1. 先把概念摆正即期利率、贴现因子和收益率不是一回事做固收核算、理财台账或者资产端收益归集的同行多半被“即期利率”这四个字绊过一下。数据源给的是一条零息曲线业务方要的是“这笔资产到期到底能给我多少收益”中间隔着贴现因子、复利口径、计息天数三座小山。我第一次接这类需求时用表格软件硬怼了两天公式套公式改一个参数整张表全红最后还得手工拿计算器核对两遍才敢交出去。后来把这套东西搬到 Python 上写成几十行纯函数再包一层曲线对象同样的活从两天缩到两分钟而且每一步都能复现、能回溯、能拿给别人看。这篇就把这套做法完整摊开即期利率和贴现因子怎么互转票息债券怎么反推零息曲线到期收益率怎么求解以及中间那些教科书不写、但实际会让人加班到半夜的细节。适合三类人看做财务核算需要独立验算收益的、做数据分析刚接触固定收益的、以及写量化脚本想找一份能直接改改就用的骨架的。不需要你有多深的数学底子高中复利公式能看懂就够剩下的都是工程问题。1.1 三个词在真实业务里的分工很多人把“即期利率”和“收益率”当同义词用这在短端、低息环境下问题不大一旦曲线陡峭或者期限拉长两者能差出几十个基点。**即期利率spot rate**描述的是“今天把钱放进去到期一次性拿回来”这种零息交易的年化回报它对应的是一个个孤立的期限点1 年期、2 年期、3 年期各有一个中间没数据。**贴现因子discount factor**是即期利率的另一种写法本质是“未来 1 块钱在今天值多少”2 年期贴现因子 0.925 就表示两年后的 1 块钱现在值 0.925 块。**到期收益率YTM**则是针对一只具体债券把它的全部现金流票息加本金按同一个折现率折到今天的价格上反解出来的那个折现率。差别在哪即期利率是“一价到底”的零息口径YTM 是“一率折全程”的打包口径。一只 3 年期、年付票息的债券它的 YTM 其实是 1 年、2 年、3 年三个即期利率的加权混合结果票息越高混合权重越偏向短端。所以你会看到同一个发行人、同一天3 年期零息债的即期利率和 3 年期付息债的 YTM 数值不一样这不是数据错了是口径不同。注意业务方口头说的“收益率”经常是 YTM也可能是“持有到期年化”还可能是“票面利率”这三个值能差出好几个点。动手写代码之前先把这一句问清楚比后面调三天参数都管用。1.2 为什么这件事值得用 Python 做表格软件当然能算YIELD、PRICE、IRR这些函数都在。问题出在可复用性和可审计性上。一只债券一套公式勉强能忍当你要处理几十上百只、期限从 3 个月到 10 年、计息规则还不统一的时候表格的公式引用会变成一团意大利面任何一个中间单元格被误改结果静默出错你还不一定发现。Python 的优势不是算得快而是把口径固化成代码。复利方式、年化基准、付息频率这些容易被忽略的假设在代码里必须显式写成参数写一次之后所有调用都一致。再加上可以写单元测试、可以批量跑、可以把中间结果贴现因子、现金流明细一起落表出了问题能一层层往回查。我现在的习惯是任何进报表的收益率数字都必须由一段可重跑的脚本生成不接受手工填。1.3 动手前必须确认的四组输入写第一行代码之前有四组信息不确认清楚后面一定返工输入项典型取值不问清楚会怎样复利方式连续复利、年复利、按频率复利、单利同一组贴现因子能算出四种即期利率年化基准实际天数/365、实际天数/360、30/360长端偏差可达几个基点付息频率年付、半年付、季付YTM 与价格对不上价格口径全价含应计利息、净价差额等于应计利息短端尤其明显复利方式这一项坑最深。市场报价里货币市场工具常用单利债券常用年复利或半年复利利率互换和部分衍生品用连续复利。四套口径互相换算有闭式公式但一旦混用1 年期以内能差 1 到 2 个基点10 年期能差出十几二十个基点。我在项目里吃过这个亏上游给的曲线是连续复利下游报表按年复利展示没做转换季度对账的时候被财务追问了三天。价格口径同样不能含糊。净价是报价全价才是现金流折现的结果两者差一个应计利息。如果你拿净价直接去解 YTM在付息日附近误差小到看不出来在付息前一天误差最大容易得出一个“看起来合理”的错数。2. 计算骨架怎么搭从数据到结果的分层设计这套东西写得好不好不在于公式多花哨而在于流程会不会咬人。我的原则是分三层最底下是一组无状态的纯函数只做数学换算输入输出都是数字不碰文件不碰网络中间是一层曲线对象把一组期限点和贴现因子捏在一起负责插值和查询最上面是报表层负责读数据、批量算、写结果、留日志。