3 votos

Explicación de las diferentes estructuras de términos de rendimiento a trozos de QuantLib Python

Soy nuevo en QuantLib en Python, pero por lo que tengo entendido, hay diferentes tipos de estructuras a plazo de rendimiento a trozos que existen en QuantLib que son bootstrapped en una serie de instrumentos de tipos de interés para crear la curva cero.

Me remito al siguiente enlace: https://quantlib-python-docs.readthedocs.io/en/latest/termstructures.html#piecewise

Sin embargo, no parece haber una fórmula o una documentación clara que me permita entender cuál es exactamente la diferencia entre las distintas estructuras temporales de rendimiento a trozos.

Las diferentes estructuras de términos de fluencia a trozos (métodos de interpolación) son las siguientes:

  1. ql.PiecewiseLogLinearDiscount
  2. ql.PiecewiseLogCubicDiscount
  3. ql.PiecewiseLinearZero
  4. ql.PiecewiseCubicZero
  5. ql.PiecewiseLinearForward
  6. ql.PiecewiseSplineCubicDiscount

¿Puede alguien proporcionarme una explicación y/o una fórmula adjunta a los números 1, 5 y 6, por favor?

Revisé el QuantLib Python Cookbook de Goutham Balaraman y Luigi Ballabio, y vi una explicación sólo para los números 2, 3 y 4.

Cualquier ayuda será bienvenida, gracias.

7voto

Chris Mc Puntos 31

Cuando se realiza un bootstrap de una curva, se obtienen factores de descuento/tasas cero para los vencimientos de los instrumentos suministrados. Así que, en la práctica, se obtienen puntos y no una "curva".

Una vez construida la curva, que está formada por nodos (fechas y sus respectivos factores de descuento o tipos cero), los distintos métodos de interpolación darán resultados diferentes para las fechas que NO son nodos de la curva.

Una buena referencia sobre los distintos métodos de interpolación es Métodos para construir una curva de rendimiento, por Hagan y West

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X