的“刚性贴合市场”不同，平滑方法更强调“数据降噪与规律提取”，通过函数约束过滤短期市场噪声（如流动性不足导致的异常报价），输出符合长期趋势的曲线形态。

平滑方法在数学上的本质是求解最优化问题，其核心是在“曲线对市场数据的拟合精度”与“曲线自身的平滑性”之间找到平衡，通过调整预设函数的参数，实现两者的最优结合。平滑方法的实施流程包括：1）根据曲线用途预设函数形态，参数化函数（如Nelson-Siegel 模型用于远期利率拟合）或非参数化函数（如三次样条法用于贴现因子平滑）；2）选取代表性的标的（如关键期限国债、利率互换），录入其期限与市场报价；3）通过最小二乘法等优化算法求解函数参数，最小化拟合收益率与市场实际收益率的偏差。平滑方法通过引入正则化约束或参数化结构，有效抑制了噪音点对曲线的干扰，并能生成更为光滑、经济含义明确的利率期限结构。实践中，部分使用者更倾向于采用混合策略，即先通过精确方法获取初始曲线，再利用平滑方法优化，以兼顾定价一致性与曲线稳定性。

3.2.3 插值（Interpolation）与外推（Extrapolation）

曲线构造中，自举法只能生成有限节点上的贴现因子或零息利率，而市场实际应用需要一条完整、连续的收益率曲线，因此引入了插值与外推方法用于填补缺失期限点，并延伸至市场报价无法覆盖的长期端。插值与外推的处理方式，将直接影响曲线的平滑性、稳定性和经济合理性，是曲线构造的关键环节之一。

1)线性插值（Linear Interpolation）：通过在相邻节点之间进行直线连接来生成中间点利率或贴现因子。该方法简单易行，计算透明，能够快速生成完整曲线。但由于其无法捕捉利率曲线在现实中的非线性特征，往往导致远期利率出现折线式跳跃，不利于风险管理和衍生品定价。

2)非线性插值（Non-linear Interpolation）：在实际应用中更具优势。常见方法包括三次样条（Cubic Spline）、Hermite插值、多项式拟合以及Nelson-Siegel、Svensson等参数化模型。这类方法能够在节点间生成平滑曲线，避免远期利率的不合理波动，并在一定程度上反映市场对不同期限的预期。非线性方法的优点在于平滑与稳定，但也存在过拟合或模型选择依赖性的问题。因此，实践中通常结合正则化约束或经济解释框架以增强曲线的稳健性与可解释性。

3)外推（Extrapolation）：主要用于延伸曲线至缺乏市场报价的长期端。常见方法有两类：一类是假设远端利率逐渐收敛至某一稳态水平，如长期均值或政策利率锚定；另一类则利用参数化模型，通过设定极限条件（如Nelson-Siegel 模型中的长期因子）实现自然外推。外推的挑战在于市场长端报价稀缺，若方法不当，易导致曲线末端出现不合理上扬或下跌。因此，外推在实践中更强调经济含义与稳健性，而非简单拟合。

总体而言，插值与外推在曲线构造中起到承上启下的作用。线性方法简洁透明，但难以满足高阶应用需求；非线性方法更契合市场实际，能够在拟合与平滑之间取得平衡；外推则是长期定价与风险管理不可或缺的工具，需要结合宏观预期与模型约束进行审慎处理。

3.2.4 验证（Validation）

曲线构造完成并不意味着结束，作为定价与风控的基准工具，其质量直接决定交易中估值、对冲和风控的有效性。因此，构造完成的曲线需要经过系统化的验证，以确保其合理性、一致性和稳健性。常用的验证方法主要集中在一致性测试（Round-trip Consistency Test）、基准测试（Benchmarking Tests）、敏感性测试（Sensitivity Tests）三个方面。

1)一致性测试：验证曲线是否能精准还原用于构建该曲线的原始标的报价的方法。核心目的在于确保曲线与市场数据之间具备高度的一致性，避免出现曲线所计算出的理论价格和实际市场报价存在较大偏差，以此来验证曲线在贴合市场方面的准确性。测试主要分为三步：1）确定测试标的：选取构建曲线时所运用的各类自举法标的，涵盖不同期限，确保工具的全面性和代表性；2）曲线重新定价：依据已构建好的待验证曲线所提供的贴现因子、远期利率等关键参数，按照各标的自身的合约条款来计算对应的理论价格；3）偏差校验：将计算得出的理论价格与这些工具在市场中的实际报价进行逐一对比，通常要求偏差控制在极小的范围内（如1bp以内），若偏差处于合理区间，则可认为该曲线通过此项测试，表明其在往返一致性方面表现良好。

2)基准测试：通过横向对比将待验证的曲线与公认的基准曲线进行对比。核心目的在于评估待验证曲线在市场普遍认可的标准下的合理性，从而判断其是否因构建方法选择不当等原因而出现系统性偏差，确保曲线在的可参考性。测试主要分为三步：1）选择基准曲线：优先选取第三方权威机构提供的、被市场广泛认可的曲线（例如彭博/Wind），以此来建立一个可靠的对比参照；2）多维度对比：针对关键期限，对比待验证曲线与基准曲线在即期利率、远期利率、贴现因子等重要指标上的数值差异；3）偏差归因：如果发现偏差超出预先设定的合理阈值，对曲线进行针对性的调整和优化。

3)敏感性测试：主通过对曲线构造过程中的输入数据（例如各类资产的报价、插值方法所涉及的相关参数等）施加一定幅度的小幅冲击（通常是正向或负向变动1bp等），观察输出曲线相应产生的变化幅度以及变化范围。其核心目标在于评估曲线对于输入数据扰动的“抗风险能力”，即验证曲线的稳定性以及局部性特征，确保曲线在面对市场微小波动时依然能够保持相对稳定可靠的状态，避免出现因输入数据的小变化而导致曲线出现大幅度不合理波动的情况。测试主要分为三步：1）确定冲击变量：从众多曲线构造的输入变量中选取关键且具有代表性的变量作为冲击对象（如市场报价）；2）施加标准化冲击：对选定的输入变量按照预先设定的标准（如1bp 的正向或负向冲击）进行改变，同时保持其他变量维持不变，评估单一变量变动对曲线产生的影响；3）分析曲线响应：计算在施加冲击前后曲线在关键期限的利率等指标上的最大变化幅度，以此来对曲线进行稳定性评估。

4 风险提示

模型迭代升级、新功能开发可能会导致结论不同。

模型结论仅供参考，可能出现错误答案的风险。

AI 幻觉生成虚构内容、误导内容的风险。

来源：新浪财经