这样分的好处是底层函数可以单独拿去做单元测试曲线对象可以换插值方法而不影响上层报表层想换输出格式也不用动数学。2.1 三层结构的具体落法纯函数层只放那些“给同样的输入永远给同样的输出”的东西贴现因子转即期利率、即期利率转贴现因子、现金流折现、YTM 求根、应计利息计算。这些函数我一般放在一个rates_core.py里一个函数不超过 30 行参数全部显式不用全局变量。曲线对象这层其实就是一个类内部存两个等长列表期限、贴现因子对外提供df(t)和spot(t)两个查询方法。中间期限点用线性插值还是对数线性插值是个需要想清楚的选择。贴现因子在时间上是指数衰减的形状直接对贴现因子做线性插值会引入一个微小的、系统性的高估对ln(DF)做线性插值等价于假设即期利率在区间内分段线性这是行业里更常见的做法误差也小。这个差异在 1 年期以内基本看不出来在 5 年以上、曲线拐点附近能差小半个基点。报表层就是胶水读入债券清单循环调用曲线对象和求根函数把 YTM、贴现因子、现金流明细一起吐成一张宽表。这一层我强烈建议把中间结果全部保留别只输出最后那个百分数。出了问题能一眼看出是哪只债、哪个期限、哪笔现金流出的偏差比从头 debug 快十倍。2.2 依赖选型numpy 够不够用结论是够用而且大多数场景下比引入重型金融库更省心。numpy提供向量化运算和数组操作scipy.optimize.brentq可以拿来求根pandas负责表格进出。这三样基本能覆盖 95% 的日常需求。要不要上专门的定价库取决于你是不是要处理含权债、可转债、结构化产品这些带期权特征的品种如果只是普通付息债和零息债自己写反而更透明出问题知道去哪找。有一个细节值得提scipy.optimize.brentq比手写二分法快但它要求你先给出一个“函数值异号”的区间否则直接抛异常。很多新手报ValueError: f(a) and f(b) must have different signs八成是因为区间给得太窄或者价格输入有问题比如把净价当全价传进去。我的习惯是先用二分法跑一遍拿到粗解再用牛顿法精修两次结果对不上就报警——这本身就是一道很有效的自检。2.3 计息天数规则的抽象计息天数规则day count convention看起来是个小问题实际是核算分歧的高发区。ACT/365 按时历天数除以 365ACT/360 除以 36030/360 则把每个月都当 30 天。同一笔 3 个月期的资产ACT/360 算出来的年化比 ACT/365 高一点点因为它把分母压小了。代码上怎么处理我建议不要去写一个“万能”的日期差函数而是定义三四个明确的函数用字符串标记选择然后在一处集中映射。这样以后要加新规则只改一个字典不动业务逻辑。更重要的是每笔计算都要把用了哪条规则写进结果里别让它隐身在默认参数中。我见过最典型的翻车是一批资产混用了两种基准报表加总的时候没人发现等到季度末跟托管方对账差了几万块回头查了整整一周。提示如果你的数据源来自多个渠道先做一次“同券同日同价格”的交叉验证把各家的计息基准和复利口径摸清楚再合并不要假设大家都一样。3. 贴现因子与即期利率的互转最容易翻车的一段这一段的数学很浅就是复利公式但它是整套计算的地基口径错了上面全错。核心关系只有一句贴现因子等于“未来 1 单位货币按即期利率折回今天的系数”即期利率就是把贴现因子反解出来的年化利率。麻烦在于同一组贴现因子按不同复利假设反解出来的即期利率不一样数值差异随期限放大。3.1 三种复利口径的换算公式设期限为t年可以是小数即期利率为r贴现因子为DF四套口径分别是连续复利DF exp(-r * t)反解r -ln(DF) / t年复利DF (1 r) ** (-t)反解r DF ** (-1/t) - 1按频率 m 复利DF (1 r/m) ** (-t*m)反解r m * (DF ** (-1/(t*m)) - 1)单利DF 1 / (1 r * t)反解r (1/DF - 1) / t拿一组具体数字感受一下。假设 2 年期贴现因子是 0.9210那么连续复利即期利率是-ln(0.9210)/2 ≈ 4.11%年复利是0.9210**(-1/2) - 1 ≈ 4.20%单利是(1/0.9210 - 1)/2 ≈ 4.29%。