Charles R.

Nelson
Andrew F. Siegel
Universidad de Washington

Modelo Parsimonioso de Curvas de Rendimiento

Introducción:
La necesidad de un modelo parsimonioso de la curva de rendimiento fue reconocida por Milton Friedman (1977,
p. 22) cuando dijo: Estudiantes de estadística las funciones de la demanda podrían encontrar más productivo
examinar cómo la estructura completa de los rendimientos se puede describir de forma más compacta mediante
unos pocos parámetros. El propósito de este artículo es introducir un modelo simple y parsimonioso que sea lo
suficientemente flexible como para representar el rango de formas generalmente asociado con las curvas de
rendimiento: mono, tintado y con forma de S. La capacidad del modelo para ajustarse a los rendimientos de los
bonos del Tesoro de los Estados Unidos y para predecir el precio de un bono del Tesoro a largo plazo nos sugiere
que el modelo tenga éxito en el conjunto de objetivos de Friedman. Las aplicaciones potenciales de los modelos
de curvas de rendimiento parsimoniosas incluyen Funciones de demanda (Friedman tenía en mente la demanda
de dinero), pruebas de las teorías de la estructura temporal de las tasas de interés y visualización gráfica con fines
informativos.

La adaptación de las curvas de rendimiento a los datos de rendimiento / madurez se remonta al menos a los
esfuerzos pioneros de David Durand (1942), cuyo método de adaptación consistía en dibujar una envoltura
monótona bajo la dispersión de puntos de una manera que le parecía subjetivamente razonable. El rendimiento
puede transformarse al valor presente, y J. Huston McCulloch (1971, 1975) ha propuesto aproximar la función
del valor presente mediante una spline polinomial por tramos ajustada a los datos de precios. Gary Shea (1982,
1985) ha demostrado que la función de rendimiento resultante tiende a doblarse bruscamente hacia el final del
rango de madurez observado en la muestra. Esto parece ser la propiedad más improbable de una verdadera
relación de curva de rendimiento y también sugiere que estos modelos no serían útiles para la predicción fuera
del rango de madurez de la muestra. Otros investigadores han instalado una variedad de modelos paramétricos
para producir curvas, incluyendo Cohen, Kramer y Waugh (1966), Fisher (1966), Echols y Elliott (1976), Dobson
(1978), Heller y Khan (1979) y Chambers. Carleton, y Waldman (1984). Algunos de estos se basan en la regresión
polinomial, y todos incluyen al menos un término lineal que obligaría a que las tasas extrapoladas a muy largo
plazo sean ilimitadamente grandes (ya sean positivas o negativas) a pesar de sus capacidades para encajar de
manera cercana dentro del rango de los datos. Vasicek y Fong (1982) han recomendado splines exponenciales
como alternativa a los splines polinomiales. En una comparación de las dos metodologías de spline, Shea (1984)
encuentra que las splines exponenciales están sujetas a las mismas deficiencias que las splines polinomiales,
esencialmente porque las splines polinomiales se usan después de un cambio de variables.

Los estudiantes del término hasta la estructura de madurez de las tasas de interés han descrito, invariablemente,
curvas de rendimiento que son esencialmente monótonas, jorobadas o, en ocasiones, con forma de S. Esta
consistencia es notablemente evidente en el largo registro histórico de curvas dibujadas subjetivamente
presentadas por Wood (1983). Una consistencia similar se muestra por las curvas de rendimiento trazadas en
Malkiel (1966, pp. 13, 14) y en el Boletín del Tesoro. Esto es cierto incluso en las curvas de rendimiento basadas
en métodos polinomiales. Por ejemplo, los trazados por Chambers et al. (1984) revelan las tendencias explosivas
de los polinomios hacia el final del rango de madurez ajustado.
Una clase de funciones que genera fácilmente las formas típicas de la curva de rendimiento es la asociada con
soluciones a ecuaciones diferenciales o de diferencia. La teoría de las expectativas de la estructura temporal de
las tasas de interés proporciona una motivación heurística para investigar esta clase, ya que, si las tasas al contado
se generan mediante una ecuación diferencial, las tasas a futuro, al ser las previsiones, serán la solución a las
ecuaciones. Por ejemplo, si la tasa de avance instantánea al vencimiento m, denotada r (m), viene dada por
La solución a una ecuación diferencial de segundo orden con raíces reales y desiguales, la tendríamos.

