固收視角下的量化策略概覽——AI賦能債市投研系列三

（來源：覃漢研究筆記）

CORE IDEA

核心觀點

本文作為AI賦能債市投研的第三篇，聚焦於固收視角下的各類量化策略，並詳細介紹現階段多因子體系在債券市場的運用，以及曲線構建的具體流程和實際應用。

1.現階段固收量化應用場景：當前固收量化的核心框架聚焦於三大方向：1）宏觀量化策略：以宏觀經濟指標與政策信號為輸入，構建跨資產或單一固收品種配置模型，實現大類資產輪動與券種精選；2）多因子模型：挖掘利率、信用、流動性等維度有效因子，量化評估債券估值與風險收益特徵，指導個券篩選與組合優化；3）收益率曲線構建：基於市場交易數據與定價邏輯，構建反映期限利差的精準曲線，為債券定價、風險對衝及久期管理提供核心基準。

2.固收多因子：由於債券定價更依賴利差、久期和信用風險等因素，固收多因子體系往往聚焦在低波、價值、carry等幾類因子。其中，低波因子能夠捕捉低波動債券的超額收益。該超額收益主要源於投資者對高波動資產的過度定價（行為金融學視角）或隱性風險補償不足；價值因子的核心邏輯是買入期權調整利差（option-adjusted spread，「OAS」）高於同類（同行業、同評級）債券，捕捉利差均值迴歸收益，與股票價值因子的「低價買入」邏輯一致；Carry因子基於「高票息資產長期跑贏」的邏輯，通過持有高期權調整利差債券獲取穩定票息收益，本質是對信用風險的合理補償。風格維度，現階段債券市場中的風格因子大致包含價值、動量、carry、防禦的大類風格因子。

3.曲線構造：曲線構造目的是從有限的市場報價中提取完整、平滑且符合市場一致性的零息利率或貼現因子曲線。由於金融市場上可直接觀測的僅是部分工具的價格或收益率，曲線構造需要將這些離散點轉化為連續期限結構，並確保在估值、對衝和風險管理中具備可操作性和穩定性。從構造流程來看，曲線構造通常包含自舉法、插值、外推、驗證等主要步驟。

風險提示：模型迭代升級、新功能開發可能會導致結論不同；模型結論僅供參考，可能出現錯誤答案的風險；AI幻覺生成虛構內容、誤導內容的風險。

作者：覃漢/章恆豪

全文：10472 字 | 13分鍾閲讀

正文

1 引言

近年隨着AI 在固定收益領域的加速發展，定量分析在債券研究中愈發重要。依託系統化流程與數據驅動邏輯，量化分析顯著提升債券投資決策的科學性、穩定性與可解釋性，彌補了傳統定性分析在效率與客觀性上的短板。當前，固收量化核心框架聚焦三大方向：一是宏觀量化策略，以宏觀經濟指標與政策信號為輸入，構建跨資產或單一固收品種配置模型，實現大類資產輪動與券種精選；二是多因子模型，挖掘利率、信用、流動性等維度有效因子，量化評估債券估值與風險收益特徵，指導個券篩選與組合優化；三是收益率曲線構建，基於市場交易數據與定價邏輯，構建反映期限利差的精準曲線，為債券定價、風險對衝及久期管理提供核心基準。

宏觀量化策略的核心邏輯在於量化模型對宏觀經濟周期進行判斷，進而指導全球範圍內多資產類別（如股票、債券、外匯、大宗商品等）的配置與交易決策。經典策略如風險平價（Risk Parity）模型通過均衡分配不同資產類別的風險貢獻以提升組合穩健性，而美林投資時鍾（Investment Clock）則依據經濟周期階段動態調整資產配置，二者均體現宏觀變量與資產價格之間的系統性關聯。

多因子模型核心理念為資產收益率可由一系列共同風險因子解釋。在固收市場，因子投資不僅能提供超越傳統信用基準的顯著Alpha，還可通過組合優化控制換手率與流動性風險，實現穩健收益。固收量化投資典型因子包括低波動、價值、Carry 等因子。研究顯示這些因子在控制信用風險、流動性等特徵后仍具備穩健性，可有效支撐固收組合主動管理；同時，通過風險平價、均值方差優化等合理因子配置方法，可實現不同宏觀環境下的風險分散與收益增強，使其成為量化債市投研的核心抓手。