同一组数据三个数差出 18 个基点。这就是为什么“口径”必须先定谈绝对数值之前先把尺子对齐。代码不长但要把参数校验写进去否则遇到t 0或者DF 0会直接崩import math def df_from_spot(r, t, compannual, freq1): 由即期利率求贴现因子。t 为年数可为小数。 if t 0: raise ValueError(期限不能为负) if comp continuous: return math.exp(-r * t) if comp annual: return (1.0 r) ** (-t) if comp freq: return (1.0 r / freq) ** (-t * freq) if comp simple: return 1.0 / (1.0 r * t) raise ValueError(f未知复利方式: {comp}) def spot_from_df(df, t, compannual, freq1): 由贴现因子反解即期利率。 if t 0: raise ValueError(期限必须为正) if df 0: raise ValueError(贴现因子必须为正) if comp continuous: return -math.log(df) / t if comp annual: return df ** (-1.0 / t) - 1.0 if comp freq: return freq * (df ** (-1.0 / (t * freq)) - 1.0) if comp simple: return (1.0 / df - 1.0) / t raise ValueError(f未知复利方式: {comp})写完这段第一件事是做往返自检随机生成一批利率和期限转成贴现因子再转回来看是否回到原值。误差应该小于 1e-12否则公式写错了。这个测试我每次新建模块都会跑五秒钟的事能省掉后面两小时的排查。3.2 年化基准与真实天数带来的偏差期限t怎么算是另一个隐形雷区。1 年期按 365 天、按 360 天t差了 1.4%折算到利率上就是几个基点。更常见的是付息周期不规则某只债上一个付息日是 3 月 15 日下一个是 9 月 15 日实际天数 184 天你按 0.5 年算就有偏差。我在实际项目里的做法是所有期限都换算成“按约定基准的年数小数”而不是简单地用整数年。具体写法是先拿到实际天数差days再按基准除ACT/365 就days/365ACT/360 就days/36030/360 则用专门的函数算“名义天数”。这样后续所有公式里的t都是同一个含义不用再考虑特例。注意IFRS 或内部核算里如果规定了资产端和负债端用不同基准别图省事统一成一个。宁可多传一个参数也别让口径在代码里悄悄漂移。3.3 曲线对象的插值与查询有了互转函数就可以把一条离散的曲线封装起来。插值方式我倾向于对ln(DF)做线性插值理由是它和“即期利率分段线性”等价经济含义清楚也不会在长期限上产生负利率的异常。代码大致长这样class ZeroCurve: def __init__(self, tenors, dfs, compannual): if len(tenors) ! len(dfs): raise ValueError(期限与贴现因子长度不一致) order sorted(range(len(tenors)), keylambda i: tenors[i]) self.t [tenors[i] for i in order] self.df [dfs[i] for i in order] self.comp comp def df_at(self, t): if t 0: return 1.0 if t self.t[0]: return self.df[0] ** (t / self.t[0]) if t self.t[-1]: # 末端按最后一段的隐含即期利率外推 last_r spot_from_df(self.df[-1], self.t[-1], self.comp) return df_from_spot(last_r, t, self.comp) for i in range(1, len(self.t)): if t self.t[i]: t0, t1 self.t[i - 1], self.t[i] w (t - t0) / (t1 - t0) ln_df (1 - w) * math.log(self.df[i - 1]) w * math.log(self.df[i]) return math.exp(ln_df) return self.df[-1]注意末端外推那一行曲线内的插值有数据支撑曲线外的外推就没有了只能假设最后一段的即期利率延续。