歡迎來到利率期限結構模型（Term Structure Models）的藝術世界！

你好！既然你已經來到 FRM Part II 的階段，你一定知道利率建模就像預測天氣一樣——既複雜、瞬息萬變，又充滿了各種相互牽動的因素。在本章節——「期限結構模型的藝術：波動率與分佈」中，我們將深入探討不同利率模型背後的「如何」與「為何」。我們會聚焦於這些模型如何處理波動率（volatility）（利率的「擺動」）以及分佈（distribution）（未來利率可能呈現的形狀）。

如果起初覺得這些概念有點抽象，請別擔心。我們不僅僅是為了數學而數學；我們的目標是找到最合適的工具來為債券定價及進行風險管理。讓我們一步步拆解吧！

1. 基礎：常態分佈 vs. 對數常態分佈

當我們對利率的變動進行建模時，必須決定其未來可能性的「形狀」。這就是常態（Normal）模型與對數常態（Lognormal）模型之間的區別。

常態模型（算術模型）

在常態模型（例如 Ho-Lee 或 Vasicek 模型）中，利率的變動是以絕對值來表示的（例如，增加 1%）。
優點：數學處理上較為簡單。
缺點：從技術上講，利率可能變為負數。雖然我們在現實世界中（如歐洲或日本）確實見過負利率，但許多傳統模型在設計之初並未將此考慮在內。

對數常態模型（幾何模型）

在對數常態模型（例如 Black-Derman-Toy (BDT) 模型）中，我們建模的是利率的對數。
優點：利率永遠不會變為負數。當利率接近零時，其波動率（以絕對值計）也會隨之降低。
缺點：數學上的計算成本較高或求解較難，且可能過度高估極高利率發生的機率。

快速複習：常態 vs. 對數常態
  • 常態：利率可能為負。以基點（bps）計的波動率為常數。
  • 對數常態：利率維持正數。波動率與利率水平成正比。

2. 均值回歸（Mean Reversion）的概念

你可以把均值回歸想像成一條橡皮筋。如果你將利率拉離其「自然」平均水平太遠，模型就會把它拉回來。這是一個關鍵特徵，因為與股票價格不同，利率通常不會無止境地趨向無窮大，也不會永遠停留在零；它們傾向於圍繞著由經濟決定的長期平均值波動。

利率回歸到平均值的速度稱為回歸速度（reversion speed）（通常記為 \(k\)）。
- 若 \(k\) 值較高，「橡皮筋」就非常緊，利率回彈的速度很快。
- 若 \(k\) 為零，模型則沒有均值回歸（如 Ho-Lee 模型）。

幫助記憶的類比：
想像碗裡有一顆彈珠。無論你從哪個方向撥動它，它最終都會滾回底部。那個「底部」就是長期均值。

3. 認識模型「家族」

課程重點關注幾個核心模型。讓我們根據它們的「個性」（特性）來看看：

A. Ho-Lee 模型

這是最簡單的「無套利」（No-Arbitrage）模型。它假設短期利率（short rate）服從常態分佈，且沒有均值回歸。
\( dr_t = \theta(t)dt + \sigma dW_t \)
- 關鍵洞察：它使用一個「漂移項」（drift term）\(\theta(t)\)，確保模型能完美契合今天的期限結構（當前的殖利率曲線）。

B. Vasicek 模型

此模型引入了均值回歸，但仍保留了常態分佈。
\( dr_t = k(\theta - r_t)dt + \sigma dW_t \)
- 陷阱：因為它是常態模型，利率仍可能變為負數。

C. Cox-Ingersoll-Ross (CIR) 模型

CIR 就像是 Vasicek 模型的進階版。它同樣具備均值回歸，但在波動率中加入了一個「平方根」項。
\( dr_t = k(\theta - r_t)dt + \sigma \sqrt{r_t} dW_t \)
- 重要性：當利率 \(r_t\) 接近零時，波動率（\(\sigma \sqrt{r_t}\)）也會趨近於零。這有助於防止利率變為負數。

D. Black-Derman-Toy (BDT) 模型

這是一個對數常態模型。它在債券選擇權定價的業界應用非常廣泛。
- 關鍵洞察：它既能擬合當前的殖利率曲線，又能擬合市場提供的波動率微笑（volatility smile）。
- 請記住：BDT 模型在原始形式中沒有均值回歸，且假設波動率是時間的函數。

重點總結表

模型 | 分佈 | 是否有均值回歸？ | 利率可否為負？
Ho-Lee | 常態 | 否 | 是
Vasicek | 常態 | 是 | 是
CIR | 非中心卡方 (Non-Central Chi-Sq) | 是 | 否
BDT | 對數常態 | 否 | 否

4. 波動率結構

在建模的「藝術」中，我們必須決定波動率（\(\sigma\)）隨時間如何表現。主要有兩種觀察方式：

1. 常數波動率（Constant Volatility）：假設利率的「擺動」在今天和 10 年後是一樣的。（簡單，但往往不切實際）。
2. 隨時間變化的波動率（Time-Dependent Volatility）：允許 \(\sigma\) 隨時間變化（\(\sigma(t)\)）。這使得模型能夠與市場交易的選擇權（如互換期權 swaptions 或利率上限 caplets）價格相吻合。

避開常見錯誤：
不要將利率波動率與價格波動率搞混。隨著債券到期期限增加，其價格對利率變化的敏感度會增加（久期較高），即使利率波動率維持不變也是如此！

5. 漂移項：擬合殖利率曲線

你會經常看到 \(\theta\) 或 \(\theta(t)\) 這些符號。在這些模型中，這就是漂移項（Drift）。
在「均衡模型」（Equilibrium models）中，漂移項通常是常數。
在「無套利模型」（No-Arbitrage models）中，我們會「強迫」漂移項隨時間改變，以便模型的輸出能與當前的市場殖利率曲線完全吻合。
試想這就像調整你的 GPS 設定，讓你的「當前位置」與你在地圖上實際站的位置完全一致。

6. 路徑依賴與樹狀圖

為了計算價格，我們經常使用二項式（Binomial）或三項式樹（Trinomial Trees）。
- 路徑獨立（Path-Independent）：到達特定利率的過程並不重要；其價值都是一樣的。我們討論的大多數模型（如 Ho-Lee 或 Vasicek）在重組樹（recombining tree）上映射時，都是路徑獨立的。
- 路徑依賴（Path-Dependent）：其價值取決於利率所經過的特定「路徑」（例如：利率在過去的任何時間點是否曾達到 5%）。這類產品定價困難得多，通常需要使用蒙地卡羅模擬（Monte Carlo simulations）而非樹狀圖。

小貼士：重組樹（Recombining Trees）

如果一個「先升後降」的路徑與「先降後升」的路徑最終指向相同的利率點，則稱該樹為「重組」的。這使得數學運算快得多，因為需要計算的節點較少！Ho-Lee 和 Vasicek 模型很容易重組。BDT 也因為使用對數尺度而可以重組。

總結與關鍵要點

- 分佈的選擇：常態模型較簡單但允許負利率。對數常態（BDT）和平方根（CIR）模型則能防止負利率。
- 均值回歸：這是將利率拉回長期平均值的「地心引力」。這是 Vasicek 和 CIR 模型的關鍵特徵。
- 校準（Calibration）：我們調整「漂移項」（\(\theta\)）來使模型符合今天的市場價格。
- 目標：沒有所謂「完美」的模型。所謂的「藝術」在於選擇其假設（分佈、波動率、均值回歸）最適合當前具體風險管理任務的模型。

繼續練習那些樹狀圖計算，並記住每個模型的「個性」。你一定沒問題的！