收益率曲線構建（Curve Building）是將離散市場報價（存款、OIS、FRA、IRS、國債及基差互換）轉化為全期限連續、可插值的貼現曲線/遠期曲線的過程。構建的收益率曲線可為各類債券、利率衍生品的定價、對衝、情景分析及風險管理提供一致性基準框架，其釋放的期限結構信息亦為判斷市場預期與宏觀趨勢提供重要信號。

本文將梳理量化多因子體系與收益率曲線構建的理念及實踐，結合固收多因子投資實證研究成果與曲線構建技術邏輯，系統介紹量化視角下的債市投研體系。

2 量化多因子體系

因子投資（Factor Investing）作為資產配置的核心範式之一，其理論根基源於市場對組合收益與風險驅動源的認知深化。資產配置的本質目標是依託不同類別資產間的非完全相關性實現分散化效應，進而達成「既定收益下風險最小化」的最優決策。以均值方差模型為代表的經典資產配置框架，其優化邏輯高度依賴大類資產收益、波動率及相關性等核心參數的穩定性，通過數理模型對上述參數進行量化處理，實現分散化目標的最優解。從長期維度看，大類資產的預期收益與波動率具備較強穩定性，這使得均值方差模型在長期戰略資產配置組合的構建中具備適用基礎。

值得注意的是相較於收益與波動率，大類資產間的相關性呈現顯著不穩定性，該核心矛盾直接導致傳統資產配置模型的分散化效果普遍失效。在此背景下，市場開始轉向對資產風險收益特徵的深層驅動因素進行探究，旨在彌補傳統理論的固有缺陷，因子投資的思想與方法也由此逐步成為資產配置領域的核心實踐方向。

2.1 權益多因子vs 固收多因子

因子（Factors）被定義為驅動股票、債券等資產收益變化的核心要素，其理論研究始於資本資產定價模型（CAPM）。CAPM基於市場風險補償邏輯，提出投資組合收益僅源於市場風險承擔，唯一可系統性解釋收益來源的要素為「市場因子」（即市場整體回報），無其他影響因素，故CAPM 亦被稱為「單因子模型」。然而，CAPM 結論與現實市場存在偏差，Fama和French研究發現僅依靠市場整體回報，無法充分解釋不同股票投資組合的回報率差異；除市場因子外，規模因子（小市值股票）與估值因子（低估值股票）可穩定為投資組合貢獻超額收益。因此，后續研究者進一步拓展因子體系：在股票市場領域挖掘出價值、動量、質量等新增因子；在其他資產類別中，識別出信用、久期、流動性等可解釋收益來源的因子，推動因子模型從單因子框架逐步向多因子體系演進。目前，權益多因子體系已經有較為成熟的應用，包括價值、規模、動量、低波等因子。相比之下，固收多因子體系的發展相對滯后，但近年來隨着量化投資的發展，因子投資在固收投研中逐漸受到重視。

固收多因子體系與權益多因子體系的核心邏輯趨同。二者均以風險與回報、供給與需求及跨市場環境下資產表現預期等金融基礎原理為底層支撐，共享一致的驅動機制：在價值因子維度，固收框架聚焦同評級、同期限或同行業下估值更「便宜」的債券，權益框架則錨定被低估的股票；在低波動因子維度，二者均優先篩選波動率更低的資產以優化風險回報比，而此類共通性本質源於均值迴歸、風險厭惡及市場效率假設等經濟學基本原理。此外，固收多因子框架具備優良可擴展性，通過對規模、流動性指標的嚴格管控，其因子可在多元市場環境中穩定輸出風險調整后回報。

實際應用中固收多因子體系與權益多因子體系則存在差異。由於債券定價機制更依賴利差、久期和信用風險等因素，固收多因子體系往往聚焦在低波動、價值和carry 等幾類因子上。其中，低波動因子能夠捕捉低波動債券的超額收益。該超額收益主要源於投資者對高波動資產的過度定價（行為金融學視角）或隱性風險補償不足；價值因子的核心邏輯是買入期權調整利差（option-adjusted spread，簡稱 「OAS」）高於同類（同行業、同評級）債券，捕捉利差均值迴歸收益，與股票價值因子的「低價買入」邏輯一致；Carry因子則基於「高票息資產長期跑贏」的朴素邏輯，通過持有高利差債券獲取穩定票息收益，本質是對信用風險的合理補償。