这个假设在 1 到 2 年的延长范围内还算能用超过就该警惕了。写报表的时候我一般会给外推得到的点打一个标记方便复核的人知道哪些数是真实数据、哪些是推出来的。4. 收益率求解的完整实操前面都是准备工作这一段才是业务方真正要的那个数。整体流程是先把债券的现金流序列金额加上时间点建出来再用求根算法找到那个让“现金流折现之和等于市场价格”的利率也就是 YTM。如果手上是一组不同期限的付息债还可以反过来推出一条零息曲线这就是所谓的 bootstrapping自助法。4.1 到期收益率的求解器二分法与牛顿法的取舍YTM 求解本质上是一元方程求根目标函数是价格(ytm) - 市场价 0。这个函数在正常范围内单调递减利率越高折现值越低所以二分法几乎不会失败缺点是收敛慢通常要迭代 40 到 60 次才能到 1e-12 精度。牛顿法快5 到 8 次就够但它依赖导数而且在久期很小的品种上可能跳出去。我的实际选择是默认用二分法需要跑大批量时再切牛顿法。原因很实在二分法行为可预测迭代次数稳定不会因为某只债的现金流特别而产生异常分支出错的时候也好排查。批量跑几千只债二分法多花的那点时间在 Python 里大概是毫秒级不值得为它引入不确定性。def bond_price(ytm, cashflows, times, freq1): 给定 YTM年化与现金流返回全价。 return sum(cf / (1.0 ytm / freq) ** (t * freq) for cf, t in zip(cashflows, times)) def solve_ytm(price, cashflows, times, freq1, lo-0.95, hi3.0, tol1e-12, max_iter300): 二分法求解到期收益率。 if price 0 or not cashflows: raise ValueError(价格或现金流非法) f lambda y: bond_price(y, cashflows, times, freq) - price flo, fhi f(lo), f(hi) if flo * fhi 0: raise ValueError( f区间 [{lo}, {hi}] 内无解检查价格口径与现金流方向: ff(lo){flo:.6f}, f(hi){fhi:.6f} ) for _ in range(max_iter): mid 0.5 * (lo hi) fm f(mid) if abs(fm) tol: return mid if flo * fm 0: hi, fhi mid, fm else: lo, flo mid, fm return 0.5 * (lo hi)这里有个参数值得说清楚freq。年付债freq1半年付freq2。它同时影响折现公式和年化口径。同一只债用freq1解出来的 YTM 和用freq2解出来的不一样后者通常略小。这不是 bug是两种年化约定报出去的时候必须注明用的是哪种。国内不少报表习惯年付口径但银行间一些品种按半年付报价混着用迟早出事。4.2 一个能对得上号的完整算例拿一只具体债券走一遍面值 100票面利率 4%年付剩余期限整 3 年当前全价 98.5求 YTM。现金流是[4, 4, 104]时间点是[1, 2, 3]freq1。调用solve_ytm(98.5, [4,4,104], [1,2,3], freq1)二分法会给到约4.547%。手工验算一遍4/1.04547 4/1.093007 104/1.142701三项分别是 3.82603、3.65960、91.01414加起来 98.4998和 98.5 差 0.0002是四舍五入带来的可接受。这一步顺便验证了另一件事如果你拿净价去解得到的数会不一样。