tf-quant-finance 利率曲线插值:constant_fwd 常数远期插值法全面解析
tf-quant-finance 利率曲线插值:constant_fwd 常数远期插值法全面解析
导读
tf_quant_finance.rates.constant_fwd 是 tf-quant-finance 利率工具箱(rates 模块)中提供的一种收益率曲线插值方法——常数远期(Constant Forward)插值。它假设相邻节点之间的瞬时远期利率保持恒定,数学上等价于对「时间 × 收益率」曲线做线性插值,是利率曲线构建(Curve Construction)与互换曲线拟合中的经典选择。读完本文,你将掌握该方法的数学原理、interpolate 函数的完整参数用法、批处理与广播行为、外推语义,以及它在互换曲线拟合和定价平台 RateCurve 中的实际落地方式。
一、什么是常数远期插值
在利率市场中,收益率曲线(Yield Curve)通常只给出有限个关键期限(Tenor)的利率观测值,例如 1M、3M、6M、1Y、2Y、5Y、10Y、30Y。要对任意到期日定价,就必须在已知节点之间插值。
常数远期插值的基本思想是:任意两个相邻节点之间的远期利率(Forward Rate)保持恒定。也就是说,从节点 t_{i-1} 到节点 t_i,远期利率处处相等,而收益率(零息利率)则以一种特定的平滑方式从 y_{i-1} 过渡到 y_i。
该方法在 tf-quant-finance 中的正式定义为:
给定到期日
t_i, i=1,...,n及对应的(连续复利)收益率y_i, i=1,...,n。若t是待插值期限,且满足t_{i-1} <= t <= t_i,则常数远期插值产生收益率y_t,使得区间[t_{i-1}, t]内的远期利率与区间[t_{i-1}, t_i]内的远期利率相同。数学上,这等价于对曲线t_i, t_i*y_i做线性插值。
数学推导
根据远期利率与零息利率的关系(参见 analytics/forwards.py 中的式 (4)):
f(t1, t2) = (t2 * r(t2) - t1 * r(t1)) / (t2 - t1)
其中 r(t) 为零息收益率,f(t1, t2) 为区间 [t1, t2] 的远期利率。若要求 [t_{i-1}, t] 与 [t_{i-1}, t_i] 的远期利率相等,则:
(t * y_t - t_{i-1} * y_{i-1}) / (t - t_{i-1}) = (t_i * y_i - t_{i-1} * y_{i-1}) / (t_i - t_{i-1})
化简后,t * y_t 恰为 t_{i-1} * y_{i-1} 与 t_i * y_i 的线性插值。因此实现只需两步:
- 构造变换后的曲线
(t_i, t_i * y_i); - 在该曲线上做标准线性插值得到
t * y_t,再除以t还原收益率。
与其他插值方法对比
| 方法 | 插值对象 | 区间内远期利率行为 | 仓库实现位置 |
|---|---|---|---|
| 常数远期(constant_fwd) | t * y 曲线线性插值 |
恒定 | rates/constant_fwd |
| 线性插值(linear) | 收益率 y 本身 |
不恒定、随收益率线性变化 | math/interpolation/linear |
| 三次样条(cubic) | 收益率 y |
平滑变化 | math/interpolation/cubic |
| 单调凸(monotone convex) | 区间远期利率积分 | 单调凸约束 | rates/hagan_west |
常数远期插值的优势在于:它直接保证了相邻节点之间远期利率的恒定性与连续性,避免出现负远期利率等不合理现象,因此特别适合用于折现曲线(Discount Curve)与互换曲线构建。
二、函数签名与参数详解
constant_fwd 模块的核心 API 只有一个 interpolate 函数,完整签名如下:
tf_quant_finance.rates.constant_fwd.interpolate(
interpolation_times, reference_times, reference_yields, dtype=None, name=None
)
参数说明
| 参数 | 类型 | 说明 | 约束 |
|---|---|---|---|
interpolation_times |
N-D Tensor(实数) |
需要插值的期限点 | 前 N-1 维为批处理维度 |
reference_times |
N-D Tensor(实数) |
输入收益率曲线的期限节点 | 必须严格递增;前 N-1 维为批处理维度 |
reference_yields |
N-D Tensor(实数) |
与 reference_times 对应的连续复利收益率 |
形状需与 reference_times 兼容;不要求单调 |
dtype |
tf.dtype |
输入与输出张量的数据类型 | 默认 None,即从输入推断 |
name |
Python str |
