1. 课程导入
结构化产品（Structured Products）的定价与风险计量，本质上依赖一套“模型+参数”的映射关系：把市场可观测变量（利率、汇率、股价、波动率、相关性、信用利差等）输入定价模型，输出产品价值、希腊字母与情景损益。问题在于，模型本身是对现实的简化，参数又来自估计或校准，两者都会带来误差。本课程的核心命题是：当模型假设不成立、参数发生偏移时，结构化产品的价值与风险指标会如何变化，我们如何度量、监控并管理这种变化。
一、学习目标：从“会算价格”到“懂风险来源”
完成本课程后，学员应能达成以下四层目标：
- 认知层：区分模型风险（Model Risk）与参数风险（Parameter Risk），理解二者在结构化产品中的耦合关系。
- 方法层：掌握敏感性分析（Greeks、有限差分、情景分析）、压力测试与反向压力测试的基本流程。
- 工具层：能够对障碍期权、自动赎回（Autocallable）、雪球、区间累积等典型结构进行参数扰动与结果解读。
- 治理层：理解模型验证、独立价格核查（IPV）、模型储备（Model Reserve）在机构风险管理中的定位。
二、核心概念：模型风险与参数风险的边界
模型风险指因模型选择错误、假设不成立、实现缺陷或使用不当而导致估值或风险计量偏差的可能性。参数风险则指模型参数（如波动率、相关性、股息率、违约强度）估计不准或随时间漂移所带来的不确定性。二者并非独立：参数校准往往依赖模型结构，模型结构又决定了参数的经济含义。
在结构化产品中，最典型的参数敏感性对象包括：
- 波动率曲面：对障碍、自动赎回结构，波动率微笑与偏斜直接影响敲出/敲入概率。
- 相关性：多资产篮子、最差表现（Worst-of）结构对相关性极度敏感，甚至出现符号反转。
- 利率与贴现曲线：长期限结构对贴现因子与远期曲线形态敏感。
- 信用与融资利差：发行方信用、资金成本影响产品公允价值与再融资风险。
- 股息与借券成本：影响远期价格与提前赎回行为。
三、整体框架：从输入到治理的闭环
本课程按“输入—模型—敏感性—治理”四层展开。下图展示了一个结构化产品模型风险与参数敏感性分析的整体关系：左侧是市场与合约输入，中部是模型与校准，右侧是敏感性与风险输出，底部是治理与反馈。
四、方法流程：一次完整的敏感性分析怎么做
以一只挂钩单资产的自动赎回结构（Autocallable）为例，参数敏感性分析通常遵循以下流程：
- 明确分析对象：确定估值日、产品条款、交易对手与估值模型版本。
- 基准估值：用校准后的参数计算基准价值与基准 Greeks。
- 单参数扰动：对波动率、相关性、利率、股息等分别做±1%、±5%、±10%的有限差分。
- 多参数情景：构造“波动率上升+相关性下降+利率上行”等组合情景。
- 压力与反向压力：寻找导致亏损超过限额的参数组合，识别脆弱点。
- 结果解读与报告：区分线性敏感与非线性拐点，形成限额建议与模型储备。
在实现层面，有限差分是最常用的敏感性计算方式，其核心逻辑可用如下伪代码表达：
for param in [vol, corr, rate, div]:
base = price(params)
for shock in [-0.10, -0.05, -0.01, +0.01, +0.05, +0.10]:
params_up = params.copy()
params_up[param] *= (1 + shock)
p_up = price(params_up)
sensitivity = (p_up - base) / (base * shock)
record(param, shock, p_up, sensitivity)
五、案例场景：雪球结构的相关性与波动率双敏感
雪球（Snowball）是近年来市场关注度极高的结构化产品，其收益依赖于标的波动率与敲入/敲出路径。假设某雪球产品挂钩中证500指数，敲出线100%、敲入线75%、期限24个月。当波动率从20%上升到30%时，敲出概率上升但敲入后亏损幅度也放大，产品价值可能先升后降，呈现明显的非线性。若同时考虑相关性（对多资产雪球），相关性下降会显著提高“最差表现”触发敲入的概率，导致估值快速下跌。
| 参数 | 扰动方向 | 对雪球价值的影响 | 风险提示 |
|---|---|---|---|
| 波动率 | 上升 | 先升后降，存在拐点 | 非线性，需分段监控 |
| 相关性 | 下降 | 显著下降 | 多资产结构核心风险 |
| 无风险利率 | 上升 | 贴现效应，价值下降 | 长期限结构更敏感 |
| 股息率 | 上升 | 远期价格下降，价值下降 | 影响敲入概率 |
六、常见误区与复盘要点
- 误区一：把Greeks当作全部。Greeks是局部线性近似，对障碍、自动赎回等强路径依赖结构，二阶与高阶敏感性同样关键。
- 误区二：忽视参数校准的模型依赖。同一组市场报价，在不同模型下校准出的参数不同，敏感性结果不可直接比较。
- 误区三：只做单参数扰动。真实风险往往来自多参数联合变动，需引入情景与压力测试。
- 误区四：忽略模型储备。模型风险应通过储备或资本计提进行缓冲，而非仅停留在报告层面。