債券市場維度，在組合構建上多因子投資較單因子策略或許更具優勢。以美國市場為例，低波動、價值、Carry等因子之間存在負相關性，因子間的互補能夠顯著提升組合的分散化效果。在配置方法上，長期來看，均值-方差優化組合的表現最好；而在市場壓力期，風險平價或等風險貢獻的組合則展現出更強的韌性。組合構建過程中，還需對久期、評級、行業等殘余風險進行控制，以避免組合因子暴露與宏觀風險高度重疊。此外，債券市場的流動性差異較大，因子策略的實施也必須充分考慮交易成本與市場深度。

2.2 風格因子

量化投資中，風格因子（Style Factors）為重要構成要素。其本質是解釋資產截面收益差異的系統性風險或投資特徵，核心功能在於刻畫投資者偏好與風險溢價來源。區別於個體異象，風格因子具備可投資、可解釋、可重複的收益屬性。與聚焦宏觀變量的宏觀因子（如利率、通脹）及劃分行業屬性的行業因子（如科技、醫藥）不同，風格因子聚焦證券自身風格屬性，具體表現為估值、盈利穩定性、價格趨勢強度、波動水平等維度差異，其形成根源可歸結為風險補償、行為偏差及市場摩擦等系統性驅動因素。債券市場中，風格因子的應用相對較晚，但逐漸展現出重要性。債券市場中的風格因子大致包含以下四類。

1)價值因子：核心在於挖掘價格偏離基本面的債券，尋求價格迴歸帶來的收益。利率債常以真實收益率衡量價值，即名義收益率減去期限匹配的通脹預期。當債券真實收益率相對較高時，表明其價格相對「便宜」，后續有較大增值空間。信用債中，通過信用期權調整利差與反映公司信用風險的基本面指標對比來判斷價值。如採用結構模型計算「違約距離」，或通過基於久期、評級和收益波動率的實證模型，若信用利差高於基本面錨定水平，則債券被視為價值低估。

2)動量因子：基於市場趨勢延續性原理，認為資產近期價格走勢會在短期內持續。在債券市場，利率債券動量因子常選取過去12個月的超額收益，若過去一段時間內利率債超額收益表現出色，依據動量效應，未來短期內該債券更可能延續良好表現。信用債動量因子計算更為複雜，可採用債券過去6個月信用超額收益與發行方股票過去12個月收益的等權組合（針對公開上市公司）。這種綜合考量債券自身和發行方股票表現的方式，能更全面地捕捉公司債券動量信號。

3)Carry因子：體現了持有高收益資產可獲得的收益優勢。該因子衡量的是僅隨時間推移（即無風險收益率曲線與信用期限結構形態保持不變）且無其他變動時的預期收益。利率債中，以期限利差度量Carry 因子，即債券名義收益率與本地短期利率之差。當期限利差較大時，意味着持有長期債券能獲取更高的預期收益。信用債中，通常使用債券相對於國債的期權調整利差來衡量 Carry 因子。較高的期權調整利差表明公司債券在承擔一定信用風險的前提下，能為投資者提供更豐厚的收益回報。

4)防禦因子：又稱質量因子，聚焦於低風險、高質量資產，旨在獲取穩定的風險調整收益。利率債的防禦性因子以有效久期（effective duration）為衡量標準，通過做多短期債券、做空久期匹配的長期債券構建投資組合。在利率波動環境下，短期債券受利率影響較小，能為組合提供穩定性。信用債防禦性因子不僅關注久期，還納入盈利能力和槓桿率指標。低久期、高盈利能力、低槓桿率的公司債券被視為防禦性較強，這類債券在市場不穩定時，違約風險較低，收益相對穩定。

綜合來看，債券市場中的風格因子主要包括價值因子、動量因子、Carry因子和防禦因子四類，分別從定價均值迴歸、趨勢延續、票息補償以及信用穩健性等維度解釋了債券收益差異。風格因子在不同市場和樣本中均具有統計顯著的超額收益效果，而多因子組合能夠通過因子間的低相關性實現分散化，從而在長期投資中獲得更優的風險調整后表現。

2.3 多因子在債券市場的嘗試

目前，多因子體系正逐漸被引入債券及可轉債市場，目的是在收益與風險間達成更好平衡並挖掘超額收益。當前在中國市場的應用已取得一系列初步成果，像動量因子、估值/溢價因子、流動性因子等在一定條件下都能帶來超額收益。

可轉債市場常見因子可歸為三個大類因子。轉債估值、正股量價和轉債自身量價行為因子。轉債估值類包括雙低（低溢價低估值）、隱含波動率、隱波差等；正股量價類因子考察正股的動量、成交量與正股與轉債的聯動特性；而轉債自身量價行為因子則關注轉債自己的成交量、價格日內變動等。受益於轉債交易維度的T0屬性，量價因子在信息係數和分組收益檢驗中表現穩健，多頭組合與多空組合均能獲得顯著超額收益。

