BANCO CENTRAL DE CHILE

REVISIÓN DE LIBROS
COMENTARIO AL LIBRO
“YIELD CURVE MODELING AND FORECASTING:
THE DYNAMIC NELSON-SIEGEL APPROACH”
de Francis X. Diebold y Glenn D. Rudebusch
Princeton University Press, 2013.

Rodrigo Alfaro A.*

RESUMEN

El libro de Diebold y Rudebusch ofrece una mirada distinta de la curva de rendimiento, que cubre
conjuntamente dos ámbitos que suelen aparecer disociados en la literatura: (i) modelación
de la curva de rendimiento y (ii) predicción fuera de muestra de tasas de interés. Uno de los
aspectos destacables del trabajo es que todo el análisis se efectúa al alero del modelo de
Nelson y Siegel (1987), el cual ha sido ampliamente utilizado por analistas financieros de
bancos de inversión e investigadores aplicados de bancos centrales (Coroneo et al., 2008).
Cabe notar que, si bien la forma de presentar el material se aleja del estándar de los libros
de texto (que revisan todas las posibilidades de modelación), los autores no descuidan la
revisión de la literatura. Más aún, discuten varias líneas de investigación para extender el
modelo, algunas de las cuales se encuentran actualmente en desarrollo.

CONTEXTO

La modelación de la curva de rendimiento tiene por objeto ser una herramienta útil en la
valoración tanto de instrumentos de renta fija como de derivados de estos. En efecto, gran
parte de los modelos actualmente en uso fueron diseñados como herramientas auxiliares para
la valoración de derivados. Así por ejemplo, los primeros modelos disponibles (Vasicek, 1977;
y Cox, Ingersoll y Ross, 1985 —este último es también conocido como CIR o modelo de raíz
cuadrática) suelen presentar un débil ajuste a los datos, pero presentan fórmulas cerradas para
los precios de los bonos cero-cupón, lo cual facilita la valoración de instrumentos de renta fija
y sus respectivos derivados. Cabe notar que el principio fundamental tras estos modelos es que
no existen posibilidades de arbitraje, lo que también puede interpretarse como que el precio
del activo es una martingala bajo la medida de probabilidad de riesgo neutral (usualmente
indicada con Q). Desarrollos posteriores en el ámbito de la valoración (Ho y Lee, 1986; Hull y
White, 1990, y Black, Derman y Toy, 1990, este último también conocido como BDT o modelo
lognormal) mantuvieron resultados con fórmulas cerradas, pero incrementaron el ajuste de
los datos en corte transversal. Curiosamente, las extensiones multivariadas de los primeros
modelos citados ofrecen mejoras en el ajuste a los datos —tanto en corte transversal como

* Gerencia de Estabilidad Financiera, Banco Central de Chile. E-mail: ralfaro@bcentral.cl

150
 ECONOMÍA CHILENA | VOLUMEN 16, Nº2 | AGOSTO 2013

en series de tiempo— pero en la práctica la implementación presenta dificultades numéricas

atribuibles a problemas de identificación del modelo. En general, los estudios empíricos
utilizan distintos procedimientos iterativos para lidiar con estos problemas, los cuales suelen
ser reconocidos en notas al pie (Hamilton y Wu, 2012).

En contraste, la literatura de predicción fuera de muestra hace un uso extensivo de la

modelación estadística de series de tiempo y, en general, los resultados empíricos apuntan
a que los modelos reducidos suelen tener menores errores de predicción que otros de mayor
escala. En concreto, para el caso de la modelación de tasas de interés, los artículos tienden
a concentrarse en plazos específicos sin imponer mayores restricciones en la estimación; por
tanto, bajo este tipo de modelación, no es posible eliminar las oportunidades de arbitraje.
Técnicamente, este tipo de estudios se enfoca en la medida de probabilidad natural de los
datos (usualmente indicada con P).

Este libro presenta la agenda de investigación desarrollada desde Diebold y Li (2006) a

Christensen et al. (2011), donde los autores nos presentan evidencia empírica por la cual un
modelo específico que presenta bondades estadísticas en la medida de probabilidad P puede
ser mejorado en términos de su predicción fuera de muestra cuando se imponen restricciones
de forma que exista coherencia con la medida de probabilidad Q. No solo es lo mejor de
ambos “mundos”, como indican los autores, sino que es altamente eficiente pues el modelo
en cuestión es bastante sencillo.

