无论对于经济和金融理论，还是对于固定收益产品的定价，利率期限结构都是一个核心概念。它不仅是积极债券组合管理的基准，也可以对监管部门制定宏观经济政策提供帮助。其中针对利率期限结构的预测研究近几年才刚刚起步，无论对于理论研究还是实务工作都是人们关心的热点问题。而国内这方面的研究基本上还是空白，本文就试图在总结国外最新研究结果的基础上，采用基于Nelson-Siegel模型的一类方法，对中国利率期限结构预测进行一系统的研究。 本文先采用基于NS曲线的三个参数的线性模型对利率期限结构进行预测。针对我国国债发行期限不对称，短期国债较少的情况，通过多方对比，本文采用银行间回购利率作为短期端的替代，在我国现实数据条件的约束下，这是解决问题的一个较优选择。在使用NS模型得到状态变量的时间序列时，各期拟合需要使用相同的λ，因此一个适当的λ取值就变得十分关键。本文将模型写成状态空间形式，使用Kalman滤波得到了对λ的最大似然估计，这不同于国内已有文献的估计方法，避免了选取参数不当对后文结论的影响，而且事后证明预测效果的确得到了提升。 通过样本外预测效果比较发现，AR(1)模型在预测步长增加的情况下，逐渐开始显著地优于UVAR、RVAR和随机游走模型，而且对短期利率比对中长期利率的预测优势更为明显。 为了发现加入宏观变量是否能够提升预测效果，本文选取了6个宏观经济变量，分别加入三个状态变量方程中，形成了343种组合，发现其中部分方程的样本外预测误差的均值和方差的确明显小于基于纯状态变量的AR(1)模型，但是通过计量检验发现，这种优势在10﹪的显著性水平上无法明显区别于0，上述结果可能只是在小样本下的偶然发现。基于模型稳健性考虑，建议仍然使用AR(1)模型。 但通过个例分析，本文接着发现这种优势只是在平均意义上优于其他模型，在经济环境发生较大变化时，AR(1)这种线性模型表现出了预测误差增大的缺点。 为了弥补线性模型的这一缺点，本文进一步探讨了在机制转换背景下的利率期限结构预测。本文首次将Markov机制转换模型应用到中国的利率期限结构预测上，估计结果发现Markov机制转换模型的各个参数都显著区别于零，利率期限结构的斜率表现出明显的机制转换特征，而且似乎与经济周期有关。接着借用BCN(2005)的模型框架，将 CPI、GDP 数据引入到机制转换模型中，与 AR(1) 模型进行样本内预测比较发现，在 2004 年这一利率波动较大的年份，该模型的预测误差的均值、方差微弱的小于 AR(1) 模型，然而，当把预测区间放大后，BCN 模型的这种“优势”就不复存在了，而且经过计量检验，二者的差异并不显著。造成这样的原因可能是我国样本数据不多以及转轨条件下经济的复杂特点等等因素，最后介绍了该模型在场景分析上的用途，分析了在我国现有条件下运用该模型可能存在的模型风险。