donde 𝑡1 y 𝑡2 son constantes de tiempo asociadas con la ecuación, y 𝐵0, 𝐵1 y 𝐵2 están determinadas por las
condiciones iniciales. Esta ecuación genera una familia de curvas de tasa de avance que adoptan formas
monótonas, jorobadas o S dependiendo de los valores de 𝐵1 y 𝐵2 que también tienen asíntota 𝐵0 El rendimiento
hasta la madurez en una factura, denotada R (m), es el promedio de las tasas a plazo.

y la curva de rendimiento que implica el modelo muestra el mismo rango de formas.

La experimentación con el ajuste de este modelo para facturar los rendimientos sugiere que está sobre
parametrizado. Como los valores de 𝑡1 y 𝑡2 fueron variados, fue posible encontrar valores de 𝐵 ′ 𝑠 que dieron casi
el mismo ajuste. El software estándar para estimar modelos no lineales no logró converger, lo que da otra
indicación de sobre parametrización. Un modelo más parsimonioso que puede generar el mismo rango de formas
viene dado por la ecuación de solución para el caso de raíces iguales

Este modelo también puede derivarse como una aproximación a la solución en el caso de raíces desiguales al
expandirse en Una serie de potencias en la diferencia entre las raíces. El modelo (1) también puede verse como
una constante más una función de Laguerre, lo que sugiere un método para la generalización a modelos de orden
superior. Las funciones de Laguerre consisten en un polinomio por un término de decaimiento exponencial y son
una clase matemática de funciones aproximadas; los detalles se pueden encontrar, por ejemplo, en Courant y
Hilbert (1953, 1: 93-97).

Para obtener el rendimiento en función de la madurez de las raíces iguales, el modelo (1) se integra 𝑟(⋅) en (1) de
cero a m se divide por m. La función resultante es

que también es lineal en coeficientes, dado 𝑡 El valor límite de R (m) a medida que m aumenta es 𝐵0 y a medida
que m disminuye es (𝐵0 + 𝐵1 ) que son necesariamente los mismos que para la función de velocidad de avance
ya que R (m) es solo un promedio de 𝑟(⋅) El rango de formas disponibles para R (m) depende de un solo parámetro
ya que para 𝑡 = 1, 𝐵0 = 1 y (𝐵0 + 𝐵1 ) = 0 tenemos

Al permitir que el parámetro a tome valores de menos seis a 12 en incrementos iguales, genera las formas
mostradas en la figura 1, que incluyen jorobas, formas S y curvas monotónicas. Sobre la base del rango de formas
disponibles para nosotros en el modelo de segundo orden, nuestra hipótesis operativa es que podremos capturar
la relación subyacente entre rendimiento y plazo hasta la madurez sin recurrir a modelos más complejos que
involucren más parámetros.

Otra forma de ver la flexibilidad de la forma del modelo de segundo orden es interpretar los coeficientes del
modelo (1) como medida de las fortalezas de los componentes a corto, mediano y largo plazo de curva de tasa de
avance (y por tanto de la curva de rendimiento). La contribución del componente a largo plazo es 𝐵0, la del
componente a corto plazo es 𝐵1, y 𝐵2 indica la contribución del componente a medio plazo. En la figura 2 vemos
por qué estas tareas son apropiadas. El componente a largo plazo es una constante que no decae a cero en el límite.
La curva de mediano plazo es la única función dentro de este modelo que comienza en cero (y por lo tanto no es
a corto plazo) y decae a cero (y por lo tanto no es a largo plazo). La curva de corto plazo tiene el decaimiento más
rápido de todas las funciones.
Dentro del modelo que decae monótonamente a cero. Es fácil ver cómo, con las selecciones de pesos adecuadas
para estos componentes, podemos generar una variedad de curvas de rendimiento basadas en curvas de tasa de
avance con formas monótonas y jorobadas.