为函数创建的操作添加的名称前缀 | 默认 None,映射为 'constant_fwd_interpolation' |
返回值
返回一个与 interpolation_times 形状相同的 N-D 实数 Tensor,包含插值得到的收益率。
关键约束:期限严格递增、收益率可不单调
文档与源码明确强调:
reference_times必须严格递增(strictly increasing):这是因为插值算法依赖tf.searchsorted定位区间,乱序的期限节点会产生错误结果;reference_yields不需要单调:收益率曲线本身并不要求单调,利率倒挂(Inverted Curve)等市场形态同样可以正确插值。
从源码角度看,constant_fwd 本身未提供 validate_args 校验开关,输入合法性依赖调用方保证;相比之下,底层 线性插值实现 提供了 validate_args=True 时对 x_data 非递减与形状一致的显式断言。
三、快速上手:官方示例
文档给出的最简示例(与 constant_fwd_interpolation_test.py 中的 test_correctness 完全一致):
import tf_quant_finance as tff
interpolation_times = [1, 3, 6, 7, 8, 15, 18, 25, 30]
# `reference_times` 必须严格递增,但 `reference_yields` 不需要。
reference_times = [0.0, 2.0, 6.0, 8.0, 18.0, 30.0]
reference_yields = [0.01, 0.02, 0.015, 0.014, 0.02, 0.025]
result = tff.rates.constant_fwd.interpolate(
interpolation_times, reference_times, reference_yields)
测试中验证的期望输出为:
# [0.02, 0.0175, 0.015, 0.01442857, 0.014, 0.01904, 0.02, 0.0235, 0.025]
让我们手工核对几个点,理解插值过程:
t=1:落在节点[0.0, 2.0]之间。区间[0, 2]的远期利率为(2*0.02 - 0*0.01)/2 = 0.02,所以1*y = 0 + 0.02*1 = 0.02,即y = 0.02,与输出一致;t=3:落在[2.0, 6.0]之间。该区间远期利率为(6*0.015 - 2*0.02)/4 = 0.0125,故3*y = 2*0.02 + 0.0125*1 = 0.0525,y = 0.0175,与输出一致;t=25:落在[18.0, 30.0]之间,区间远期利率(30*0.025 - 18*0.02)/12 = 0.0325,25*y = 18*0.02 + 0.0325*7 = 0.5875,y = 0.0235,与输出一致。
可见,t * y_t 的线性插值关系被精确满足,节点上的收益率与远期利率严格一致。
四、源码级实现原理
interpolate 的实现位于 constant_fwd_interpolation.py,核心逻辑非常紧凑:
with tf.compat.v1.name_scope(
name, default_name='constant_fwd_interpolation',
values=[interpolation_times, reference_times, reference_yields]):
interpolation_times = tf.convert_to_tensor(interpolation_times, dtype=dtype)
dtype = dtype or interpolation_times.dtype
reference_times = tf.convert_to_tensor(reference_times, dtype=dtype)
reference_yields = tf.convert_to_tensor(reference_yields, dtype=dtype)
# 目前仅支持平坦外推:将插值期限裁剪到输入曲线的最小/最大期限之间
reference_times_min = tf.reduce_min(reference_times, axis=-1, keepdims=True)
reference_times_max = tf.reduce_max(reference_times, axis=-1, keepdims=True)
interpolation_times = tf.minimum(
reference_times_max,
tf.maximum(reference_times_min, interpolation_times))
interpolated_prod = linear_interpolation.interpolate(
interpolation_times, reference_times,
