3. 特征筛选的重要性：维度灾难与过拟合、特征冗余对压力测试模型稳健性的影响、筛选的经济学意义

在压力测试建模中，特征筛选并非可有可无的预处理步骤，而是决定模型能否在极端情景下保持稳健的核心环节。随着数据采集能力的提升，建模者往往倾向于纳入尽可能多的变量，却忽视了高维特征空间带来的三大致命问题：维度灾难、过拟合与特征冗余。本节从数学机理、模型稳健性和经济学成本三个维度，系统阐述特征筛选的必要性。

3.1 维度灾难：稀疏性与距离度量失效

当特征维度 p 远大于样本量 n 时，高维空间呈现反直觉的几何性质，直接破坏压力测试模型的统计基础。

下表总结了维度增长对压力测试关键环节的具体影响：

维度灾难的数学本质在于：高维空间中，样本点之间的欧氏距离趋于相等，使得“最近邻”与“最远邻”几乎无法区分。压力测试中常用的最坏情景搜索和历史情景匹配算法因此失去区分能力。

3.2 过拟合：噪声拟合与泛化能力丧失

特征数量过多时，模型会学习训练数据中的随机噪声而非真实信号，导致在压力测试的极端情景下预测完全失准。过拟合对压力测试的破坏尤为严重，因为压力情景往往位于训练数据分布之外的尾部区域。

过拟合在压力测试中的典型表现包括：

• 情景外推失真：模型在轻度压力下表现良好，但在重度压力（如 GDP 下降 6%）下输出极端不合理值。
• 变量系数不稳定：特征间存在多重共线性时，回归系数符号与经济直觉相反（如利率上升反而降低违约率）。
• 回测失败：模型在历史危机时期（如 2008 年）的预测误差远大于正常时期。

下图展示了特征数量与模型泛化误差之间的 U 型关系：

3.3 特征冗余：多重共线性与模型稳健性侵蚀

特征冗余不仅增加计算成本，更严重的是引入多重共线性，导致模型参数估计的方差膨胀，使压力测试结果对输入变量的微小变化极度敏感。

冗余特征对压力测试模型稳健性的具体影响：

3.4 筛选的经济学意义：成本、可解释性与监管合规

特征筛选不仅是统计技术问题，更直接关联压力测试的经济成本和监管价值。从经济学视角看，特征筛选的收益体现在三个层面：

1. 数据采集与治理成本：每个冗余特征都需要持续的数据清洗、质量监控和存储资源。对于覆盖数百家机构的集团级压力测试，减少 50 个冗余特征每年可节省数百万的数据治理成本。
2. 模型可解释性与业务落地：监管机构（如巴塞尔委员会、美联储 CCAR/DFAST）明确要求压力测试模型具备可解释性。包含 100+ 特征的“黑箱”模型难以通过监管审查，而 10~20 个核心特征的模型可以清晰展示风险传导路径。
3. 决策效率与情景迭代：精简的特征集使得压力测试运行时间从数小时缩短至分钟级，支持更频繁的情景迭代和敏感性分析，提升风险管理的前瞻性。

下表对比了特征筛选前后的经济学效益：