寻找准确、合理且有效的方法,来从国债的市场价格信息中动态的估计和预测利率期限结构,是进行资产定价、管理利率风险、有效地配置资产组合等一系列利用利率期限结构进行理论及实践研究的基础；也可以为中央银行进行货币政策操作的提供信息,是国家宏观调控的重要参考指标。传统的利率期限结构模型在利率期限结构的动态估计时均存在不足：静态模型估计的利率期限结构是基于某一时点的估计,不能反映利率期限结构的动态变化；动态模型虽然可以反映利率期限结构的动态变动而且具有较强的理论基础,但其预测效果并不令人满意。Diebold和Li(2006)提出动态Nelson-Siegel(DNS)模型,将静态模型Nelson-Siegel模型的基础上加入AR(1)等过程进行动态估计。DNS模型被各国学者广泛使用,经验表明其在利率期限结构的动态估计上具有较好的效果,而且可以加入宏观经济变量进行宏观金融研究,然而DNS模型缺乏理论基础的支持。Christensen, Diebold and Rudebusch (2007,2009)结合DNS模型与无套利动态模型,提出了一系列基于NS的混和模型,即无套利动态NS模型,如AFDNS, AFGNS等。这些模型集合DNS模型的较强预测能力和无套利模型的理论基础等优点,克服了模型各自的缺点。经验表明,无套利动态NS模型在利用美国国债数据来动态估计利率期限结构时效果良好。本文采用无套利动态NS模型——AFDNS和AFGNS模型等来估计中国的利率期限结构,比较这类基于Nelson-Siegel模型的动态混合模型对我国利率期限结构的估计及预测的能力。并且比较引入无套利条件的动态模型与没有引入无套利条件的DNS模型在利率期限结构的估计和预测效率上的差别,并找到适合中国的利率期限结构模型。利用银行间债券市场上国债交易月数据(2002年1月——2010年3月),通过计量分析技术来比较分析加入无套利条件的AFDNS模型、AFGNS模型与没有无套利条件的DNS模型在中国利率期限结构的估计与预测能力。我们发现,在加入了无套利条件后的AFDNS模型,其估计能力以及短期(1个月和3个月)的样本外预测能力要高于没有加入无套利条件的DNS模型。加入无套利条件的扩展的五因素AFGNS模型的样本内动态估计能力明显好于其他两个模型；在预测能力上AFGNS模型在总体上优于AFDNS以及DNS模型,在6个月和1年期的预测中精度超过其他两个模型。全文共分六章。第1章是对文章研究意义和内容的概述。利率期限结构的动态估计对金融资产及其衍生资产定价,对未来利率有一定预测作用,对利率风险管理、资产组合配置甚至宏观经济都具有指导作用。第2章是对国内外相关文献的综述,本文对利率期限结构的估计方法进行梳理。简要回顾最基本的剥离法,静态模型,动态模型以及混合模型等方法并对各模型的优缺点进行分析。第3章介绍本文要进行分析研究的混合模型和估计的方法,包括DNS,AFDNS和AFGNS模型的基本形式。并将各模型统一在状态空间模型的框架之中,以便于利用卡尔曼滤波法(Kalman Filtering)进行估计和预测。第4章中我们利用卡尔曼滤波法对模型进行动态估计。本章中介绍本文中样本的数据及其选取原则；再用Fama-Bliss方法估计国债即期利率作为基准数据；说明卡尔曼滤波法估计(变参数)模型时初值的选取方法等；最后着重分析模型估计结果以及比较模型估计精度,发现AFGNS模型对中国的利率期限结构动态估计精度最高。第5章比较模型的样本外预测能力。我们的经验数据表明,加入无套利条件的动态NS模型的短期预测精度要高于未加入无套利条件的模型；而且五因素的AFGNS模型的总体预测精度高于三因素的AFDNS模型。第6章是全文总结。先总结前面三章研究的结果,并提出我们的建议；然后提出了本文存在的不足和改进的方向。本文的创新之处在于：第一,利用加入无套利条件的动态NS模型对中国利率期限结构进行动态估计；第二,利用五因素的AFGNS模型对利率期限结构进行预测,并且比较了加入无套利条件前后的动态NS模型的估计和预测能力；第三,利用状态空间模型的卡尔曼滤波法对三个模型进行一步的一致估计与预测。