信用債市場而言，動量因子策略效果顯著。如下圖所示，在控制待償期、評級及行業的基礎上，動量因子策略的年化收益約為5.15%，相較基準高出約51個基點，在風險調整后的表現（波動率、最大回撤）也略優於基準。同時，不同組合分位動量因子的收益差異顯著，通過動量高分位組合與低分位組合之間的持有收益差異（每月調倉分組）可以捕捉到超額收益。

「固收+」維度，資產配置視角下的可轉債與久期輪動策略未來有望增厚收益，不僅考慮因子選取，還可通過風險平價等方法對子策略間權重進行動態配置。總體來看，目前債券市場在量化多因子體系的嘗試中取得了初步成果。動量、估值/溢價因子、流動性因子等因子已被證明在一定條件下能帶來超額收益；可轉債市場因其混合屬性，成為量化因子驗證與實踐的活躍場域；「固收+」產品集合了多資產與多策略，使得因子組合與子策略間配置成為研究與實務的重點。

3 曲線構造

3.1 曲線構造（Curve Building）的定義及作用

曲線構造（Curve Building）是固定收益定價和風險管理中的基礎環節，其核心任務是從有限的市場報價中提取完整的期限結構信息。由於利率曲線並非直接可觀測，需要通過一系列工具（如存款利率、遠期利率協議、利率互換、國債收益率等）進行引導，再結合枚舉法（Bootstrapping）、插值與外推等方法，形成覆蓋不同期限的零息利率、貼現因子或遠期利率曲線。這一過程不僅反映了市場對資金時間價值的共識，也是利率衍生品定價、風險敞口管理及壓力測試的基石。在實際應用中，曲線構造的作用主要體現以下幾個方面：

1)提供一致的貼現基準：確保現券與衍生品跨期限、跨品種的可比性與可復現定價；

2)釋放期限結構信息：通過平滑的瞬時遠期曲線支持敏感度拆解（DV01）、主成分驅動的情景分析（平移、陡峭化）及基差風險度量，提升對衝有效性與收益解釋力；

3)績效分析：使估值、壓力測試、流動性折現及跨幣種一致性，在同框架內閉環運行；

4)降低噪聲與失真：兼顧報價重現與曲線平滑，避免負貼現與遠端過度振盪；

5)業務落地：從含權債與互換期權的模型輸入，到會計估值與風險報表的標準化輸出（零息、貼現、遠期），形成從交易到風控的可重複生產鏈條。

對於中國市場，曲線構造的實踐還面臨一些挑戰。一方面，國債收益率曲線、利率互換曲線等工具的流動性不均衡，導致曲線在中長期端存在缺口；另一方面，市場參與者對於插值方法與市場慣例存在差異，容易造成估值結果的不一致。因此，如何在保證市場一致性的同時提高曲線平滑性與穩定性，是亟需解決的問題。

隨着AI與量化技術的發展，曲線構造的方式正在發生變革。AI 可以在大數據和機器學習的框架下優化曲線構建過程，例如利用正則化方法與神經網絡提升插值與外推的穩健性，降低市場報價缺失和異常對曲線的干擾；同時，量化技術能夠將多市場、多品種的數據納入統一的曲線體系，提升跨市場定價與風險管理的一致性。此外，強化學習與生成模型亦有望在未來用於模擬極端市場情景下的曲線動態演化，從而為風險控制提供更具前瞻性的工具。

3.2 曲線構造流程介紹

曲線構造目的是從有限的市場報價中提取完整、平滑且符合市場一致性的零息利率或貼現因子曲線。由於金融市場上可直接觀測的僅是部分工具的價格或收益率，曲線構造需要將這些離散點轉化為連續期限結構，並確保在估值、對衝和風險管理中具備可操作性和穩定性。從構造流程來看，曲線構造通常包含自舉法（Bootstrapping）、插值（Interpolation）、外推（Extrapolation）、曲線驗證等主要步驟。

3.2.1 自舉法（Bootstrapping）

在利率曲線構建的流程中，自舉法為核心步驟之一，其主要目標是從有限的市場工具報價中逐段提取貼現因子或零息利率曲線。根據方法選擇不同，自舉法可分為精確方法（Exact Method）與非精確方法（Non-Exact Method）兩大類。精確方法能夠讓建模者完全復刻市場數據，但對於需要通過參數化方法（如三次樣條插值，cubic spline interpolation）進行插值計算的利率，需做出額外假設。非精確方法從代表曲線的函數入手，通過校準將該函數形式與市場數據關聯。這種情況下，建模者無法保證完全復刻市場數據。下圖展示了精確方法（E）、非精確方法（NE）與參數化（P）、非參數化（NP）表達形式之間的關聯關係。