假设应计利息是 1.2那全价就是 99.7 而不是 98.5解出来的 YTM 约 3.72%差了 80 多个基点。所以价格口径这件事真的是差之毫厘谬以千里。4.3 用票息债券反推即期曲线Bootstrapping单只债券求 YTM 不算难真正有价值的是从一组不同期限的债券里把零息曲线剥出来。逻辑是逐段推进最短那期如果是零息债贴现因子直接可求下一期用已知的短端贴现因子把中间票息折现掉剩下的残值对应最后一笔现金流反解出这一期的贴现因子依次往前推。def bootstrap_curve(bonds, face100.0, freq1): bonds: 按到期年限排序的列表元素为 dict: {maturity: 整数年, coupon: 每百元面值年票息, price: 全价} 返回每期的贴现因子与即期利率年复利。 bonds sorted(bonds, keylambda b: b[maturity]) dfs, curve [], [] for b in bonds: n, c, p b[maturity], b[coupon], b[price] pv_coupon sum(c * dfs[t - 1] for t in range(1, n)) df_n (p - pv_coupon) / (face c) if df_n 0: raise ValueError(f{n} 年期贴现因子非正检查价格) dfs.append(df_n) curve.append({ tenor: n, df: df_n, spot: df_n ** (-1.0 / n) - 1.0, }) return curve拿三只债试一下期限票息全价反推贴现因子即期利率年复利1 年097.50.9750002.5641%2 年398.20.9250003.9750%3 年499.00.8788464.3988%第一行零息债贴现因子就是97.5/100 0.975即期利率1/0.975 - 1 2.5641%。第二行先扣掉 1 年期票息的影响3 × 0.975 2.925残值98.2 - 2.925 95.275对应 2 年后的 103 块DF 95.275/103 0.9250开根号倒数就是 3.9750%。第三行同理4 × 0.975 4 × 0.925 7.6残值99 - 7.6 91.4除 104 得 0.878846开三次方倒数为 4.3988%。为了让读者能直接复现我把校验也写一下用推出来的曲线给一只 4 年期、票息 5、全价 102 的债定价看是不是自洽。这里需要 4 年期贴现因子得先假设一个值或者用外推实际报表里我一般会明确标注“该点由外推得到”。注意bootstrapping 对数据质量极其敏感。如果某只债的价格是三天前的剥出来的那一期贴现因子就会被污染而且错误会往长端传导。我的习惯是先做一遍数据体检检查期限是否唯一、价格是否在合理区间比如 80 到 120、票息与市场水平是否明显脱节任何一项不过就直接剔除并记日志。4.4 结果自检的三个口径数字算出来别急着提交。我固定跑三道自检第一道往返一致性。用解出的 YTM 反算价格和输入价格比对误差应在 1e-8 以内。这一道能抓住大部分公式错误。第二道单调性检查。同一组债券久期越长、票息越低的YTM 与其他指标之间的关系应该大体符合直觉。如果出现“10 年期 YTM 明显低于 1 年期”这种极端倒挂先别急着下结论说市场就是这样的先检查数据。第三道与外部基准对拍。挑两三只标准品种用另一套独立方法比如表格软件的现成函数算一遍看差异是否可解释。差异本身不可怕可怕的是不知道为什么差。5. 常见问题与排查实录这一段是我踩过的坑的汇总也是这篇里最不像文档的部分。代码能抄坑得自己踩但下面这些至少能让你少踩几个。5.1 求解器不收敛或者报“区间内无解”这是最高频的报错原因按出现频率排下来大概是价格口径用了净价应计利息没加、现金流方向写反把付出去的钱当收进来的钱、区间设得太窄、票息为负但没处理、期限换算成了错误的年数。排查顺序建议这么走先把现金流列表打印出来看最后一笔是不是“本金加最后一期票息”这是最容易漏的再手动算一个极端利率下的价格比如 ytm 0 时价格应该是所有现金流之和如果这个都对不上说明现金流建错了最后检查区间lo设成 -0.95 通常够宽了但如果遇到深度负利率或者超长久期品种可能需要放宽。