II. Curvas de rendimiento empírico para los bonos del Tesoro de los Estados Unidos
El objetivo de nuestro trabajo empírico es evaluar la idoneidad del modelo de segundo orden para describir la
relación entre el rendimiento y el plazo hasta el vencimiento de los bonos del Tesoro de los Estados Unidos. Al
elegir las facturas para nuestro estudio piloto, esperamos evitar algunas de las complicaciones asociadas con los
bonos con cupón, como las tasas impositivas diferenciales para los ingresos por cupón y las ganancias de capital.
Los datos provienen de las hojas de cotización del Banco de la Reserva Federal de Nueva York muestreadas cada
cuatro jueves (excepto festivos) desde el 22 de enero de 1981 hasta el 27 de octubre de 1983, con 37 muestras en
total. Las hojas de cotización indican la oferta y el descuento y el rendimiento equivalente de los bonos solicitados
para las facturas en cada fecha de vencimiento pendiente al cierre de negociación en la fecha de la hoja de
cotización. El número de días hasta el vencimiento se calcula desde la fecha de entrega, que es el lunes siguiente
para una transacción del jueves, hasta la fecha de vencimiento. Normalmente, se negocian 32 vencimientos, que
en estos jueves se resuelven en plazos de 3 días a 178 días. en incrementos de 7 días, de 199 días y, luego, en
incrementos de 28 días a 339 días. En tres fechas también hubo una factura de 1 año negociada. La oferta y los
descuentos solicitados se calculan en las hojas de cotización como si hubiera un año de 360 días y
están en un interés simple. Los precios de las facturas en sí no se muestran, pero se calculan fácilmente a partir
de los rendimientos de descuento. Hemos convertido el descuento solicitado en el precio correspondiente (que
pagó un inversionista) y luego calculamos la tasa de retorno compuesta de manera continua desde la fecha de
entrega hasta la fecha de vencimiento anualizada a un año de 365.25 días. Estos rendimientos son los datos que
ajustamos al modelo de curva de rendimiento. Las observaciones sobre los dos primeros vencimientos, 3 y 10
días, se omiten porque los rendimientos son consistentemente más altos, probablemente debido a los costos de
transacción relativamente grandes en un corto plazo hasta el vencimiento. Esto deja 30 pares de rendimiento /
vencimiento observados en cada una de las 34 fechas de mercado y 31 pares en tres fechas. Los datos recopilados
para la primera fecha en nuestra muestra (22 de enero de 1981) se representan en la figura 3
A los fines de ajustar las curvas de rendimiento, hemos parametrizado el modelo (2) en la forma

Para cualquier valor provisional de 𝑡 podemos calcular fácilmente los valores de muestra de los dos regresores.
Los valores de mejor ajuste de los coeficientes a, b y c se calculan utilizando mínimos cuadrados lineales. La
repetición de este procedimiento en una cuadrícula de valores para 𝑡 produce los valores globales de mejor ajuste
de 𝑡, a, b y c. Recuerde que 𝑡 es una constante de tiempo que determina la velocidad a la que las variables
regresivas caen a cero. Los gráficos del conjunto de datos revelan que la relación rendimiento / vencimiento se
vuelve bastante plana en el
rango de 200-300 días (como en la fig. 3), lo que sugiere que los valores de mejor ajuste de 𝑡 estarían en el rango
de 50-100. Por lo tanto, buscamos en una cuadrícula de 10 a 200 en incrementos de 10 y también de 250, 300 y
365.

Los valores pequeños de 𝑡 se corresponden rápidamente decaimiento en los regresores y, por lo tanto, será capaz
de ajustar bien la curvatura a vencimientos bajos, mientras que no será capaz de ajustar la curvatura excesiva en
rangos de madurez más largos. En consecuencia, los grandes valores de 𝑡 producen una disminución lenta en los
regresores que pueden ajustar la curvatura en rangos de madurez más largos, pero no podrán seguir una curvatura
extrema en los vencimientos cortos. Esta compensación se ilustra en la figura 4, que muestra los rendimientos
observados el 19 de febrero de 1981 (nuestro segundo conjunto de datos) y curvas ajustadas para 𝑡 = 20 y 100. El
mejor ajuste general para este conjunto de datos lo proporciona 𝑡 = 40 (no graficado).

