4、情景生成方法论：历史情景法、假设情景法、蒙特卡洛模拟法、极值理论（EVT）的基本原理与适用场景

压力测试的核心在于“情景”的构造——情景决定了风险因子的变动路径、幅度与相关性结构，进而决定了组合的损益分布形态。若情景生成方法不当，再精细的估值模型也只是在错误输入上做精确计算。本章围绕四种主流情景生成方法论展开：历史情景法（依赖真实历史路径）、假设情景法（依赖专家判断与规则设定）、蒙特卡洛模拟法（依赖随机过程与参数分布）、极值理论（EVT）（依赖尾部极值建模）。四者并非互斥，实务中常组合使用，例如用EVT校准蒙特卡洛的尾部参数，或用历史情景校验假设情景的合理性。

4.1 历史情景法：以史为鉴，但需警惕“历史不会简单重复”

4.1.1 核心原理

历史情景法直接选取过去某一特定时期（如2008年全球金融危机、2020年新冠疫情冲击、2022年俄乌冲突引发的商品价格飙升）的实际市场数据作为压力测试情景。该方法的核心逻辑是：历史极端事件中包含了真实的风险因子联动关系、市场流动性变化、投资者行为反应等复杂信息，这些信息难以通过参数模型完全刻画。操作上，分析师将历史区间的收益率序列、波动率曲面、相关性矩阵直接应用于当前组合，计算损益变化。

4.1.2 操作流程与关键判断

1. 情景选择：确定具有代表性的历史危机区间，通常选择波动率峰值、相关性突变、流动性枯竭并存的时期。例如，2008年9-11月（雷曼破产后）、2011年8月（美债降级）、2020年2-3月（全球疫情恐慌）。
2. 数据清洗与对齐：将历史数据映射到当前组合的风险因子上，处理缺失值、异常值、不同数据频率（日频/周频）的对齐问题。
3. 损益重估：将历史因子变动（如利率曲线平移、信用利差走阔、汇率贬值）施加于当前持仓，采用全量重估或灵敏度近似。
4. 结果解读：对比当前组合与历史情景的损益差异，识别集中度风险、流动性错配、非线性风险（如期权Gamma损失）。

4.1.3 案例拆解：某银行交易账户的2008年情景回放

背景与约束：某中型银行交易账户持有企业债、利率互换、外汇期权组合，管理层希望评估当前组合在类似2008年9月极端市场环境下的潜在损失。该行风险系统仅存储了2008年9-11月的日频市场数据，但当前组合中新增了信用违约互换（CDS）头寸。

操作过程：风险团队提取2008年9月15日（雷曼破产日）至10月15日的利率、信用利差、汇率、波动率数据，将其作为情景因子。对CDS头寸，因历史数据中该行未持有此类产品，采用“映射法”——以同期限企业债利差变动作为代理变量。全量重估结果显示，组合损失约1.2亿元，其中信用利差走阔贡献65%，利率曲线陡峭化贡献25%，外汇波动率上升贡献10%。

复盘与改进：该行发现CDS头寸的基差风险（CDS与债券利差背离）未被历史情景捕捉，后续引入假设情景法补充“信用利差与CDS基差同时走阔”的压力情景。

4.2 假设情景法：前瞻性判断与规则化构造

4.2.1 核心原理

假设情景法不依赖历史数据，而是由风险专家、业务条线、经济学家共同设定风险因子的变动幅度与路径。其核心价值在于前瞻性——能够构造历史上从未出现但逻辑上可能发生的情景，例如“全球供应链断裂+央行同步加息+地缘冲突升级”的复合冲击。该方法强调“如果……会怎样”的因果推演，适合评估新业务、新市场、新产品的极端风险。

4.2.2 情景构造的三种模式

• 专家判断法：由资深交易员、经济学家基于经验设定关键因子的变动幅度（如“利率上升300bp”），优点是快速灵活，缺点是主观性强、一致性差。
• 规则推演法：基于宏观经济模型或行业逻辑推导因子变动路径，例如“GDP增速下降2%→企业违约率上升→信用利差走阔150bp”。
• 复合情景法：将多个单一冲击组合成多维情景，并设定因子间的相关性假设（如“股市下跌20%+信用利差走阔100bp+汇率贬值5%”）。

4.2.3 适用场景与注意事项

假设情景法特别适用于：监管要求的“反向压力测试”（先设定损失阈值，再反推所需的风险因子冲击）、新业务准入评估（如进入新兴市场前设定当地货币大幅贬值情景）、管理层战略决策（如评估并购后组合在“极端滞胀”情景下的韧性）。

