1. 课程导论：Monte Carlo 模拟的定义、在风险复核中的核心价值、课程整体学习路径图
1.1 什么是 Monte Carlo 模拟？
Monte Carlo 模拟是一种基于随机抽样的数值计算方法。它通过大量重复的随机试验，利用概率统计理论来近似求解复杂系统的数学或物理问题。其核心思想是：用大量随机样本的统计结果，逼近真实世界的概率分布。
在风险复核场景中，Monte Carlo 模拟将输入变量（如违约概率、回收率、市场波动率）的不确定性，通过随机抽样转化为输出变量（如预期损失、VaR、项目工期）的概率分布，从而量化风险。
| 维度 | 传统确定性分析 | Monte Carlo 模拟 |
|---|---|---|
| 输入假设 | 单一固定值（如“最可能值”） | 概率分布（如正态分布、三角分布） |
| 输出结果 | 单一数值（如“损失 500 万”） | 概率分布（如“损失 500 万的概率为 30%”） |
| 风险认知 | 点估计，忽略不确定性 | 区间估计，量化尾部风险 |
| 决策依据 | “最坏情况”或“最佳猜测” | 置信区间、分位数、敏感性分析 |
关键概念： Monte Carlo 模拟不是预测未来，而是通过模拟大量“可能的未来”，帮助我们理解不确定性对结果的影响范围。
1.2 在风险复核中的核心价值
风险复核流程（Risk Review Process）要求对已识别的风险进行再评估，验证风险缓释措施的有效性。Monte Carlo 模拟在此流程中提供三大核心价值：
- 量化不确定性： 将主观判断（如“风险发生概率较高”）转化为客观概率分布（如“损失超过 1000 万的概率为 15%”），提升风险沟通的精确度。
- 识别关键风险驱动因子： 通过敏感性分析（Tornado Chart），快速定位对最终风险敞口影响最大的输入变量，指导风险缓释资源的优先分配。
- 验证风险缓释效果： 在“实施缓释措施前”与“实施缓释措施后”分别运行模拟，对比风险分布的变化，量化缓释措施的有效性（如 VaR 降低幅度）。
应用场景示例： 在信贷风险复核中，对借款人的违约概率（PD）、违约损失率（LGD）和违约风险敞口（EAD）分别设定概率分布，通过 Monte Carlo 模拟计算组合的预期损失（EL）与非预期损失（UL），并与风险限额进行对比。
1.3 课程整体学习路径图
本课程采用“从零搭建”的渐进式学习路径，共分为 5 个阶段，覆盖从理论基础到实战部署的全流程。
| 阶段 | 章节范围 | 核心学习目标 |
|---|---|---|
| 第一阶段：基础与工具 | 第 1-6 章 | 理解 Monte Carlo 原理、掌握 Python 基础与随机数生成、搭建开发环境 |
| 第二阶段：模型构建 | 第 7-14 章 | 定义风险变量分布、构建模拟模型、实现单次与批量模拟 |
| 第三阶段：结果分析 | 第 15-20 章 | 统计输出分布、绘制直方图与累积概率图、计算 VaR 与 CVaR |
| 第四阶段：风险复核集成 | 第 21-26 章 | 将模拟结果嵌入风险复核报告、敏感性分析、情景对比 |
| 第五阶段：实战与优化 | 第 27-30 章 | 真实案例演练、性能优化、自动化复核流程搭建 |
学习建议： 本课程强调动手实践。建议每章学习后，立即运行配套代码示例，并尝试修改参数观察结果变化。只有亲手搭建过模拟模型，才能真正理解 Monte Carlo 模拟在风险复核中的威力。