精確方法是指通過數學推導實現對標的價格「絕對復刻」的方法。核心特徵是利用構造的曲線計算任意標的（如利率互換）的理論價值時，結果與標的實際市場報價完全一致，不存在擬合誤差。該方法能夠確保曲線能反向復現工具市場價格，通過從有限的工具報價中反推關鍵參數（如貼現因子、即期利率），為后續插值生成連續曲線提供錨點。數學維度，精確法本質是求解由現金流矩陣和價格向量構成的線性方程組。其流程包含：1）選取流動性高、報價真實的標的資產（如短期現金存款、長期利率互換），同步校驗標的資產與目標曲線的匹配性；2）根據標的合約條款（如付息頻率、到期日）計算現金流，形成現金流矩陣C；錄入工具最新市場報價，形成價格向量p；3）根據現金流方程Cd = p 求解貼現因子d。

3.2.2 平滑方法（Smoothing Methods）

精確方法的優勢在於能夠確保估值與市場保持嚴格一致，因此在衍生品定價與對衝中具有很高的解釋力。此外，由於基於明確的方程組與插值規則，不同建模者可得到一致結果，便於第三方驗證。但該方法也存在明顯侷限，當市場報價存在噪音或缺口時，曲線容易出現不平滑、遠期利率劇烈波動等問題，降低了曲線在風險管理和情景分析中的可用性。

為解決該問題，平滑方法（Smoothing Methods）被廣泛引入曲線構建過程，即使用「非精確方法」。該類方法是指以預設的函數為起點，通過校準（Calibration）將曲線與市場數據關聯的方法。其核心特徵是不追求對單個標的報價的完全復刻，而是通過最小化擬合誤差實現曲線的平滑性、連續性與經濟意義。與精確方法（Exact Method）的「剛性貼合市場」不同，平滑方法更強調「數據降噪與規律提取」，通過函數約束過濾短期市場噪聲（如流動性不足導致的異常報價），輸出符合長期趨勢的曲線形態。

平滑方法在數學上的本質是求解最優化問題，其核心是在「曲線對市場數據的擬合精度」與「曲線自身的平滑性」之間找到平衡，通過調整預設函數的參數，實現兩者的最優結合。平滑方法的實施流程包括：1）根據曲線用途預設函數形態，參數化函數（如Nelson-Siegel 模型用於遠期利率擬合）或非參數化函數（如三次樣條法用於貼現因子平滑）；2）選取代表性的標的（如關鍵期限國債、利率互換），錄入其期限與市場報價；3）通過最小二乘法等優化算法求解函數參數，最小化擬合收益率與市場實際收益率的偏差。平滑方法通過引入正則化約束或參數化結構，有效抑制了噪音點對曲線的干擾，並能生成更為光滑、經濟含義明確的利率期限結構。實踐中，部分使用者更傾向於採用混合策略，即先通過精確方法獲取初始曲線，再利用平滑方法優化，以兼顧定價一致性與曲線穩定性。

3.2.3 插值（Interpolation）與外推（Extrapolation）

曲線構造中，自舉法只能生成有限節點上的貼現因子或零息利率，而市場實際應用需要一條完整、連續的收益率曲線，因此引入了插值與外推方法用於填補缺失期限點，並延伸至市場報價無法覆蓋的長期端。插值與外推的處理方式，將直接影響曲線的平滑性、穩定性和經濟合理性，是曲線構造的關鍵環節之一。

1)線性插值（Linear Interpolation）：通過在相鄰節點之間進行直線連接來生成中間點利率或貼現因子。該方法簡單易行，計算透明，能夠快速生成完整曲線。但由於其無法捕捉利率曲線在現實中的非線性特徵，往往導致遠期利率出現折線式跳躍，不利於風險管理和衍生品定價。

2)非線性插值（Non-linear Interpolation）：在實際應用中更具優勢。常見方法包括三次樣條（Cubic Spline）、Hermite插值、多項式擬合以及Nelson-Siegel、Svensson等參數化模型。這類方法能夠在節點間生成平滑曲線，避免遠期利率的不合理波動，並在一定程度上反映市場對不同期限的預期。非線性方法的優點在於平滑與穩定，但也存在過擬合或模型選擇依賴性的問題。因此，實踐中通常結合正則化約束或經濟解釋框架以增強曲線的穩健性與可解釋性。

