Python quantlib中Nelson-Siegel屈服曲线的参数限制

我在Python中使用QL，并翻译了示例文件的部分内容 ; 如何用债券拟合收益率曲线以拟合Nelson Siegel 一组给定校准键的收益率曲线

与通常一样，当执行这种非线性拟合时，结果强烈依赖于 关于系统的初始条件和许多（经济上无意义的）极小值 目标函数存在。这就是为什么要对参数施加约束 这是成功的关键。举个例子，有时候我会觉得消极 tau/lambda参数和我的收益率曲线发散

我没有找到如何在中指定这些参数约束 NelsonSiegelFitting或FittedBondDiscountCurve类。我可以 想象一下，任何在QL中执行NS拟合的人都会遇到同样的问题

---

问题。

感谢安德烈斯·埃尔南德斯的回答：

目前这是不可能的。但是，扩展QL非常容易，但我认为它需要在C++上完成。因此，即使您在Python中使用QL，您是否可以修改C++代码并导出新绑定？如果是，那么您可以使用以下代码，如果不是，那么我可以将其签入代码中，但是接受拉请求需要一些时间。如果您可以触摸代码，您可以添加如下内容：

在非线性拟合方法.hpp中：

  class NelsonSiegelConstrainedFitting
        : public FittedBondDiscountCurve::FittingMethod {
      public:
        NelsonSiegelConstrainedFitting(const Array& lower, const Array& upper,
                           const Array& weights = Array(),
                            boost::shared_ptr<OptimizationMethod> optimizationMethod
                                          = boost::shared_ptr<OptimizationMethod>());
        std::auto_ptr<FittedBondDiscountCurve::FittingMethod> clone() const;
      private:
        Size size() const;
        DiscountFactor discountFunction(const Array& x, Time t) const;
        Array lower_, upper_;
    };

class NelsonSiegelConstrainedFitting
：public FittedBondDiscountCurve:：FittingMethod{
公众：
NelsonSiegelConstrainedFitting（常数阵列和下部、常数阵列和上部、，
常量数组&权重=数组（），
boost:：shared_ptr优化方法
=boost:：shared_ptr（））；
std:：auto_ptr clone（）常量；
私人：
大小（）常数；
折扣因子折扣函数（常量数组&x，时间t）常量；
数组下uu，上u；
};

在非线性拟合方法.cpp中：

NelsonSiegelConstrainedFitting::NelsonSiegelConstrainedFitting(
                                         const Array& lower, const Array& upper, const Array& weights,
                                         boost::shared_ptr<OptimizationMethod> optimizationMethod)
: FittedBondDiscountCurve::FittingMethod(true, weights, optimizationMethod),
  lower_(lower), upper_(upper){
    QL_REQUIRE(lower_.size() == 4, "Lower constraint must have 4 elements");
    QL_REQUIRE(upper_.size() == 4, "Lower constraint must have 4 elements");
}
std::auto_ptr<FittedBondDiscountCurve::FittingMethod>
NelsonSiegelConstrainedFitting::clone() const {
    return std::auto_ptr<FittedBondDiscountCurve::FittingMethod>(
                                          new NelsonSiegelFitting(*this));
}
Size NelsonSiegelConstrainedFitting::size() const {
    return 4;
}
DiscountFactor NelsonSiegelConstrainedFitting::discountFunction(const Array& x,
                                                     Time t) const {
    ///extreme values of kappa result in colinear behaviour of x[1] and x[2], so it should be constrained not only
    ///to be positive, but also not very extreme
    Real kappa = lower_[3] + upper_[3]/(1.0+exp(-x[3]));
    Real x0 = lower_[0] + upper_[0]/(1.0+exp(-x[0])),
            x1 = lower_[1] + upper_[1]/(1.0+exp(-x[1])),
            x2 = lower_[2] + upper_[2]/(1.0+exp(-x[2])),;
    Real zeroRate = x0 + (x1 + x2)*
                        (1.0 - std::exp(-kappa*t))/
                        ((kappa+QL_EPSILON)*(t+QL_EPSILON)) -
                        x2*std::exp(-kappa*t);
    DiscountFactor d = std::exp(-zeroRate * t) ;
    return d;
}

NelsonSiegelConstrainedFitting:：NelsonSiegelConstrainedFitting(
常量数组和下限、常量数组和上限、常量数组和权重，
boost:：共享（ptr优化方法）
：FittedBondDiscountCurve:：FittingMethod（true、权重、优化方法），
下（下）、上（上）{
QL_REQUIRE（lower_u.size（）==4，“lower约束必须有4个元素”）；
QL_REQUIRE（upper_u.size（）==4，“Lower constraint必须有4个元素”）；
}
标准：：自动测试
NelsonSiegelConstrainedFitting:：clone（）常量{
返回标准：：自动检查(
新NelsonSiegelFitting（*本））；
}
大小NelsonSiegelConstrainedFitting:：Size（）常量{
返回4；
}
DiscountFactor NelsonSiegelConstrainedFitting:：discountFunction（常量数组和x，
时间t）常数{
///kappa的极值导致x[1]和x[2]的共线行为，因此它不仅应该受到约束
///要积极，但也不是很极端
实际kappa=下[3]+上[3]/（1.0+exp（-x[3]）；
实数x0=下限值[0]+上限值[0]/（1.0+exp（-x[0]），
x1=下[1]+上[1]/（1.0+exp（-x[1]），
x2=下_u[2]+上_u[2]/（1.0+exp（-x[2]），；
实际零利率=x0+（x1+x2）*
（1.0-std:：exp（-kappa*t））/
（（kappa+QL_ε）*（t+QL_ε））-
x2*std:：exp（-kappa*t）；
折扣因子d=std:：exp（-zeroRate*t）；
返回d；
}

然后需要将其添加到swig接口，但这样做应该很简单