reference_times * reference_yields, dtype=dtype)
interpolated = interpolated_prod / interpolation_times
return interpolated
整个算法分三步走:
1. 类型统一与名称作用域
三个输入张量统一通过 tf.convert_to_tensor 转换为 dtype 指定(或自动推断)的类型,所有算子挂在名为 constant_fwd_interpolation 的 name_scope 下,便于在 TensorBoard 与图结构中追踪。
2. 平坦外推(Flat Extrapolation):裁剪到节点范围
源码注释明确指出:目前仅支持平坦外推。实现方式是先取 reference_times 沿最后一维的最小值与最大值(reduce_min/reduce_max,keepdims=True 保持广播形状),再用 tf.minimum + tf.maximum 把 interpolation_times 裁剪进 [min, max] 区间。
这意味着:
- 当
t < t_1时,插值结果退化为第一个节点的收益率y_1; - 当
t > t_n时,插值结果退化为最后一个节点的收益率y_n。
测试 test_extrapolation 验证了这一行为:对 t=0.5(小于最小节点 1.0)与 t=35.0(大于最大节点 30.0),期望结果分别为 [0.01, 0.025],即直接取两端节点收益率。
值得注意:平坦外推的收益率恒等于端点值,等价于端点之外远期利率为零,这是利率曲线外推的一种保守选择。
3. 变换曲线上的线性插值
将 reference_yields 与 reference_times 逐元素相乘得到 t_i * y_i,调用 math.interpolation.linear.interpolate 在裁剪后的期限点上插值,最后除以 interpolation_times 还原收益率。
边界情况——t=0:若插值期限恰为 0,则 interpolated_prod / interpolation_times 会出现除零。但实践中的节点通常为严格正数,且该函数面向远期/零息曲线构建,期限为 0 时收益率本身无定义,调用方需自行规避。
五、批处理与自动广播
interpolate 完整继承了 TensorFlow 的批处理语义:三个输入张量的前 N-1 维为批处理维度,最后一维为曲线维度。这意味着可以一次为多组曲线(例如不同货币、不同日期的多条曲线)计算插值。
基础批处理
test_batching 展示了二维批处理:interpolation_times 为 [2, 4] 形状,reference_times 与 reference_yields 均为 [2, 6] 形状,两条曲线独立插值,互不干扰。
自动广播(Auto Broadcasting)
底层 linear_interpolation.interpolate 在入口处调用 broadcast_common_batch_shape 对三个输入做公共批处理形状广播(见 linear_interpolation.py),因此 constant_fwd 也自动支持三种广播形态:
| 场景 | 广播方式 | 测试用例 |
|---|---|---|
| BroadcastInterpolationTimes | 1-D 插值期限广播到 2-D 曲线 | test_batching_auto_broadcast |
| BroadcastReferenceYields | 1-D 收益率广播到 2-D 曲线 | 同上 |
| BroadcastReferenceTimes | 1-D 期限节点广播到 2-D 曲线 | 同上 |
例如在 BroadcastInterpolationTimes 场景中,interpolation_times 为 [1., 3., 6., 7.](1-D),而 reference_times 为 [2, 6] 形状的两条曲线,插值期限会自动广播、分别对两条曲线求值。
批处理与外推的组合
test_batching_and_extrapolation 进一步验证了批处理与平坦外推的联合行为:interpolation_times 中包含 0.5(超出第一条曲线最小节点)与 35.0(超出最大节点)的值,期望输出显示两端分别取各自曲线的端点收益率。
测试全部通过 @test_util.run_all_in_graph_and_eager_modes 装饰器运行,覆盖了 TensorFlow 的图模式(Graph Mode)与即时执行模式(Eager Mode)两种执行路径。
六、实战应用场景
constant_fwd 不是孤立工具,它在仓库中有两处重要的实际引用。
6.1 互换曲线拟合(swap_curve_fit)中的自定义插值器
tf_quant_finance/rates/swap_curve_fit.py 允许调用方通过 curve_interpolator 参数自定义曲线插值器。测试 swap_curve_test.py 展示了用 constant_fwd 拟合含 7 个关键期限(1Y~30Y)互换曲线的完整流程:
