基于SparkR的债券估值系统设计与实现(3)

菜单

近些年来，我国债券市场飞速发展，市场增量和存量规模快速扩大。但是与有着百余年的发展积累的欧美国家相比，我国的债券市场在制度，产品，技术等各个方面还有很大的进步空间。尤其是在债券估值方面，有很多需要改进的地方。

1.1.1 估值曲线分类

作为债券估值的核心，收益率曲线可以分为静态模型和动态模型两大类。所谓的静态模型就是先从市场上获取某一时间点的行情数据，再对这些数据进行曲线拟合；而动态模型则是在静态模型的基础上加入微积分的方法，使收益率曲线进一步反映出市场利率变化。静态模型主要有McCulloch样条模型、NS(Nelson-Siegel)模型以及Hermite差值方法；动态模型从上世纪70年代后期开始大量涌现，主要包括两种模型，分别是均衡模型和无套利模型。

1.1.2 国外债券估值的发展情况

1.1.3 国内债券估值的发展情况

1.2 债券实时估值存在的问题

国内有关债券估值的研究虽然起步较晚，但是发展迅速，通过对国外模型的引进和改良，收益率曲线的研究取得了一定的成果。然而债券信息数据规模的爆炸性增长，大数据技术的迅猛发展以及大数据智能分析的流行，原有的债券估值有了明显的缺陷。具体表现为两个方面。

第一，数据过度依赖人为判断。由于债券发行量及种类的不断增长，用户往往淹没在大量市场数据之中，导致无法有效准确直接地得到债券估值数据。许多提供债券估值服务的公司例如中央债券登记结算公司就采取人工选择数据点进行曲线拟合。因此债券收益率曲线拟合时，拟合程度与光滑程度之间的平衡直接受制于人为因素。中国债市的发展稳健，逐步形成了以交易所债市、商业银行柜台市场以及场外银行间市场组成的统一分层的市场体系，平均每日的价格信息超过3000条，如此庞大的信息量对选取人员获取有效信息是个挑战。不光债券信息数据量大，债券数据结构复杂。对于一只债券，它可有数笔市商的双向报价、又可能有各笔实际的成交价格。而且各笔成交报价数能据之间可能相差甚远，这使选取人员难以判定异常值。在“11超日债”之后，投资者们意识到不仅股市有风险，债券也有风险，捕捉市场对于风险的反映往往比给风险定价更为重要，选取人员的负担更重。虽然国内大部分研究注重于估值模型的有效性，但是数据的准确性不容忽视。降低人为因素对于债券收益率曲线准确性的影响是今后债券估值发展的一大难题。

另一方面现有市场债券估值曲线发布的现状不能满足数据的实时性要求。以“中德资讯”为例，“中德资讯”先将所有数据存入数据库再从数据库中获取有效数据进行计算。这样的方法不仅降低计算机运行效率，而且不利于分布式并行计算。进行债券估值时，应用程序处理连续数据流时会多次操作存储在数据库中的常用业务数据，并和其他程序共享结果。由于数据库在读取数据时不能始终保证高性能，所以并不适合运行时进行数据共享。还有一点，数据库的扩展性并不好，尤其在业务处理方面，这会降低依赖于它的所有应用程序的速度。由此可见虽然数据库作为主要存储区域时,可以永久存储数据,但并不适合运行时数据共享。实时数据共享请求某个应用程序更新的数据时,有这些数据相关的所有其他应用程序的数据应当立刻受到通知。与此同时,某些程序之前因为等待某些数据类型被创建而闲置的应用程序，在更新完成后，应当立刻收到通知。近几年来数据规模增长迅猛，大数据时代已经进入我们的视野。原本的串行算法不能满足大量的数据处理。想要解决大数据处理性能需要新的技术手段比如内存计算。数据处理的效率直接影响了收益率曲线的生成时间，同时还会影响用户利益，甚至影响整个债券市场的发展。