4. 历史情景设计：基于历史危机事件的情景参数设定与数据提取逻辑

历史情景法是压力测试中最直观、最具说服力的方法之一。它通过复现过去极端市场事件（如2008年全球金融危机、2020年新冠疫情）的价格路径与波动特征，评估当前投资组合在类似冲击下的脆弱性。本章将系统讲解如何从历史危机中提取关键参数，并构建可复用的情景数据集。

4.1 历史危机事件的选择与特征对比

并非所有市场下跌都适合作为压力情景。我们通常选择那些具有系统性、传染性强、且对多类资产产生结构性冲击的事件。2008年金融危机与2020年疫情危机是业界最常用的两个基准事件。

4.2 情景参数设定框架

历史情景的参数设定需要覆盖三大类：市场因子变动、波动率与相关性、流动性冲击。以下以2008年金融危机为例，展示参数提取的标准化流程。

4.2.1 市场因子变动参数

选取危机期间（2007年7月至2009年3月）各风险因子的累计变动百分比作为基准冲击幅度。

# 参数提取示例：2008年金融危机核心因子变动
factor_changes = {
    'equity_market': {
        'SPX': -0.568,      # 标普500总回报
        'SX5E': -0.542,     # 欧洲斯托克50
        'NKY': -0.612       # 日经225
    },
    'credit_spread': {
        'IG_OAS': +0.0325,  # 投资级利差（单位：bps，此处为小数）
        'HY_OAS': +0.1870,  # 高收益利差
        'CDX_IG': +0.0280   # CDX投资级指数
    },
    'interest_rate': {
        'US_10Y': -0.0215,  # 10年期美债收益率变动（小数）
        'DE_10Y': -0.0180,  # 德国10年期
        'JP_10Y': -0.0090   # 日本10年期
    },
    'fx': {
        'EURUSD': +0.082,   # 欧元相对美元升值
        'USDJPY': -0.124,   # 日元相对美元升值（避险）
        'GBPUSD': -0.095    # 英镑贬值
    },
    'commodity': {
        'WTI': -0.682,      # 原油
        'XAU': +0.247       # 黄金（避险）
    }
}

4.2.2 波动率与相关性参数

历史情景需要同时捕捉“波动率曲面”的偏移和“相关性矩阵”的扭曲。以下表格展示了2008年危机期间关键相关性变化。

4.3 数据提取逻辑与工程实现

数据提取的核心挑战在于：时间对齐（不同资产交易时间不同）、幸存者偏差（指数成分股变化）、数据频率一致性（日频 vs 周频）。以下是一个标准化的数据提取流水线。

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def extract_historical_scenario(
    crisis_start: str,
    crisis_end: str,
    tickers: list,
    data_source: str = 'local_parquet'
) -> dict:
    """
    提取历史危机情景的因子变动数据
    
    Parameters:
    -----------
    crisis_start : str, '2007-07-01'
    crisis_end   : str, '2009-03-31'
    tickers      : list, ['SPX', 'SX5E', 'US10Y', ...]
    data_source  : str, 数据存储路径
    
    Returns:
    --------
    scenario_data : dict, 包含价格路径、收益率、波动率曲面
    """
    # 1. 加载原始日频价格数据
    price_df = pd.read_parquet(f'{data_source}/prices.parquet')
    price_df = price_df[tickers]
    
    # 2. 截取危机窗口
    mask = (price_df.index >= crisis_start) & (price_df.index <= crisis_end)
    crisis_prices = price_df.loc[mask].copy()
    
    # 3. 计算对数收益率（避免幸存者偏差：使用前向填充）
    log_returns = np.log(crisis_prices / crisis_prices.shift(1))
    log_returns = log_returns.fillna(method='ffill').dropna()
    
    # 4. 计算累计变动
    cumulative_change = (crisis_prices.iloc[-1] / crisis_prices.iloc[0]) - 1
    
    # 5. 计算波动率（滚动21天年化）
    rolling_vol = log_returns.rolling(21).std() * np.sqrt(252)
    
    # 6. 计算相关性矩阵（危机期间整体）
    corr_matrix = log_returns.corr()
    
    scenario_data = {
        'period': (crisis_start, crisis_end),
        'price_path': crisis_prices,
        'log_returns': log_returns,
        'cumulative_change': cumulative_change.to_dict(),
        'rolling_volatility': rolling_vol,
        'correlation_matrix': corr_matrix
    }
    
    return scenario_data

# 执行提取
gfc_scenario = extract_historical_scenario(
    crisis_start='2007-07-01',
    crisis_end='2009-03-31',
    tickers=['SPX', 'SX5E', 'US10Y', 'HY_OAS', 'XAU', 'EURUSD']
)

4.4 历史情景的校准与映射

直接使用历史变动幅度可能不适用于当前市场。例如，当前利率水平已远低于2008年，同样的绝对变动（-200bps）会导致负利率。因此需要进行情景校准。

• 相对变动法：使用历史百分比变动而非绝对变动。例如，2008年标普500下跌56.8%，则当前情景也下跌56.8%。
• 分位数映射法：将历史变动幅度映射到当前市场分布的分位数上。例如，2008年标普500的跌幅处于历史99.5%分位数，则当前情景也取99.5%分位数的跌幅。
• 因子载荷法：提取历史危机期间的主成分载荷，将其作为当前因子模型的冲击向量。

4.5 历史情景的SVG流程图

以下流程图展示了从历史数据到压力测试样本的完整构建链路。

4.6 2020年疫情情景的特殊处理

与2008年金融危机不同，2020年疫情危机具有“V型反转”特征，且不同行业受到的冲击差异极大。因此，在构建疫情情景时，需要引入行业因子和政策干预因子。

4.7 历史情景的局限性及应对

• 历史不会简单重复：当前市场结构（如被动投资占比、算法交易）已发生根本性变化。应对：结合假设情景（第5章）进行补充。
• 尾部风险低估：历史事件可能未覆盖“未知的未知”（如气候风险）。应对：使用极值理论（EVT）外推尾部。
• 政策干预扭曲：2008年和2020年均有大规模政策干预，导致价格信号失真。应对：构建“无干预”反事实情景作为对比。