También queda bastante claro en la figura 4 que ningún conjunto de valores de los parámetros se ajustaría
perfectamente a los datos, ni es nuestro objetivo encontrar un modelo que lo haga. En nuestra opinión, es menos
probable que un modelo más altamente parametrizado que pueda seguir todas las fluctuaciones en los datos que
predecir que un modelo más parsimonioso que asuma más suavidad la relación subyacente que uno observa en
los datos. Hay una serie de razones por las que no esperamos que los datos se ajusten a la verdadera relación
subyacente entre el rendimiento y el vencimiento, incluso si supiéramos lo que era. Por ejemplo, no hay
transacciones continuas en todas las facturas, por lo que las cotizaciones publicadas pueden reflejar transacciones
que se produjeron en diferentes momentos durante el día de negociación, aunque se supone que las cotizaciones
deben reflejar las condiciones al cierre del mercado. Las facturas de vencimientos específicos pueden venderse
con descuento o prima debido a las diferencias en los costos de transacción. Esperamos que, al estudiar las
desviaciones de los datos del modelo adaptado, podamos identificar características tanto sistemáticas como
idiosincrásicas de los datos que el modelo no logra captar.

Los resultados básicos del modelo de segundo orden ajustado a cada uno de los 37 conjuntos de datos se presentan
en la tabla 1. La columna de resguardo da el número de conjunto de datos, columna 1, el mejor ajuste valor de 𝑡,
columna 2 la desviación estándar de los residuos en puntos básicos (cientos de porcentajes) y columna 3 el valor
de 𝑅 2 Los valores medios de estas estadísticas sobre las 37 muestras se dan en la última fila de la tabla. El primer
punto que vale la pena señalar es que el modelo representa una fracción muy grande de la variación en los
rendimientos de las facturas; la mediana 𝑅 2 es 0.959. La desviación estándar mediana de los residuos es 7.25
puntos básicos, o 0.725 puntos porcentuales, o un .000725 en rendimiento. Las desviaciones estándar varían desde
aproximadamente 2 puntos básicos hasta aproximadamente 20. Los valores que mejor se ajustan a 𝑡 tienen una
mediana de 50. Ocurrieron en el límite inferior del rango de búsqueda (𝑡 = 10) en dos casos y en el límite superior
(𝑡 = 365) en tres casos. La curva de rendimiento ajustada para el primer conjunto de datos se muestra en la figura
3, mostrando un ejemplo de una forma joroba
Del patrón de desviaciones de la curva se desprende que los residuos no son aleatorios, sino que parecen mostrar
cierta dependencia a lo largo del eje de madurez. Por lo tanto, nos abstenemos de hacer declaraciones sobre la
importancia estadística de las estimaciones de coeficientes sobre la base de los errores estándar convencionales.
También nos interesará ver si tales patrones son sistemáticos en todas las muestras.

Aunque los valores que mejor se ajustan a 𝑡 varían considerablemente, como muestra la columna 1 de la tabla 1,
se pierde bastante poca precisión de ajuste si imponemos el valor de la mediana de 50 para 𝑡 para todos los
conjuntos de datos. Las desviaciones estándar resultantes aparecen en la columna 4 de la tabla 1 y tienen un valor
mediano de 7.82 puntos básicos, o solo .57 puntos básicos más altos que cuando se permitió a cada conjunto de
datos elegir su propia 𝑡 Para algunos conjuntos de datos, esta restricción hace una diferencia notable, como en el
caso del conjunto de datos 8 para el 6 de agosto de 1981, en el que un pequeño valor de 𝑡 es capaz de explicar
una fuerte caída en los rendimientos en vencimientos inferiores a 50 días. Sin embargo, en los casos en que, 𝑡 era
365, la restricción cuesta poco en términos de precisión. Los resultados generales sugieren que se puede ganar
poco en la práctica ajustando 𝑡 a cada conjunto de datos individual

El valor más bajo de 𝑅 2 registrado fue de 49.7 para el conjunto de datos 7 (9 de julio de 1981), mientras que el
más alto fue de 99.6 para el conjunto 24 (28 de octubre de 1982). Las características de los dos conjuntos de datos
que llevaron a este resultado son evidentes en las figuras 5 y 6, respectivamente. El conjunto de datos 7 en la
figura S parece ser dos conjuntos de datos a diferentes niveles, que una curva suave tendrá poca capacidad de
tener en cuenta. Esta discontinuidad aparente es única en nuestra muestra y puede reflejar la falta de operaciones
tardías en el sector largo del mercado ese día o, quizás,
error administrativo (nos referimos a esto como el "conjunto de datos de pausa de café). Por el contrario, el
conjunto de datos 24 en la figura 6 presenta un patrón muy suave en forma de S que es seguido de forma muy
precisa por el modelo, dejando los residuos con una desviación estándar de solo alrededor de 3 puntos básicos.

