Nelson-Siegel- [Svensson]模型是拟合收益曲线的常用方法。它的优点是其参数的经济可解释性，被银行广泛使用。但它不一定在所有情况下都有效：模型参数有时非常不稳定，无法收敛。
纳尔逊（Nelson）和西格尔（Siegel）在其原始论文中从远期利率入手，然后推导了收益率至到期曲线的公式.
Nelson-Siegel模型是简约的，可以生成丰富的收益曲线。
但是，由于简单地使用它，它通常失去了经济上的可解释性，甚至无法收敛。
上图显示了这种情况。
plot(MATURITY_BASES, oldYields
lines(MATURITY_BASES, oldYields)
points(newMats, newYields, col="blue")
lines(newMats, newYields, col="blue")
此代码模仿了一个频繁使用的案例，当前的收益曲线与昨天的曲线进行了比较。从某种意义上讲，这是一个简单示例，因为对于给定的到期日，我们已经具有零收益率。实际上，我们通常与票息债券有关，这会使事情变得更加复杂。
您可能会认为，由于软件的实施而导致收敛失败。我要讲的不是不好的实现，而是要高度依赖所使用的数值方法，如下面的更实际的示例所示。
提供更逼真的建模
#include <ql/qldefines.hpp>
#ifdef BOOST_MSVC
# include <ql/auto_link.hpp>
#endif
#include <ql/termstructures/yield/fittedbonddiscountcurve.hpp>
#include <ql/termstructures/yield/piecewiseyieldcurve.hpp>
#include <ql/termstructures/yield/flatforward.hpp>
#include <ql/termstructures/yield/bondhelpers.hpp>
#include <ql/termstructures/yield/nonlinearfittingmethods.hpp>
using namespace QuantLib;
int main(int, char*[]) {
try {
Calendar calendar = NullCalendar();
Date today = Date(18, December, 2017);
Settings::instance().evaluationDate() = today;
//市场数据
double cleanPrices1[] = { 107.96, 135.88, 110.6, 133.46, 135.8, 142.155, 121.045, 134.97, 117.04,
101.61, 128.67, 106.615, 106.36, 99.515, 101.21, 105.655, 114.828 };
double cleanPrices2[] = { 107.9, 134.965, 110.37, 132.89, 135.62,140.845, 120.585, 133.995, 116.745,
101.58, 128.115,105.985, 105.395,99.385, 100.79,104.955, 114.7985 };
double cleanPrices3[] = { 107.96, 134.625, 110.58, 132.65, 135.145, 140.585, 120.385, 133.735, 116.635,
101.62, 127.925, 105.6, 105.085, 99.29, 100.6, 104.945, 114.7415 };
double cleanPrices4[] = { 107.78, 134.39, 110.175, 132.445, 134.905, 139.515, 120.115, 133.475, 116.455,
101.58, 127.845, 105.53,104.805, 99.07, 100.46, 104.885, 114.6225 };
std::vector<boost::shared_ptr<BondHelper> > bondHelpersA;
std::vector< boost::shared_ptr<SimpleQuote> > quoteA;
std::vector<boost::shared_ptr<BondHelper> > bondHelpersB;
for (Size i = 0; i < numberOfBonds; i++) {
boost::shared_ptr<SimpleQuote> cp1(new SimpleQuote(cleanPrices1<em class="d4pbbc-italic"></em>));
quoteA.push_back(cp1);
boost::shared_ptr<SimpleQuote> cp2(new SimpleQuote(cleanPrices2<em class="d4pbbc-italic"></em>));
quoteB.push_back(cp2);
boost::shared_ptr<SimpleQuote> cp3(new SimpleQuote(cleanPrices3<em class="d4pbbc-italic"></em>));
quoteC.push_back(cp3);
boost::shared_ptr<SimpleQuote> cp4(new SimpleQuote(cleanPrices4<em class="d4pbbc-italic"></em>));
quoteD.push_back(cp4);
}
RelinkableHandle<Quote> quoteHandleA[numberOfBonds];
//Nelson-Siegel模型拟合
Real tolerance = 1.0e-14;
Size max = 10000;
boost::shared_ptr<FittedBondDiscountCurve> tsA(
new FittedBondDiscountCurve(curveSettlementDays,
calendar,
instrumentsA,
ActualActual(),
NelsonSiegelFitting(),
tolerance,
max));
boost::shared_ptr<FittedBondDiscountCurve> tsB(
new FittedBondDiscountCurve(curveSettlementDays,
calendar,
instrumentsB,
ActualActual(),
NelsonSiegelFitting(),
tolerance,
max));
boost::shared_ptr<FittedBondDiscountCurve> tsC(
new FittedBondDiscountCurve(curveSettlementDays,
calendar,
instrumentsC,
ActualActual(),
NelsonSiegelFitting(),
tolerance,
max));
boost::shared_ptr<FittedBondDiscountCurve> tsD(
new FittedBondDiscountCurve(curveSettlementDays,
calendar,
instrumentsD,
ActualActual(),
NelsonSiegelFitting(),
tolerance,
max));
std::cout << tsA->fitResults().numberOfIterations() << std::endl;
std::cout << tsB->fitResults().numberOfIterations() << std::endl;
正式而言，收益曲线每天的变化并不显着，但是模型参数却可以：
Nelson-Siegel意识到了这些问题，并提供了解决这些问题的方法。特别是，他们考虑了Taus的时间序列，并确定了Taus的最佳拟合值的中值和合理范围。
但是，与往常一样，原始论文被引用的次数可能多于阅读次数。此外，如果需要按时间顺序排列的收益率数据，可能会感到困惑，而不是仅仅考虑相关日期的数据。即使处理时间序列不是问题，Nelson和Siegel也没有指定正式的算法来选择的最佳值。
最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类
