Yield curve estimation by kernel smoothing methods
核平滑方法下的收益率曲线估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以政府附息债券为数据对象，估计贴现函数、收益率和远期曲线，直接关联债券定价。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
核平滑方法下的收益率曲线估计
- 研究问题
- 如何从政府附息债券估计贴现函数、收益率曲线和远期曲线，同时避免预设贴现函数形式，并允许在估计中加入限制？
- 方法与思路
- 作者基于核平滑和局部总体矩条件构造非参数估计，通过类似反向拟合的迭代求解，并用无穷级数表示建立渐近理论。
- 材料陈述的贡献
- 摘要称，所提方法可施加多种限制，估计量渐近正态且具有一维非参数回归的标准收敛率，并通过小规模模拟与既有方法比较。
- 阅读关注点
- 应核对局部矩条件、带宽和限制的选择、迭代算法的收敛，以及级数表示所需条件和债券价格到贴现曲线的识别关系。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法确认具体限制、带宽规则或模拟比较结果；渐近性质不能直接保证有限样本曲线估计准确。
原文摘要
We introduce a new method for the estimation of discount functions, yield curves and forward curves from government issued coupon bonds. Our approach is nonparametric and does not assume a particular functional form for the discount function although we do show how to impose various restrictions in the estimation. Our method is based on kernel smoothing and is defined as the minimum of some localized population moment condition. The solution to the sample problem is not explicit and our estimation procedure is iterative, rather like the backfitting method of estimating additive nonparametric models. We establish the asymptotic normality of our methods using the asymptotic representation of our estimator as an infinite series with declining coefficients. The rate of convergence is standard for one dimensional nonparametric regression. We investigate the finite sample performance of our method, in comparison with other well-established methods, in a small simulation experiment.