2. 样本构建基础：压力测试样本的概念、样本与全量数据的区别、样本构建的基本原则

2.1 压力测试样本的概念

在金融压力测试中，样本并非简单地从全量数据中随机抽取，而是指为了评估特定极端情景下的风险暴露，从总体数据中按照特定规则筛选出的、具有代表性的数据子集。样本构建是压力测试流程的起点，其质量直接决定了风险度量的准确性与监管合规的有效性。

一个典型的压力测试样本通常包含以下要素：

• 目标总体：需要评估的资产组合、交易对手或业务条线（如：对公贷款组合、零售按揭池）。
• 情景约束：压力情景下的关键风险因子（如：GDP下降5%、失业率上升至10%）。
• 代表性规则：确保样本在风险特征、行业分布、期限结构等方面与总体保持一致。
• 时效窗口：样本数据的时间跨度需覆盖至少一个完整经济周期，通常包含压力期数据。

2.2 样本与全量数据的区别

理解样本与全量数据的差异，是构建高质量压力测试样本的前提。全量数据包含所有可用的历史记录，而样本则是经过筛选、清洗和结构化后的子集。两者在多个维度上存在本质区别：

2.3 样本构建的基本原则

构建压力测试样本需遵循三大核心原则：代表性、相关性和时效性。这三者构成样本质量的“铁三角”，缺一不可。

2.3.1 代表性（Representativeness）

样本必须在关键风险维度上反映总体的分布特征，避免选择偏差。具体包括：

• 风险特征分布：样本中不同信用评级、行业、地区的占比应与总体一致。
• 尾部风险覆盖：通过分层抽样或重要性抽样，确保高损失、高违约的尾部案例被充分纳入。
• 周期性平衡：样本需同时包含扩张期和衰退期的数据，避免仅选取“好年份”。

2.3.2 相关性（Relevance）

样本中的变量和事件必须与所评估的压力情景高度相关。相关性原则要求：

• 情景驱动筛选：根据压力情景中的风险因子（如利率、汇率、失业率），选择受其影响最大的资产或交易。
• 变量对齐：样本中的特征变量应与压力传导模型中的输入变量保持一致。
• 业务逻辑验证：样本筛选规则需经过业务专家评审，确保符合实际风险传导路径。

2.3.3 时效性（Timeliness）

样本数据必须反映最新的风险状况和宏观经济环境。时效性原则包含：

• 数据新鲜度：样本应包含最近一个完整季度的数据，对于快速变化的风险（如市场风险），需使用月度或周度数据。
• 窗口对齐：样本的时间窗口应与压力测试的预测窗口一致（如前瞻性1年、3年）。
• 动态更新：样本构建不是一次性工作，需建立定期刷新机制，确保每次压力测试都使用最新数据。

2.4 样本构建的实践检查清单

在实际项目中，建议按照以下清单逐项验证样本质量：

2.5 样本构建的代码示例（Python伪代码）

以下代码展示了如何基于代表性、相关性和时效性原则，从全量数据中筛选压力测试样本：

import pandas as pd
import numpy as np
from scipy.stats import ks_2samp

def build_stress_test_sample(full_data, scenario_factors, time_window):
    """
    构建压力测试样本
    :param full_data: DataFrame, 全量数据
    :param scenario_factors: list, 压力情景相关因子列表
    :param time_window: tuple, (start_date, end_date)
    :return: DataFrame, 构建好的样本
    """
    # 1. 时效性筛选：只保留压力窗口内的数据
    mask_time = (full_data['date'] >= time_window[0]) & (full_data['date'] <= time_window[1])
    sample = full_data[mask_time].copy()
    
    # 2. 相关性筛选：保留与情景因子高度相关的变量
    relevant_cols = ['loan_id', 'default_flag', 'loss_amount'] + scenario_factors
    sample = sample[relevant_cols]
    
    # 3. 代表性校验：使用KS检验检查行业分布
    industry_dist_full = full_data['industry'].value_counts(normalize=True)
    industry_dist_sample = sample['industry'].value_counts(normalize=True)
    
    # 如果某个行业偏差超过5%，进行分层重抽样
    for industry in industry_dist_full.index:
        if abs(industry_dist_sample.get(industry, 0) - industry_dist_full[industry]) > 0.05:
            # 对该行业进行过采样或欠采样
            industry_data = sample[sample['industry'] == industry]
            target_count = int(len(sample) * industry_dist_full[industry])
            if len(industry_data) < target_count:
                # 过采样
                sample = pd.concat([sample, industry_data.sample(target_count - len(industry_data), replace=True)])
            else:
                # 欠采样
                sample = sample.drop(industry_data.sample(len(industry_data) - target_count).index)
    
    # 4. 尾部风险覆盖：确保高违约案例被保留
    high_risk_mask = sample['default_flag'] == 1
    if high_risk_mask.sum() < 100:  # 至少保留100个违约案例
        high_risk_cases = full_data[full_data['default_flag'] == 1].sample(100 - high_risk_mask.sum(), replace=True)
        sample = pd.concat([sample, high_risk_cases])
    
    return sample

# 使用示例
full_loan_data = pd.read_csv('loan_portfolio.csv')
scenario = ['gdp_growth', 'unemployment_rate', 'interest_rate']
window = ('2019-01-01', '2023-12-31')
stress_sample = build_stress_test_sample(full_loan_data, scenario, window)
print(f"样本构建完成：{len(stress_sample)} 条记录，{stress_sample['default_flag'].sum()} 个违约案例")