La capacidad del modelo de segundo orden para generar formas de joroba era uno de sus atributos atractivos
conceptualmente, pero la pregunta sigue siendo
Si esta flexibilidad es importante empíricamente. Un modelo alternativo más simple sería una función exponencial
simple para las tasas de avance obtenidas al establecer 𝐵2 igual a cero en la ecuación (1). Este modelo restringido
solo puede generar curvas de rendimiento monótonas. La columna final de la tabla muestra las desviaciones
estándar residuales resultantes de imponer esta restricción (pero ahora permite que 𝑡 tome su valor más adecuado).
La mediana de los 37 conjuntos de datos es de 9.00 puntos básicos en comparación con los 7.25 informados.
modelo. En algunos casos la desviación estándar aumenta bruscamente. Por ejemplo, no es sorprendente que la
curva monotónica no se ajuste bien al primer conjunto de datos: la desviación estándar aumenta de 16.09 a 46.71
puntos básicos. En los casos, la desviación estándar se reduce ligeramente porque el modelo restringido también
se ajusta aproximadamente y usa un parámetro menos
Tenga en cuenta que la pérdida de precisión asociada con el modelo monótono es generalmente mucho mayor
para los primeros 23 conjuntos de datos que para los últimos 14. El punto de ruptura se produce en octubre de
1982. La capacidad del modelo de segundo orden para adaptarse a formas jorobadas era evidentemente mucho
más importante antes de esta fecha que después. Una forma de ver la evolución del modelo de segundo orden a
lo largo del tiempo es trazar los tres parámetros de la función de tasa de avance, como se muestra en la figura 7.
Recuerde que estos pueden estar asociados con el corto plazo, a medio plazo, y componentes a largo plazo del
modelo. El punto de quiebre de octubre de 1982 está indicado por el

línea vertical. Se observa que la variación en todos los componentes ha disminuido después de esa fecha. Las
magnitudes de los componentes a corto y mediano plazo también son mucho más pequeñas después de octubre
de 1982 y, sin el componente a mediano plazo, el modelo se vuelve monótono. Evidentemente, la forma de la
curva de rendimiento se volvió abruptamente más simple y más estable. Observe también en la tabla 1 que la
dispersión de los datos alrededor de las curvas de rendimiento ajustadas se redujo drásticamente. Suponemos que
todos estos fenómenos son el resultado de un cambio en la política monetaria de la Reserva Federal en octubre de
1982, cuando se dice que la Reserva Federal cambió de estabilizar los agregados monetarios a estabilizar las tasas
de interés. Bajo el régimen anterior, el mercado podría razonablemente haber esperado que se observaran
movimientos bastante bruscos en las tasas de interés en las próximas semanas para desviarse del objetivo. Las
primas de riesgo asociadas con la incertidumbre de la tasa de interés también pueden haber sido más grandes y
más variables. Bajo el nuevo régimen, el mercado esperaría razonablemente un pequeño cambio en las tasas de
interés. Las dinámicas más simples se asocian con una curva de rendimiento de orden inferior más simple. Con
los precios moviéndose menos rápidamente, las cotizaciones de los distribuidores también pueden haberse
convertido en medidas más precisas de la estructura de los rendimientos en un momento determinado; por lo
tanto, hubo menos dispersión en los residuos del modelo ajustado. La evidencia presentada aquí confirma
claramente que un cambio importante en la política monetaria ocurrió en octubre de 1982

