2. 风险暴露特征基础：概念、维度与量化方法

2.1 风险暴露的核心概念

风险暴露（Risk Exposure）是指金融机构或投资组合在特定风险因子下可能遭受损失的敞口程度。在情景分析中，风险暴露特征是对这一敞口的多维度刻画，是连接情景冲击与损失估算的桥梁。

理解风险暴露需要区分三个层次：

• 名义暴露： 合约或头寸的名义本金，如贷款余额、债券面值。
• 当前暴露： 考虑盯市价值后的当前风险敞口，如衍生品的重置成本。
• 潜在暴露： 未来可能的最大敞口，通常通过压力测试或蒙特卡洛模拟估算。

2.2 风险暴露的四维特征体系

风险暴露特征按风险类型划分为四个核心维度，每个维度包含若干可量化的子特征：

2.3 风险暴露特征量化方法

量化方法的选择取决于特征的数据类型和业务场景。以下是四类主流量化方法：

2.3.1 统计计量法

适用于历史数据充足的特征，通过统计模型估计暴露参数：

# 信用风险PD估算示例（Logistic回归）
import numpy as np
from sklearn.linear_model import LogisticRegression

# 特征：财务比率、行业指标
X = np.array([[0.85, 1.2], [0.92, 0.9], [0.78, 1.5]])
y = np.array([0, 1, 0])  # 违约标签

model = LogisticRegression()
model.fit(X, y)
pd_estimate = model.predict_proba([[0.80, 1.1]])[0][1]
print(f"违约概率估计值: {pd_estimate:.4f}")

2.3.2 情景模拟法

通过设定压力情景，直接计算暴露变化量：

• 利率冲击： 债券价格变化 = -久期 × Δ利率 + 0.5 × 凸性 × (Δ利率)²
• 汇率冲击： 外汇敞口损失 = 净外汇头寸 × 汇率变动幅度
• 信用利差冲击： 信用价差变化导致的债券市值变动

2.3.3 专家评分法

适用于操作风险等难以直接量化的特征：

2.3.4 市场隐含法

从市场价格中反向推导暴露特征：

• 隐含波动率： 从期权价格反推市场对未来波动的预期
• 信用违约互换价差： 反映市场隐含的违约概率
• 流动性溢价： 从买卖价差和交易量中提取

2.4 特征量化流程与架构

下图展示了从原始数据到风险暴露特征向量的完整量化流程：

2.5 特征量化中的常见陷阱

1. 幸存者偏差： 仅使用现存数据而忽略已违约或退市样本，导致PD被低估。应使用包含完整历史的数据集。
2. 特征共线性： 多个暴露特征高度相关（如久期与凸性），导致模型不稳定。建议使用主成分分析或方差膨胀因子(VIF)进行筛选。
3. 量化粒度错配： 使用过于宏观的特征（如行业平均违约率）去匹配微观情景（如单个交易对手），造成暴露估计失真。应保持特征粒度与情景粒度一致。

2.6 特征量化方法对比总结