1. 课程导论：金融压力测试的定义与监管背景
1.1 什么是金融压力测试？
金融压力测试是一种前瞻性风险评估工具，用于评估金融机构在极端但可能发生的宏观经济或市场冲击下的资本充足性与生存能力。与常规风险模型依赖历史均值不同，压力测试关注的是“尾部风险”——即概率低、损失大的情景。
核心定义：压力测试 = 极端情景假设 × 风险敞口映射 × 资本缓冲评估
1.2 监管背景：巴塞尔协议III与CCAR
2008年全球金融危机暴露了传统风险管理的脆弱性。此后，巴塞尔协议III与美国的CCAR（全面资本分析与审查）成为全球压力测试监管的两大支柱。
| 维度 | 巴塞尔协议III | CCAR（美联储） |
|---|---|---|
| 适用范围 | 全球系统重要性银行（G-SIBs） | 美国资产≥1000亿美元的银行控股公司 |
| 核心要求 | 资本留存缓冲、逆周期资本缓冲、杠杆率 | 定量资本预测 + 定性风险管理评估 |
| 情景类型 | 监管设定基准/不利/严重不利 | 美联储年度公开情景 + 银行自设情景 |
| 关键指标 | CET1比率、Tier1资本比率、总资本比率 | 最低资本比率、资本行动计划（CAP） |
| 频率 | 年度 | 年度（含DFAST并行运行） |
监管趋势：2023年后，巴塞尔III最终改革（Basel III Endgame）进一步细化了信用风险标准化方法与内部评级法的校准，对压力测试中的风险加权资产（RWA）预测精度提出了更高要求。
1.3 特征工程在压力测试中的核心价值
压力测试的本质是“预测”——预测极端情景下的违约概率（PD）、违约损失率（LGD）、违约敞口（EAD）以及收入变化。特征工程正是提升这些预测模型精度与稳健性的关键环节。
- 信号提取：从原始财务数据、宏观时间序列、市场波动率中构造能提前捕捉风险拐点的领先特征。
- 非线性建模：通过交互特征、多项式特征、分箱特征捕捉经济变量与风险指标之间的非线性关系。
- 时序对齐：处理宏观变量与微观敞口之间的滞后效应，构造对齐窗口特征。
- 降噪与稳定性：剔除冗余特征、稳定特征分布，防止模型在极端情景下过拟合历史噪声。
- 可解释性：构造业务语义清晰的特征，满足监管对模型可解释性的要求。
1.4 课程整体架构与学习目标
本课程共30章，从基础概念到高级实战，系统覆盖特征工程在压力测试全流程中的应用。
| 模块 | 章节范围 | 核心内容 | 学习目标 |
|---|---|---|---|
| 基础篇 | 第1-5章 | 压力测试基础、数据源解析、特征工程方法论 | 掌握压力测试数据架构与特征工程基本流程 |
| 特征构建篇 | 第6-15章 | 宏观特征、财务特征、市场特征、交互特征、时序特征 | 独立构建30+类压力测试专用特征 |
| 特征优化篇 | 第16-22章 | 特征选择、降维、稳定性监控、可解释性 | 掌握特征筛选与质量保障的工业级方法 |
| 实战篇 | 第23-28章 | PD/LGD/EAD模型特征工程、资本预测Pipeline | 独立完成端到端压力测试特征工程流水线 |
| 进阶篇 | 第29-30章 | 机器学习特征工程、自动化特征工程（AutoFE） | 掌握前沿特征工程技术在压力测试中的应用 |
学习前提：建议学员具备基础的Python编程能力（pandas/numpy）以及基本的金融风险概念（PD/LGD/EAD）。每章均提供可运行的代码示例与数据集，建议动手实践。
1.5 为什么特征工程是压力测试优化的“胜负手”？
在监管压力测试中，模型精度每提升1个百分点，可能对应数亿甚至数十亿美元的资本节约。特征工程直接决定了模型能够从数据中“看到”多少风险信号。
- 案例A：某大型银行在CCAR 2022中，通过构造“行业集中度-宏观冲击交互特征”，将企业贷款PD模型的AUC从0.72提升至0.81，资本预测误差降低18%。
- 案例B：引入“流动性错配滞后特征”后，零售抵押贷款LGD模型的R²从0.45提升至0.63，显著改善了严重不利情景下的损失估计。
本课程将系统拆解这些特征背后的构造逻辑、数学原理与Python实现，帮助学员在监管压力测试中建立真正的技术壁垒。