II. Análisis de los residuos: madurez y efectos del problema

Las gráficas de curvas de rendimiento ajustadas de acuerdo con los datos han sugerido cierta dependencia de los
residuos a lo largo del eje de madurez. Nos gustaría intentar determinar si esto se debe a una influencia sistemática
pero no suave de la madurez en el rendimiento, que se mostraría en el patrón de residuos de nuestro modelo. Si
tal efecto persiste a través del tiempo, entonces deberíamos poder detectarlo en el promedio de los 37 residuos
correspondientes a la madurez específica. La Figura 8 es una gráfica de los residuos promediados que caen en el
rango ±7 puntos básicos en comparación con un error estándar aproximado de 1.2 puntos básicos. El patrón visto
aquí no es solo promedio; es típico El primer vencimiento es de 17 días y el gran promedio residual positivo
refleja mayores costos de transacción por unidad de tiempo. Las curvas ajustadas tienden a ser levantadas por este
punto de datos, dejando el siguiente debajo de la curva. La característica más inestable de la trama es una
pendiente ascendente a poco menos de 90 días, luego una caída brusca, luego una subida a poco menos de 180
días, otra caída brusca y, finalmente, una subida a la madurez más larga. Estos picos corresponden a los
vencimientos de las letras subastadas por el Tesoro. Roll (1970) ha documentado un patrón similar para los
diferenciales promedio de la oferta solicitada, que atribuyó a los menores costos de inventario de los distribuidores
para los vencimientos de reciente emisión altamente activos. Lo que es relevante para los compradores de facturas
es la elección de los rendimientos solicitados a través de los vencimientos. Al ajustar una curva de rendimiento
suave, hemos hecho este patrón altamente visible y lo hemos cuantificado.

Los efectos de emisión se distinguen de los efectos de vencimiento en el sentido de que se refieren a las facturas
que vencen en una fecha particular en lugar de a las facturas con un plazo particular de vencimiento. Encontramos
algunas pruebas de los efectos del problema, ya que los residuos grandes para un problema particular muestran
cierta tendencia a persistir de una cita a otra. La evidencia de los efectos de la emisión es menos convincente que
la de los efectos de la madurez, pero parece justificar una investigación adicional.

IV. Predicción fuera de la muestra: determinación del precio de un bono a largo plazo
Uno de nuestros criterios para un modelo de curva de rendimiento satisfactorio es que pueda predecir los
rendimientos más allá del rango de madurez de la muestra utilizada para ajustarlo. Una prueba irrazonablemente
exigente sería pedirle que prediga el rendimiento o el precio de un bono gubernamental a largo plazo, pero esto
es lo que hemos intentado hacer. El bono particular elegido es el cupón de 12 3⁄4 % bonos del Tesoro de EE.
UU. Con vencimiento en 2010 (se puede llamar en 2005), ya que este fue el bono más largo que aparece en todas
nuestras hojas de cotizaciones.

Podemos estimar el precio de un bono como el valor presente de la serie de flujos de efectivo (pagos de cupones
y amortización del capital) descontados según el valor de la curva de rendimiento al término de cada pago. Un
bono puede considerarse como un paquete de billetes que consiste en Cupones con vencimientos espaciados a
intervalos de 6 meses y el pago del valor nominal a la fecha de vencimiento del bono. Cada factura de componente
paga una cantidad igual al cupón semestral, excepto el último, que también paga el valor nominal del bono. Los
valores de una curva de rendimiento se pueden utilizar para descontar cada factura de componente en el flujo. El
valor total resultante puede compararse con el precio cotizado del bono, ajustándose primero por los intereses
devengados desde la fecha del último cupón, que el comprador debe pagar al vendedor.

El precio previsto de los bonos dependerá principalmente de la parte de la curva de rendimiento que se encuentre
más allá del rango de los datos de la factura de muestra porque, como máximo, solo los dos primeros pagos de
cupones semestrales pueden vencerse dentro del límite de vencimiento a 1 año de las letras del Tesoro de los
Estados Unidos. Para nuestro modelo de curva de rendimiento con valores de 𝑡 alrededor de 50, la curva ajustada
se aplana considerablemente para vencimientos más allá de un año. El primer término exponencial en el modelo
va de la unidad a una madurez cero a 1.369 a la fecha de vencimiento de 365 días, y el segundo término va de la
unidad a .0007 en el mismo intervalo. Por lo tanto, el precio del bono se determina en gran medida por el nivel
asintótico de la curva dada por la intersección en el modelo, 𝐵0 Equivalentemente, el valor de la intersección debe
estar cerca del rendimiento al vencimiento del bono. Si el modelo es valorar el bono con precisión. Cuando
permitimos que 𝑡 tomara su valor mejor ajustado, dos predicciones salieron drásticamente mal: el duodécimo ($
138.063 contra un precio real de $ 100.34) y el vigésimo segundo ($ 404.58 contra un precio real de $ 103.59).
Estos fueron los dos modelos que tenían valores grandes de 𝑡. (ver tabla 1). En ambos casos, los datos de
rendimiento del proyecto de ley se ajustaron como la porción ascendente de una joroba larga con una posible
desintegración a un nivel mucho más bajo, que fue.079 para el duodécimo modelo y -. 025 para el vigésimo
segundo. Las tasas de descuento resultantes son, por lo tanto, demasiado bajas y el precio de los bonos previsto
es demasiado alto Restricción 𝑡 a un valor de 50 en ambos casos cuesta poco en la desviación estándar de ajuste
(ver tabla 1) pero mejora las predicciones de los precios de los dos bonos dramáticamente, a $ 105.77 y $ 102.52,
respectivamente Evidentemente, el valor de 𝑡 se elige mejor ajustando los conjuntos de datos en lugar de
seleccionar el valor para cada conjunto de datos individual.

