3. 风险因子识别：宏观经济因子、行业因子与个体因子的识别与筛选方法

在金融压力测试样本构建中，风险因子的识别与筛选是决定测试结果有效性的核心环节。风险因子需要覆盖宏观、中观、微观三个层次，确保压力情景能够全面传导至资产组合。本节将系统阐述三类因子的识别逻辑、筛选标准及实操方法。

3.1 风险因子三层架构

风险因子按照影响范围与传导路径，可划分为三个层级：

3.2 宏观经济因子的识别与筛选

宏观经济因子是压力测试的“第一推动力”。筛选步骤如下：

1. 候选池构建： 收集 GDP、CPI、PPI、基准利率、短期利率、长期利率、汇率（有效汇率指数）、失业率、M2、社会融资规模等 10-15 个核心变量。
2. 平稳性检验： 对每个变量进行 ADF 单位根检验，非平稳序列需取一阶差分或对数差分。
3. 共线性诊断： 计算变量间相关系数矩阵，剔除 |r| > 0.85 的高度相关变量（如 M2 与社会融资规模通常只保留一个）。
4. 经济意义筛选： 结合压力情景设计，优先保留在衰退期具有明确恶化方向且幅度可量化的因子（如 GDP 增速、失业率、基准利率）。
5. 滞后阶数确定： 通过 AIC/BIC 准则确定因子对资产损失的最优滞后阶数（通常 1-4 个季度）。

3.3 行业因子的识别与筛选

行业因子起到承上启下的作用，将宏观冲击转化为特定行业的风险暴露。筛选方法包括：

• 行业敏感性分析： 计算各行业营收/利润对 GDP 增速的弹性系数，弹性绝对值 > 1.5 的行业为高敏感行业（如房地产、钢铁、汽车）。
• 行业景气指数： 优先采用官方发布的行业景气指数（如 PMI 分行业指数），确保数据连续性和可比性。
• 行业集中度： 对于资产组合中占比超过 5% 的行业，必须纳入对应的行业因子。
• 行业违约率历史： 收集各行业过去 3-5 个经济周期的违约率数据，筛选与宏观因子同步性强的行业变量。

3.4 个体因子的识别与筛选

个体因子反映单一借款人或发行人的信用质量，是压力测试样本构建的最终落脚点。筛选流程如下：

1. 财务指标初筛： 从资产负债率、流动比率、速动比率、利息保障倍数、ROA、营收增长率、经营性现金流/总负债等 20+ 个指标中，通过单变量分析保留与违约状态显著相关的指标（t 检验 p < 0.05）。
2. 多变量降维： 使用主成分分析（PCA）或 LASSO 回归，将高维财务指标压缩至 3-5 个综合因子。
3. 非财务因子补充： 加入信用评级（外部评级或内部评分）、企业规模（总资产对数）、所有制性质、上市状态等定性/定量变量。
4. 因子稳定性检验： 将样本按时间分为训练期和验证期，确保筛选出的因子在两个时期均保持显著。

3.5 因子筛选的统计与机器学习方法

以下表格总结了常用的因子筛选技术及其适用场景：

3.6 风险因子筛选流程总图

下图展示了从宏观到个体的完整因子筛选流程，以及各环节的输入输出关系：

3.7 因子筛选的代码实现示例

以下 Python 代码展示了使用 LASSO 回归进行因子筛选的典型流程：

import pandas as pd
import numpy as np
from sklearn.linear_model import LassoCV
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 加载数据：假设 df 包含宏观、行业、个体因子及违约标签
# df 列：'GDP_growth', 'interest_rate', 'unemployment', 'industry_index', 
#        'debt_ratio', 'current_ratio', 'rating_score', 'default_flag'

# 分离特征和目标
X = df.drop('default_flag', axis=1)
y = df['default_flag']

# 标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_scaled, y, test_size=0.3, random_state=42
)

# LASSO 交叉验证选择最优 lambda
lasso = LassoCV(cv=5, random_state=42, max_iter=10000)
lasso.fit(X_train, y_train)

# 输出非零系数对应的因子
selected_features = X.columns[lasso.coef_ != 0]
print("筛选出的因子：", selected_features.tolist())

# 输出各因子系数
coef_df = pd.DataFrame({
    'feature': X.columns,
    'coefficient': lasso.coef_
})
print(coef_df[coef_df['coefficient'] != 0])

3.8 因子筛选后的验证与校准

完成因子筛选后，需进行以下验证：

• 回测验证： 使用历史压力事件（如 2008 年金融危机、2020 年疫情）检验因子集能否正确驱动资产损失。
• 敏感性分析： 对每个因子施加 ±2 个标准差冲击，观察资产损失的变化方向与幅度是否符合预期。
• 稳定性检验： 滚动窗口（如 3 年窗口、步长 1 年）重新筛选因子，确保核心因子在不同时间段保持稳定。
• 专家校准： 邀请业务专家对因子集进行评审，确认遗漏的关键变量（如政策变量、地缘政治风险）。