还有一种隐蔽情况某只债的现金流里同时有常规票息和摊销本金你按标准付息债的模板建现金流结果当然解不出来。这类品种要单独走一个分支别硬套。5.2 和表格软件算出来的数差一截差几个基点通常是口径问题差几十个基点通常是数据问题。我做过一个对照清单差异幅度优先怀疑怎么验证小于 1 个基点复利方式、年化基准换成相同基准重算1 到 20 个基点计息天数、付息频率检查freq与t的计算20 个基点以上价格含息与否、现金流建错打印现金流与全价核对数值符号相反现金流方向检查是否把买入当卖出我印象最深的一次是某批资产的 YTM 整体比对方低了 15 个基点查了两天最后发现是双方对“一年按 365 天还是 360 天”理解不同。改一个分母全对上了。这类问题没有技术含量但极其耗时所以我现在第一版代码就把基准做成显式参数并且在输出表里专门加一列写清楚用的是哪条规则。5.3 极端行情下的负数与零息负利率不是理论上的东西短端出现负值已经不算罕见。代码上会碰到两个坑一是(1 r) ** (-t)在r -1时没有实数意义虽然现实中不会到 -100%但你得防住异常输入二是某些品种的票息为零bootstrap_curve里除数是face c 100没问题但如果面值不是 100 就要注意别写死。我的处理方式是加两个断言即期利率必须大于 -1贴现因子必须在 (0, 1] 之间严格说也可以大于 1但那意味着负利率需单独标记。断言不是用来防止别人使坏而是用来在数据出错的第一时间把问题暴露出来别让它一路传到报表里变成看起来正常的数字。5.4 排查速查表把这几年遇到的问题浓缩成一张表出问题的时候按顺序过一遍现象可能原因处理求根函数抛“无解”价格口径、现金流方向、区间打印现金流先验 0 利率下的价格结果每次跑都不一样用了未排序的字典或随机种子检查数据加载顺序长端利率明显不合理数据陈旧、外推过头加时间戳校验外推点单独标记批量结果里零星异常值单只债的现金流特殊加逐只校验异常单独输出与对手方对不上账基准、复利、含息口径逐项对表从最小差异开始排6. 让它变成能长期用的工具脚本能跑通只是第一步能长期用、别人接手也不出事还得补几块工程细节。这部分不涉及金融知识纯是让代码别在半年后坑自己。6.1 向量化与批量计算单只债的求根用循环没问题几百只也扛得住。如果真的到几万只二分法的循环会成为瓶颈。这时候可以把求根过程向量化一次性对所有债券、所有迭代步做数组运算用numpy的掩码来收缩区间。实测下来几万只债的求解时间能从几十秒压到一秒以内。但我要提醒一句先确认真的需要。我在项目里见过为了“性能”把代码写成一行嵌套向量运算结果没人看得懂出了错也没法调。真实业务里能一次处理几千只的场景已经很少循环加一点进度条完全够用。性能优化留到有明确瓶颈的时候再做别提前给自己挖坑。6.2 单元测试怎么写才有效测试不是越多越好是越准越好。我固定写四类换算对拍贴现因子和即期利率互转往返误差小于 1e-12。已知答案拿一只现金流极简单的债比如 1 年期零息YTM 应该等于100/价格 - 1代码结果必须一致。边界行为价格等于所有现金流之和时YTM 应该约等于 0价格高于面值时YTM 应低于票面利率。异常输入价格为负、期限为零、现金流为空必须抛异常而不是返回一个数。第三类最有价值因为它验证的是“经济直觉”而不只是代码逻辑。代码写得再漂亮如果价格 110 的债解出来的 YTM 高于票息那肯定哪里错了。6.3 结果落库与可追溯最后一件事也是最容易被忽略的每次计算都要留下可追溯的痕迹。我会在输出表里固定带几列计算时间戳、数据源标识、复利口径、年化基准、付息频率、是否含息。这些字段平时看起来冗余真正对账的时候就是救命的东西。再加一条所有中间结果单独存一份每只债的现金流明细、每个期限的贴现因子。这样半年后有人问“这个 4.39% 是怎么来的”你能直接把链路调出来而不是重新跑一遍还不一定对得上。提示如果这套计算要跑在定时任务上把“输入数据校验”放在最前面任何一只债的数据不过关就整批中止并报警别让半批脏数据流进报表。宁可不跑也别跑出错的数。我个人在实际操作中的体会是这类计算的难点从来不在数学而在于把口径讲清楚、把假设写进代码、把中间过程留痕。公式就那么几个真正让人加班的是“这个数为什么和别人的不一样”。等到某天有人拿着报表问你某个数字的来历你能在两分钟内调出完整链路这套东西才算真正做成了。
