表1显示，前三个主成分即已解释了89.1%的方差变化，与唐革榕、朱峰(2003)得到的对总体方差累计解释能力达到90.85%相差不大， Buhler和Zimmermann(1996)研究发现瑞士市场前三个主成分即解释了约94%的方差变化，而德国市场前三个主成分即解释了约93%的变化。为分析各主成分对收益率变动的影响，需考察其因子载荷矩阵。

　　由表2可知，第一个主成分不代表国外研究常见的水平因素，因为主成分1的因素负荷量不相等，随期限的加长而减少，且半年期与20年期的因素负荷量(0.828与0.106)相差 8倍多，而Zhang(1993)的分析结果显示，最高与最低的因素负荷量各自为0.3077与0.2546，两者差距相当小。因此影响国内利率期限结构变动的第一个因素并不适合称为水平因素。分析结果与Buhler和Zim— mermann(1996)对瑞士利率期限结构所做的分析结果相似，他们认为此现象可能代表了在样本期间货币政策的不确定性(monetary uncertainty)。第二个主成分因素负荷量的结果则与其他文献中提及的斜度因素相似，即短期与长期利率对第二个主成分呈现相反的变动方向。第三个主成分的因素负荷量随期限不同而异，短、长期的因素负荷量为正，而2年至5年的因素负荷量为负。此结果与大部分文献的发现相同，代表了短、长期利率与中期利率呈现相反变动方向的曲度现象，所以可认为是曲度因素。对于银行间债券市场，由于四个主成分的解释能力只达到90.4%，因此增加一个机构因素作为影响因素。

　　(三)敏感性分析本文采用唐革榕、朱峰(2003)的敏感性分析方法，定义：，其中Sjk表示第j个收益率变化量对第k个因素变化的敏感度，λj为主成分分析所获得的特征值，ujk为对应特征值j的特征向量中第k个因素的数值。两债券市场计算结果如表3所示。

　　可见，交易所水平因素对不同期限收益率变动均有重要的影响，其影响幅度与到期期限的相关程度不明显，表明市场上不同期限收益率以一定的关联度变动，尤其是到期期限为3—5年的债券，受到水平因素的影响显著，超过70%，这与交易所的流动性较高是密切相关的。斜度因素的影响力主要作用在3年期以下和7年期以上各种短、长期收益率走势变化上，对4—5年期的期限结构变动基本上不构成影响。曲度因素则与斜度因素的作用点不同，对2—3年和15年期以上期限结构变动的作用非常小。值得注重的是，20年期债券受其他因素的影响接近70%，显示了其变化的独特性，这可能与中国交易所市场的长债短炒密切相关。银行间市场到期期限为10和12年的债券受水平因素的影响超过70%以上，斜度因素主要对到期期限为2—4年的债券影响超过50%，曲度因素则对短期和长期的债券影响显著，到期期限为7年和20年的债券受机构因素的影响超过20%，显示出其变化的独特性。

　四 因素情景模拟利率期限结构风险值

　　风险值是指在一定置信水平下，持有某一投资组合经过一特定期间后所可能遭受的最大损失值。过去较常使用的计算风险值的方法有蒙特卡洛模拟、历史数据模拟等。但由于利率期限结构风险值数据的特征，使得历史数据模拟法并不太适合进行利率期限结构风险值的估算。同样，使用蒙特卡洛模拟也有一些缺点：首先，其模拟需要耗费许多时间；其次，模拟结果是根据随机数而得，往往第二次模拟所产生的结果对决策没有帮助；再次，不同的随机选取情景若产生相似的损失，往往无法解释其背后的原因(叶仕国、林丙辉，2002)。因此本文根据Frye(1997)的研究，以因素情景模拟方法(the factor-based scenarios)来测算含有利率相关资产的资产组合的风险值。

　　所谓的因素情景模拟方法就是通过收益率的主成分分析把整个资产组合在各种不同的利率情景下所产生的损失或收益计算出来，而风险值的估计便可从这些情景中的最大损失值获得。该方法先以主成分分析法找出影响投资组合的主成分个数，接着模拟各期限收益率的变动，检验模拟所得的情景是否可反应样本期间利率期限结构的整体变动，再以这几个主成分变动可能造成的各种情景，计算出整个资产组合在各种不同的利率情景下所产生的损失或收益，从而得到不同情景下可能对投资组合价值的影响。因素情景模拟方法应用在收益率曲线变化情景分析上是较合适的，因为收益率曲线包括了许多不同期限的利率，这些不同期限的利率间变动有较高的相关度，而应用主成分分析可以通过几个因素来模拟整个收益率曲线的变化，忽略非系统风险对收益率曲线的影响。

　　前文的经验结果显示，影响交易所利率期限结构的变动有三个协整，而主成分分析也显示前三个主成分已解释了89.1%的变化，为了模拟收益率变动的情景，本文采用前三个主成分来探讨其所形成的情景是否能反映收益率曲线的整体变动。假设每一个主成分均有两种变化方向即上升(以U代表)或下降 (以D代表)，因此可形成八种情景。依照Frye(1997)的方法，先将每一主成分的标准差乘上其因素负荷量，以求得其收益率曲线因素值，本文分别称为水平、斜度及曲度因素值，例如半年期的水平移动因素值 0.165(主成分1方差为0.02749的标准差)乘上0.828(主成分1半年期因素负荷量)便等于0.1372。为了明了起见，将各个因素值乘以100，其余各期限的各个因素值可参见表4和表5。

　　以半年期UUU情景为例(表示当三个主成分变动方向均为上升)，在2.33(这里乘以2.33是根据正态分布在99%的置信水平下定的)个标准差下，因素值为(13。73—2.60 2.93)X2.33=32.75，表示当三个主成分变动方向均为上升时，半年期收益率变化在2.33个标准差下为 32.75，以此类推不同情景不同期限的收益率变化，便可得到表5的数据。由表可见，各期限下的各个情景范围均已包含第1和第 99百分位数，本文将模拟而得的八个情景与百分位数绘图进行比较，结果如图1所示。

　　可见，上端的粗黑线(代表第1百分位数)均落在代表UUU情景(为半年、1年和2年等收益率变化最大值情景)下方；下端的粗黑点线均落在代表DDD情景的上方，因此在所有期限下，收益率变化情景最大值与最小值的范围均已包括了第1和第99百分位数。使用同样的方法，本文对银行间债券市场的情景风险值进行测算。通过四个主成分进行计算，共有16种情景，将模拟而得的情景与百分位数绘图进行比较，结果如图2所示，各期限下的各个情景范围均已包含第1和第99百分位数。