def curve_interpolator(xi, x, y):
return tff.rates.constant_fwd.interpolate(xi, x, y, dtype=dtype)
results = tff.rates.swap_curve_fit(
float_leg_start_times, float_leg_end_times, float_leg_dc,
fixed_leg_start_times, fixed_leg_end_times, fixed_leg_cashflows,
fixed_leg_dc, pvs,
curve_tolerance=1e-5,
dtype=dtype,
curve_interpolator=curve_interpolator,
initial_curve_rates=initial_curve_rates)
该测试使用 1Y/2Y/3Y/5Y/7Y/10Y/30Y 的平价互换利率(2.855% ~ 3.27%)构建浮动腿与固定腿现金流,以常数远期插值作为曲线表示,最终断言拟合成功且收益率曲线为 [0.02834814, 0.03076991, ...]。这证明 constant_fwd 可以直接作为折现曲线的表示函数参与互换定价与曲线拟合迭代。
6.2 定价平台 RateCurve 的内置插值选项
在 experimental/pricing_platform 中,RateCurve 支持三种插值方法,定义于 interpolation_method.py:
class InterpolationMethod(enum.Enum):
LINEAR = "LINEAR"
CUBIC = "CUBIC"
CONSTANT_FORWARD = "CONSTANT_FORWARD"
RateCurve.__init__ 在 interpolator == _InterpolationMethod.CONSTANT_FORWARD 时直接将插值器绑定到 rates_lib.constant_fwd.interpolate(见 rate_curve.py),并在 market_data_config.py 的 RateConfig 数据类中暴露 interpolation_method 配置字段(默认 CUBIC)。测试 rate_curve_test.py 通过 interpolation_method=InterpolationMethod.CONSTANT_FORWARD 构建曲线并验证远期利率输出。
因此,在配置化定价场景中,只需将配置中的 interpolation_method 设为 "CONSTANT_FORWARD" 即可启用常数远期插值。
七、与远期利率工具的衔接
理解常数远期插值离不开远期利率的数学基础。仓库在 rates/analytics/forwards.py 中给出了完整的定义:
r(t) = - ln(Z(t)) / t (1) 零息利率
exp(-f(t1, t2)(t2-t1)) = Z(t2) / Z(t1) (2) 远期利率与零息债券价格
f(t1, t2) = (t2 * r(t2) - t1 * r(t1)) / (t2 - t1) (4) 由零息利率求远期
constant_fwd 正是式 (4) 的反向应用:它保证任意子区间 <a href="https://link.gitcode.com/i/f2bcdc73378cb0d362ed65cf07aba953" target="_blank">t_{i-1}, t] 的远期利率恒等于整段节点区间 [t_{i-1}, t_i] 的远期利率,从而把「分段常数远期」这一假设落到收益率曲线上。配合 [forward_rates_from_yields 可从任意收益率曲线推导节点间的远期利率,两者可形成完整的「收益率 ↔ 远期利率」转换闭环。
八、使用注意事项小结
- 期限必须严格递增:
reference_times需升序排列,reference_yields不要求单调(允许利率倒挂); - 外推行为固定:仅支持平坦外推,小于最小节点或大于最大节点的插值期限会分别收敛到首、尾节点收益率;
- 批处理友好:三输入的前 N-1 维为批处理维,并支持期限、收益率、节点三者的自动广播;
- t=0 除零风险:
interpolated / interpolation_times在期限为 0 时无定义,实际使用时节点与插值期限应取正数; - 调用路径:模块入口为 tf_quant_finance/rates/constant_fwd/init.py,公开符号仅
interpolate;BUILD 目标为//tf_quant_finance/rates/constant_fwd:constant_fwd(见 BUILD)。
常数远期插值是利率曲线构建工具箱中最简单也最稳健的表示之一:数学上等价于对「期限×收益率」做线性插值,实现上复用了高性能的 linear_interpolation 内核,并能无缝嵌入互换曲线拟合与配置化定价平台,是理解 tf-quant-finance 利率模块的良好起点。