4.3 蒙特卡洛模拟法：随机路径与分布生成

4.3.1 核心原理

蒙特卡洛模拟法通过随机数生成器产生大量风险因子未来路径，并基于这些路径计算组合损益分布。其数学基础是随机过程假设——通常假设资产价格服从几何布朗运动（GBM）或带跳跃的扩散过程，利率服从Vasicek/CIR模型，波动率服从Heston模型等。模拟的核心步骤包括：

1. 参数估计：从历史数据中估计漂移率、波动率、相关性矩阵等参数。
2. 随机路径生成：使用Cholesky分解处理因子间的相关性，生成符合联合分布的随机序列。
3. 组合估值：对每条路径进行全量重估（或Delta-Gamma近似），得到损益分布。
4. 统计汇总：计算VaR、Expected Shortfall（ES）、最大回撤等风险指标。

4.3.2 关键参数与模型风险

4.3.3 实战场景：某资管公司的多因子模拟

某资管公司管理一个包含股票、债券、商品、外汇的多资产组合，需要计算99%置信度下的10日VaR。风险团队采用蒙特卡洛模拟，假设股票收益率服从带跳跃的Merton模型（跳跃强度λ=0.5次/年，跳跃幅度均值-2%），债券收益率服从Vasicek模型，商品价格服从GBM，汇率服从带GARCH效应的随机波动率模型。使用历史数据估计参数后，模拟50,000条路径，计算得到10日VaR为组合净值的3.8%，ES为5.2%。与历史模拟法（VaR为3.1%）相比，蒙特卡洛结果更高，主要原因是跳跃项捕捉了股票市场的尾部风险。

4.4 极值理论（EVT）：聚焦尾部极值分布

4.4.1 核心原理

极值理论专门研究随机变量的极端值分布，其核心结论是：无论原始分布是什么，超过足够高阈值的超额损失近似服从广义帕累托分布（GPD）。EVT不试图拟合整个分布，而是仅关注尾部，因此能够超越历史样本范围外推极端分位数。两种主要模型：

• BMM模型（Block Maxima Method）：将数据分为若干区块（如每季度最大值），对区块最大值拟合广义极值分布（GEV）。适合低频高损事件（如操作风险）。
• POT模型（Peaks Over Threshold）：设定一个高阈值，对超过阈值的超额损失拟合GPD。适合高频数据（如日收益率），是市场风险中最常用的EVT方法。

4.4.2 操作流程与阈值选择

1. 数据准备：选取足够长的历史数据（建议至少5年日频数据），剔除异常值。
2. 阈值确定：使用平均超额函数图（Mean Excess Plot）或Hill估计量确定阈值。阈值过高导致样本不足，过低则引入非极值数据。
3. 参数估计：采用极大似然估计（MLE）拟合GPD参数（形状参数ξ、尺度参数σ）。
4. 分位数计算：根据GPD分布计算99.5%、99.9%等极端分位数对应的损失值。

4.4.3 案例：操作风险损失分布的EVT建模

某银行收集了过去8年的操作风险损失数据（共1,200条，最小损失1万元）。使用POT模型，设定阈值为50万元（超过阈值的样本有87条），拟合GPD得到ξ=0.62，σ=35万元。据此计算99.9%置信度下的操作风险资本要求为2,800万元，而传统参数法（假设对数正态分布）计算的结果为1,900万元。差异源于EVT捕捉到了损失分布的厚尾特征——少数极端损失（如法律诉讼、系统故障）对资本要求影响显著。该银行最终采用EVT结果作为内部资本充足评估（ICAAP）的输入。

4.5 四种方法的对比与组合策略

4.5.1 常见误区总结

• 误区一：认为历史情景法“客观”——实际上历史数据选择本身包含主观判断（选择哪个危机区间、时间长度）。
• 误区二：假设情景法设定冲击幅度时忽略因子间的相关性——例如同时设定“利率上升300bp”和“股市上涨20%”可能违背经济逻辑。
• 误区三：蒙特卡洛模拟中直接使用历史相关性矩阵，未考虑危机期间相关性突变（Correlation Breakdown）。
• 误区四：EVT阈值选择不当导致参数估计不稳定——建议使用多种阈值进行敏感性分析，并检验GPD拟合优度。

在实际压力测试框架中，四种方法并非孤立使用，而是形成互补关系。历史情景法提供“已知的未知”基准，假设情景法覆盖“未知的未知”，蒙特卡洛模拟生成概率分布，EVT则专门刻画分布的极端尾部。风险管理者应根据组合特征、数据可得性、监管要求选择合适的方法组合，并定期回测验证情景生成的有效性。