3)外推（Extrapolation）：主要用於延伸曲線至缺乏市場報價的長期端。常見方法有兩類：一類是假設遠端利率逐漸收斂至某一穩態水平，如長期均值或政策利率錨定；另一類則利用參數化模型，通過設定極限條件（如Nelson-Siegel 模型中的長期因子）實現自然外推。外推的挑戰在於市場長端報價稀缺，若方法不當，易導致曲線末端出現不合理上揚或下跌。因此，外推在實踐中更強調經濟含義與穩健性，而非簡單擬合。

總體而言，插值與外推在曲線構造中起到承上啟下的作用。線性方法簡潔透明，但難以滿足高階應用需求；非線性方法更契合市場實際，能夠在擬合與平滑之間取得平衡；外推則是長期定價與風險管理不可或缺的工具，需要結合宏觀預期與模型約束進行審慎處理。

3.2.4 驗證（Validation）

曲線構造完成並不意味着結束，作為定價與風控的基準工具，其質量直接決定交易中估值、對衝和風控的有效性。因此，構造完成的曲線需要經過系統化的驗證，以確保其合理性、一致性和穩健性。常用的驗證方法主要集中在一致性測試（Round-trip Consistency Test）、基準測試（Benchmarking Tests）、敏感性測試（Sensitivity Tests）三個方面。

1)一致性測試：驗證曲線是否能精準還原用於構建該曲線的原始標的報價的方法。核心目的在於確保曲線與市場數據之間具備高度的一致性，避免出現曲線所計算出的理論價格和實際市場報價存在較大偏差，以此來驗證曲線在貼合市場方面的準確性。測試主要分為三步：1）確定測試標的：選取構建曲線時所運用的各類自舉法標的，涵蓋不同期限，確保工具的全面性和代表性；2）曲線重新定價：依據已構建好的待驗證曲線所提供的貼現因子、遠期利率等關鍵參數，按照各標的自身的合約條款來計算對應的理論價格；3）偏差校驗：將計算得出的理論價格與這些工具在市場中的實際報價進行逐一對比，通常要求偏差控制在極小的範圍內（如1bp以內），若偏差處於合理區間，則可認為該曲線通過此項測試，表明其在往返一致性方面表現良好。

2)基準測試：通過橫向對比將待驗證的曲線與公認的基準曲線進行對比。核心目的在於評估待驗證曲線在市場普遍認可的標準下的合理性，從而判斷其是否因構建方法選擇不當等原因而出現系統性偏差，確保曲線在的可參考性。測試主要分為三步：1）選擇基準曲線：優先選取第三方權威機構提供的、被市場廣泛認可的曲線（例如彭博/Wind），以此來建立一個可靠的對比參照；2）多維度對比：針對關鍵期限，對比待驗證曲線與基準曲線在即期利率、遠期利率、貼現因子等重要指標上的數值差異；3）偏差歸因：如果發現偏差超出預先設定的合理閾值，對曲線進行鍼對性的調整和優化。

3)敏感性測試：主通過對曲線構造過程中的輸入數據（例如各類資產的報價、插值方法所涉及的相關參數等）施加一定幅度的小幅衝擊（通常是正向或負向變動1bp等），觀察輸出曲線相應產生的變化幅度以及變化範圍。其核心目標在於評估曲線對於輸入數據擾動的「抗風險能力」，即驗證曲線的穩定性以及局部性特徵，確保曲線在面對市場微小波動時依然能夠保持相對穩定可靠的狀態，避免出現因輸入數據的小變化而導致曲線出現大幅度不合理波動的情況。測試主要分為三步：1）確定衝擊變量：從眾多曲線構造的輸入變量中選取關鍵且具有代表性的變量作為衝擊對象（如市場報價）；2）施加標準化衝擊：對選定的輸入變量按照預先設定的標準（如1bp 的正向或負向衝擊）進行改變，同時保持其他變量維持不變，評估單一變量變動對曲線產生的影響；3）分析曲線響應：計算在施加衝擊前后曲線在關鍵期限的利率等指標上的最大變化幅度，以此來對曲線進行穩定性評估。

4 風險提示

模型迭代升級、新功能開發可能會導致結論不同。 

模型結論僅供參考，可能出現錯誤答案的風險。 

AI 幻覺生成虛構內容、誤導內容的風險。