3. 历史情景复现

历史情景复现是压力测试中最直观、最易理解的反事实情景构建方法。其核心逻辑是：“如果历史重演，但发生在今天的经济金融环境下，会产生怎样的冲击？” 该方法通过提取历史危机事件中的关键风险因子变动幅度与传导路径，将其映射到当前资产负债组合上，从而评估机构在类似极端事件下的脆弱性。

3.1 历史情景复现的基本流程

构建一个高质量的历史复现情景，通常遵循以下五个步骤：

1. 事件选择与界定： 确定具有显著系统性冲击的历史危机事件（如2008年全球金融危机、2020年新冠疫情、1997年亚洲金融危机等），并明确该事件的起止时间窗口。
2. 关键风险因子提取： 从历史事件中识别并量化对当前组合影响最大的风险因子，如利率、汇率、股票指数、信用利差、商品价格、GDP增速、失业率等。
3. 变动幅度计算： 计算在事件窗口内，各风险因子的最大回撤、累计变动幅度或波动率变化。通常采用“峰值到谷底”或“事件前后特定时段”的变动值。
4. 映射与调整： 将历史变动幅度映射到当前市场水平上，生成新的情景参数。必要时需根据当前市场结构、监管环境的变化进行“校准调整”。
5. 传导与评估： 将生成的情景参数输入估值模型、风险模型或财务模型，计算对损益、资本充足率、流动性覆盖率等核心指标的影响。

3.2 2008年全球金融危机情景复现

2008年金融危机是典型的“尾部风险”事件，其核心特征是信用收缩、流动性枯竭与资产价格暴跌的负反馈循环。复现该情景时，应重点关注以下风险因子：

3.3 2020年新冠疫情情景复现

新冠疫情冲击与2008年不同，它是一次“外生性、突发性、高速度”的供给与需求双重冲击。复现该情景时，应突出其“V型”或“深V型”的冲击特征，以及政策干预的快速响应。

• 冲击速度： 2020年2月至3月，全球主要股指在短短5周内下跌30%-40%，波动率指数（VIX）飙升至历史极值82.69。
• 行业分化： 航空、旅游、零售、能源行业遭受重创，而科技、医疗、在线服务行业相对受益。复现时需考虑行业层面的差异化冲击。
• 政策干预： 全球央行大幅降息并实施量化宽松，财政政策大规模扩张。复现情景需假设当前政策空间是否足够，以及政策响应的时滞。
• 流动性冲击： 美元流动性危机导致美元指数飙升，新兴市场货币大幅贬值。需重点关注汇率与跨境资本流动的变动。

3.4 历史情景复现的SVG流程图

下图展示了从历史事件到压力测试结果的完整复现流程，以及关键决策节点：

3.5 历史情景复现的优缺点对比

在实际应用中，历史情景复现法具有鲜明的优缺点，分析师需根据测试目的权衡使用：

3.6 历史情景复现的代码实现示例

以下Python代码展示了如何基于2008年金融危机数据，构建一个简化的利率与股票市场压力情景，并计算对投资组合的冲击：

import numpy as np
import pandas as pd

# 1. 定义历史事件参数（2008年金融危机）
historical_shock = {
    'equity_market': -0.57,      # 标普500跌幅57%
    'interest_rate': -0.015,     # 10年期国债收益率下降150bps
    'credit_spread': 0.04,       # 信用利差扩大400bps
    'fx_emerging': -0.20         # 新兴市场货币贬值20%
}

# 2. 定义当前组合暴露（假设值）
current_portfolio = {
    'equity_exposure': 1_000_000_000,      # 10亿股票敞口
    'bond_duration': 5.5,                  # 债券组合久期
    'credit_exposure': 500_000_000,        # 5亿信用敞口
    'fx_exposure_EM': 200_000_000          # 2亿新兴市场货币敞口
}

# 3. 构建反事实情景（映射到当前市场）
def build_historical_scenario(historical_shock, current_portfolio, calibration_factor=1.0):
    """
    构建历史复现压力情景
    calibration_factor: 校准因子，用于调整历史冲击幅度（默认1.0表示完全复现）
    """
    scenario = {}
    
    # 股票市场冲击
    scenario['equity_loss'] = (
        current_portfolio['equity_exposure'] * 
        abs(historical_shock['equity_market']) * 
        calibration_factor
    )
    
    # 利率冲击（久期法估算债券价格变动）
    scenario['interest_loss'] = (
        current_portfolio['bond_duration'] * 
        abs(historical_shock['interest_rate']) * 
        100 * 
        current_portfolio['bond_duration'] * 100_000_000  # 简化计算
    )
    
    # 信用利差冲击
    scenario['credit_loss'] = (
        current_portfolio['credit_exposure'] * 
        historical_shock['credit_spread'] * 
        calibration_factor
    )
    
    # 汇率冲击
    scenario['fx_loss'] = (
        current_portfolio['fx_exposure_EM'] * 
        abs(historical_shock['fx_emerging']) * 
        calibration_factor
    )
    
    # 总损失
    scenario['total_loss'] = sum([
        scenario['equity_loss'],
        scenario['interest_loss'],
        scenario['credit_loss'],
        scenario['fx_loss']
    ])
    
    return scenario

# 4. 执行情景计算
scenario_result = build_historical_scenario(
    historical_shock, 
    current_portfolio, 
    calibration_factor=0.85  # 假设当前市场韧性更强，仅复现85%的冲击
)

# 5. 输出结果
print("=== 2008年金融危机复现情景结果 ===")
print(f"股票市场损失: ${scenario_result['equity_loss']:,.2f}")
print(f"利率冲击损失: ${scenario_result['interest_loss']:,.2f}")
print(f"信用利差损失: ${scenario_result['credit_loss']:,.2f}")
print(f"汇率冲击损失: ${scenario_result['fx_loss']:,.2f}")
print(f"-----------------------------------")
print(f"总损失: ${scenario_result['total_loss']:,.2f}")

3.7 历史情景复现的进阶技巧

为了提升历史情景复现的有效性，建议采用以下进阶技巧：

• 多事件组合： 将不同历史事件的极端变动进行组合，例如“2008年的信用利差冲击 + 2020年的波动率冲击”，构建更严苛的合成情景。
• 条件复现： 仅复现历史事件中的特定阶段（如“雷曼兄弟倒闭后两周”），而非整个危机周期，以聚焦于最剧烈的冲击窗口。
• 动态校准： 使用当前市场的隐含波动率、信用违约互换（CDS）价格等前瞻性指标，动态调整历史冲击的幅度与速度。
• 压力传导路径图： 绘制从初始冲击到最终损失的完整传导路径，识别关键风险放大环节。

下图展示了2008年金融危机与2020年新冠疫情在冲击模式上的结构性差异，帮助分析师理解为何需要针对不同事件采用不同的复现策略：

3.8 历史情景复现的常见误区与避坑指南