La relación entre el precio del bono real y el previsto se representa como un gráfico de series de tiempo en la
figura 9 y como un gráfico de dispersión en la figura 10. Es obvio que la correlación entre el precio real y el precio
predicho es alta numéricamente es .963, pero También está claro que las predicciones sobrepasan los reales. La
magnitud de la superación es mucho mayor de lo que podría explicarse por el tratamiento fiscal favorable para el
bono cuando se vende con un descuento del valor nominal. Esto sugiere que nuestras curvas ajustadas pueden
aplanarse demasiado rápido. Cuando los rendimientos en general fueron altos y la curva de rendimientos
descendió, los modelos sobreestimaron las tasas de descuento a largo plazo y, por lo tanto, subestimaron el precio
del bono. Lo contrario ocurrió cuando los rendimientos fueron relativamente bajos y el rendimiento
La curva estaba inclinada hacia arriba. Al corregir las predicciones de precios para estos sesgos sistemáticos
mediante regresiones lineales simples, obtenemos una desviación estándar para la predicción de precios de bonos
ajustada de solo $ 2.63

¿Qué correspondencia existe entre la capacidad de un modelo para ajustar bien los datos de rendimiento de la
factura y su precisión en extrapolación? ¿La muestra para predecir el rendimiento de un bono? La respuesta corta
no es necesariamente ninguna. Una función puede tener la flexibilidad de ajustar datos en un intervalo específico,
pero puede tener propiedades muy pobres cuando se extrapola fuera de ese intervalo. Un polinomio cúbico tiene
la misma cantidad de parámetros que nuestro modelo y, de hecho, se ajusta un poco mejor a los datos de
rendimiento de la factura. La desviación estándar mediana de los residuos es de solo 7.1 puntos básicos sobre los
37 conjuntos de datos. Sin embargo, sabemos que un polinomio cúbico en madurez se dirigirá a más infinito o
menos infinito a medida que aumenta la madurez, el signo depende del signo del término cúbico. Es claro,
entonces, que, si usamos una curva de rendimiento polinomial cúbico para cotizar un bono, asignará un valor
presente muy grande o un valor presente muy pequeño a los pagos futuros distantes. Para nuestro conjunto de
datos, el resultado son los precios de los bonos pronosticados que se agrupan en los intervalos de $17- $ 40 y $
384 - $ 408. La correlación entre el precio del bono real y el previsto es -.0.020, por lo que el modelo polinomial
no tiene valor predictivo, aunque se ajusta muy bien a los datos de muestra.

V. Conclusiones
Nuestro objetivo en este artículo ha sido proponer una clase de modelos, motivados, pero no dependientes de la
teoría de las expectativas de la estructura de términos, que ofrece una representación parsimoniosa de las formas
tradicionalmente asociadas con las curvas de rendimiento. Las pruebas piloto en los datos de las facturas del
Tesoro de EE. UU. Sugieren que un modelo muy simple con solo un parámetro de una sola forma puede
caracterizar la forma de la estructura de plazos de la factura. El modelo impone una suavidad suficiente para
revelar un patrón específico de vencimiento que puede relacionarse con menores costos de transacción para las
cuentas a los vencimientos emitidos por el Tesoro. Si el modelo refleja la forma básica de la estructura de términos
y no solo una aproximación local, entonces deberíamos poder predecir rendimientos o precios a vencimientos
más allá del rango de la muestra. Confirmando esto, encontramos una alta correlación entre el valor presente de
un bono a largo plazo implícito en las curvas ajustadas y el precio real informado del bono.