2、情景分析基础：概念、历史与假设情景及宏观经济变量选取
情景分析是压力测试的核心前置环节，其本质是通过构建一组内在一致、逻辑自洽的未来经济状态，评估资产组合或金融机构在这些状态下的风险暴露与韧性。与单一变量敏感性分析不同，情景分析强调多变量联动与非线性冲击，能够更真实地反映极端市场环境下的风险传导路径。
2.1 情景分析的核心概念
情景分析（Scenario Analysis）并非预测未来，而是回答“如果……那么……”的问题。其关键要素包括：
- 情景定义：明确冲击的来源、幅度、持续时间和传导机制。
- 变量联动：确保宏观经济变量（如GDP、CPI、失业率）之间的变动关系符合经济学逻辑。
- 时间维度：区分即期冲击与渐进式演变，通常覆盖1-3年的预测窗口。
- 概率权重：虽然压力情景通常为低概率事件，但需明确其发生概率或至少进行排序。
实践要点： 情景分析的价值不在于“猜中未来”，而在于提前暴露脆弱点，为资本规划与风险缓释提供决策依据。一个好的情景应当具备“可解释性”与“可回溯性”。
2.2 历史情景与假设情景
在压力测试实践中，情景来源主要分为两类：历史情景与假设情景。两者在构建逻辑、适用场景与局限性上存在显著差异。
| 对比维度 | 历史情景 | 假设情景 |
|---|---|---|
| 构建基础 | 基于已发生的真实危机事件（如2008年全球金融危机、2020年新冠疫情） | 基于专家判断、前瞻性风险识别或监管要求（如“滞胀”、“地缘冲突升级”） |
| 变量取值 | 直接提取危机期间的实际数据序列 | 通过模型模拟或专家打分设定变量路径 |
| 优势 | 真实性强、易于沟通、监管接受度高 | 灵活性强、可覆盖未发生过的风险组合 |
| 局限性 | 无法反映结构性变化（如利率环境、监管框架已变） | 主观性较强、一致性验证难度大 |
| 典型应用 | CCAR（美联储压力测试）中的“严重不利情景” | 内部资本充足评估程序（ICAAP）中的“定制化情景” |
行业实践： 多数大型银行采用“历史情景+假设情景”的组合策略。例如，以2008年危机为基准，叠加当前特有的风险因子（如高通胀、供应链断裂），形成“历史修正情景”，既保留真实感，又增强前瞻性。
2.3 宏观经济情景变量的选取
宏观经济变量是情景分析的“骨架”。变量选取的质量直接决定压力测试结果的可靠性。核心变量通常包括GDP增速、CPI通胀率与失业率，三者构成“宏观经济三驾马车”。
2.3.1 核心变量选取原则
- 相关性原则：变量必须与风险敞口（如信用风险、市场风险）存在显著统计关联。
- 可测性原则：变量应具备可靠的历史数据与可量化的预测路径。
- 联动性原则：变量之间需满足经济学约束（如奥肯定律、菲利普斯曲线）。
- 敏感性原则：变量在压力情景下应有足够的波动幅度，能够触发风险迁移。
2.3.2 三大核心变量详解
| 变量 | 经济含义 | 压力情景下的典型变动 | 对风险敞口的影响路径 |
|---|---|---|---|
| GDP增速 | 衡量经济总体产出与增长动能 | 由正转负，深度衰退（如-2%至-5%） | 企业利润下降→违约率上升→信用风险恶化 |
| CPI通胀率 | 反映物价水平与货币购买力 | 高通胀（>5%）或通缩（<0%） | 高通胀侵蚀实际收入→消费萎缩→贷款质量承压；通缩加重债务负担 |
| 失业率 | 反映劳动力市场紧张程度 | 快速攀升（如从4%升至10%以上） | 居民收入下降→个人贷款违约率上升→零售与住房市场风险暴露 |
常见误区： 仅选取单一变量（如仅看GDP）构建情景，会严重低估风险联动效应。例如，高通胀+高失业率（滞胀）对银行资产质量的冲击远大于单纯的经济衰退。变量选取必须形成“组合拳”。
2.4 情景变量联动关系示意图
下图展示了GDP、CPI与失业率在压力情景下的典型传导路径与联动关系，帮助理解变量之间的内在约束。
2.5 变量选取的量化验证框架
在确定情景变量后，需通过统计方法验证其合理性。以下是一个简化的验证流程：
- 相关性分析：计算变量与风险指标（如不良贷款率NPL）的Pearson相关系数，筛选|r| > 0.3的变量。
- 格兰杰因果检验：确认变量是否在统计意义上“领先”于风险指标变化。
- 压力弹性测试：构建VAR模型，模拟变量在极端冲击下的响应路径，检查是否符合经济学直觉。
- 情景一致性校验：使用蒙特卡洛模拟生成联合分布，确保变量组合落在合理区间内（如GDP与失业率满足奥肯定律）。
代码示例： 使用Python进行变量相关性快速筛查
import pandas as pd
import numpy as np
# 假设df包含GDP、CPI、失业率与NPL的历史数据
df = pd.read_csv('macro_risk_data.csv')
corr_matrix = df[['GDP_growth', 'CPI', 'unemployment', 'NPL']].corr()
# 筛选与NPL相关性较高的变量
high_corr_vars = corr_matrix['NPL'][abs(corr_matrix['NPL']) > 0.3].index.tolist()
print(f"与NPL高度相关的变量: {high_corr_vars}")
# 输出相关性矩阵
print(corr_matrix)2.6 情景变量选取的常见避坑指南
- 避免变量冗余：如同时选取“工业增加值”与“GDP增速”，两者高度共线，会导致模型不稳定。优先选择综合性更强的变量。
- 避免忽略滞后效应：宏观经济变量对风险指标的影响通常存在1-4个季度的滞后，需在情景时间轴上设置合理的“冲击-响应”窗口。
- 避免过度拟合历史：历史情景的变量取值不应直接复制，需根据当前经济结构（如利率水平、杠杆率）进行适度校准。
- 避免变量“孤岛”：每个变量都应能通过经济学逻辑与其他变量连接，形成闭环验证。
通过以上步骤，情景分析中的变量选取将从“经验判断”走向“数据驱动+逻辑约束”的规范化流程，为后续压力测试模型提供坚实的数据基础。