CONTENIDO

El libro contiene seis capítulos en algo menos de 200 páginas. El primer capítulo ofrece
una introducción económica de la curva de rendimiento y la caracterización de esta a través
de un número limitado de factores dinámicos. El segundo capítulo resume los trabajos de
Diebold y Li (2006) y Diebold et al. (2008) respecto del uso del modelo de Nelson y Siegel
(1987) en su versión dinámica (DNS) en donde se introducen los factores dinámicos: nivel,
pendiente y curvatura. Cabe destacar que la implementación del modelo DNS para un mercado
determinado es relativamente sencilla, lo que ha generado una extensa literatura empírica
que considera su aplicación, por lo que los autores se hacen cargo de la popularidad del
modelo discutiendo el por qué del buen ajuste de los datos y de la capacidad predictiva. En
efecto, para el caso de Chile, Morales (2010) utiliza el modelo DNS para ajustar la curva de
rendimiento de instrumentos indexados a la UF y analiza la dinámica de los factores con
respecto a las variables macroeconómicas. En tanto, el tercer capítulo utiliza la maquinaria de
Duffie y Kan (1996) para hacer que el modelo DNS no presente oportunidades de arbitraje, al
modelo resultante lo denominan AFNS. En términos simples, esto se reduce a imponer cierta
estructura dinámica en los factores y ajustar la curva de rendimiento del modelo DNS con un
intercepto que varía a través de la madurez. Notamos que las restricciones en la dinámica de
los factores se traducen en reducir todos los parámetros del sistema a uno solo. Esto va en
línea con la idea de que un modelo reducido posee mayor capacidad predictiva. En tanto, el
intercepto que se obtiene es consecuencia de la “desigualdad de Jensen” y debido a que los
factores se suponen normales, entonces es también invariante en el tiempo. Intuitivamente
podríamos considerar que dicho intercepto es un “premio por plazo”, dado que cambia con la
madurez de la tasas de interés, pero tiene la característica de que su valor está completamente
determinado por el parámetro de la dinámica de los factores y por los elementos de la matriz

151
 BANCO CENTRAL DE CHILE

de varianza y covarianza de estos. Finalmente, el capítulo cierra con evidencia de predicción

fuera de muestra que favorece al modelo AFNS con factores cuyos errores son independientes.

Los capítulos 4 a 6 ofrecen una interesante discusión sobre las distintas avenidas de
investigación disponibles para los modelos DNS y AFNS. En particular, el capítulo 4 resume
una serie de avances que se han realizado en términos de extender el modelo en distintas
dimensiones, tales como el aumento del número de factores y la incorporación de volatilidad
estocástica. En efecto, los autores analizan el modelo de Svensson (1994), el cual corresponde
a un modelo con cuatro factores y ha sido también ampliamente utilizado por los analistas. Se
muestra que para hacer que el modelo no presente oportunidades de arbitraje es necesario
agregar un quinto factor. No obstante lo anterior, dicho modelo no mejora la predicción
fuera de muestra con respecto a DNS o AFNS. En tanto en el capítulo 5, se presentan algunas
aplicaciones macroeconómicas que hacen uso de la información de la curva de rendimiento.
Finalmente, el capítulo 6 resume las ventajas del modelo AFNS relativo a la modelación
estándar de curva de rendimiento.

CONCLUSIÓN

Este libro entrega una visión única para el análisis de la curva de rendimiento, que será
apreciado por economistas interesados en explotar la información financiera disponible en
estos instrumentos financieros ya sea para mejorar proyecciones, extraer probabilidades de
escenarios o cuantificar medidas de política económica. Por otra parte, el texto será también de
interés para investigadores en el área de macrofinanzas, pues contiene referencias actualizadas
que ofrecen una atractiva agenda de investigación tanto teórica como empírica.

152
 ECONOMÍA CHILENA | VOLUMEN 16, Nº2 | AGOSTO 2013

REFERENCIAS

Black, F., E. Derman y W. Toy (1990). “A One-Factor Model of Interest Rates and Its
Application to Treasury Bond Options”. Financial Analysis Journal (enero-febrero):
33–39.

Coroneo, L., K. Nyholm y R. Vidova-Koleva (2008). “How Arbitrage-Free is the

Nelson-Siegel Model?” Documento de Trabajo N°874, Banco Central Europeo.

Cox, J., J. Ingersoll y S. Ross (1985). “A Theory of the Term Structure of Interest
Rates”. Econometrica 53: 385–408.

Christensen, J.H.E., F.X. Diebold y G.D. Rudebusch (2009). “The Affine

Arbitrage–Free Class of Nelson–Siegel Term Structure Models”. Journal of
Econometrics 164: 4–20.

Diebold, F.X. y C. Li (2006). “Forecasting the Term Structure of Government

Bond Yield”. Journal of Econometrics 130: 337–64.

Diebold, F.X., C. Li y V. Yue (2008). “Global Yield Curve Dynamics and Interactions:
A Generalized Nelson-Siegel Approach”. Journal of Econometrics 146: 351–63.

Duffie, D. y R. Kan (1996). “A Yield-Factor Model of Interest Rates”. Mathematical

Finance 6: 379–406.

Hamilton, J. y C. Wu (2012). “Identification and Estimation of Gaussian Affine

Term Structure Models”. NBER Working Paper N° 17772.

Ho, T. y S. Lee (1986). “Term Structure Movements and Pricing Interest Rate
Contingent Claims”. Journal of Finance 41: 1011–29.

Hull, J. y A. White (1990). “Pricing Interest Rate Derivative Securities”. Review

of Financial Studies 3: 573–92.

Morales, M. (2010). “The Real Yield Curve and Macroeconomics Factors in the
Chilean Economy”. Applied Economics 42(27): 3533–45.

Nelson, C. y A. Siegel (1987). “Parsimonious Modeling of Yield Curve”. Journal

of Business 60(4): 473–89.

Svensson, L.E.O. (1994). “Estimating and Interpreting Forward Interest Rate:

Sweden 1992-1994”. Documento de Trabajo N°579, Stockholm-International
Economic Studies.

Vasicek, O. (1977). “An Equilibrium Characterization of the Term Structure”.

Journal of Financial Economics 5(2): 177–88.

153