4. 情景生成方法论
压力测试的核心在于构建合理且严峻的“假设世界”。情景生成方法论决定了测试的覆盖度、真实性与挑战性。本章深入剖析三种主流情景生成方法：历史情景法、假设情景法与蒙特卡洛模拟法，并阐述其在金融特征服务中的实践路径。
核心原则：情景设计需兼顾“极端性”与“合理性”。过于温和的情景无法暴露风险敞口，完全脱离经济规律的情景则会导致测试结果失去决策参考价值。
4.1 历史情景法
历史情景法基于过去发生的真实金融危机或市场剧烈波动事件，将当时的市场变量变动（如利率、汇率、股票指数、信用利差）直接应用于当前投资组合或风险敞口。
4.1.1 方法原理与步骤
- 事件识别：选取具有代表性的历史压力事件，如2008年全球金融危机、2011年欧债危机、2020年新冠疫情冲击。
- 变量提取：从历史数据中提取关键风险因子在危机期间的最大跌幅、波动率变化、相关性矩阵等。
- 情景映射：将历史变量变动幅度按比例或直接映射到当前风险因子。
- 组合重估：在映射后的情景下重新计算资产组合价值、风险价值（VaR）或预期损失。
4.1.2 经典历史事件变量变动示例
| 历史事件 | 标普500最大回撤 | 10年期美债收益率变动(bp) | 投资级信用利差走阔(bp) | VIX指数峰值 |
|---|---|---|---|---|
| 2008全球金融危机 | -56.8% | -237 | +585 | 80.86 |
| 2011欧债危机 | -19.4% | -98 | +265 | 48.00 |
| 2020新冠疫情 | -33.9% | -127 | +401 | 82.69 |
实践建议：在特征服务中，历史情景应作为“基准压力集”定期回测。建议至少包含近20年内的3-5个主要危机事件，并每年评估是否需要纳入最新发生的市场冲击事件。
4.1.3 历史情景法特征服务流程
4.2 假设情景法
假设情景法不依赖历史重现，而是基于宏观经济理论、政策预期或特定风险事件，人为构造风险因子的变动路径。该方法灵活性高，能够覆盖历史未出现但逻辑上可能发生的极端情况。
4.2.1 典型假设情景类型
- 宏观经济突变：GDP骤降5%、失业率跳升至15%、CPI单月飙升3%。
- 利率极端变动：央行一次性加息200bp或降息至零下限。
- 信用事件：某大型系统性银行违约、主权信用评级下调三级。
- 地缘政治风险：主要贸易航道封锁、大宗商品供应中断导致价格翻倍。
4.2.2 假设情景构建矩阵
| 情景名称 | 触发条件 | GDP变动 | 利率变动(bp) | 汇率变动 | 信用利差(bp) |
|---|---|---|---|---|---|
| 深度衰退 | 内需崩溃+出口萎缩 | -5.0% | -150 | 本币贬值10% | +300 |
| 滞胀冲击 | 供给中断+成本推动 | -2.0% | +200 | 本币贬值5% | +200 |
| 流动性枯竭 | 金融机构去杠杆 | -3.0% | +100 | 本币贬值8% | +500 |
风险提示：假设情景容易陷入“确认偏误”，即设计者倾向于构造自己认为可能发生的情景，而忽略尾部风险。建议采用“红队演练”机制，由独立团队设计反向压力情景。
4.2.3 假设情景法特征服务架构
4.3 蒙特卡洛模拟情景生成
蒙特卡洛模拟通过随机抽样生成大量可能的经济路径，从而构建完整的概率分布情景。该方法能够量化极端事件的概率，并捕捉风险因子之间的非线性依赖关系。
4.3.1 模拟流程
- 模型设定：选择随机过程（如几何布朗运动、均值回复过程）描述风险因子动态。
- 参数估计：基于历史数据估计波动率、相关性、均值回复速度等参数。
- 随机路径生成：使用伪随机数或低差异序列（如Sobol序列）生成N条未来路径。
- 情景聚合：按分位数（如1%、5%）提取压力情景，或直接输出完整路径集。
4.3.2 关键参数对比
| 参数 | 描述 | 典型值/范围 | 对压力情景的影响 |
|---|---|---|---|
| 模拟路径数 | 生成的随机路径数量 | 10,000 - 100,000 | 路径越多，尾部估计越稳定 |
| 时间步长 | 模拟的时间间隔 | 日/周/月 | 步长越小，路径越精细 |
| 随机数种子 | 控制随机性复现 | 固定整数 | 确保结果可重复验证 |
| 相关性矩阵 | 因子间联动关系 | 历史估计/压力调整 | 尾部相关性放大效应 |
4.3.3 蒙特卡洛特征服务架构
4.4 三种方法对比与选型建议
| 维度 | 历史情景法 | 假设情景法 | 蒙特卡洛模拟法 |
|---|---|---|---|
| 数据依赖 | 高（依赖历史数据质量） | 低（依赖专家判断） | 中（依赖参数估计） |
| 覆盖范围 | 仅覆盖已发生事件 | 可覆盖未发生但合理事件 | 覆盖所有概率路径 |
| 计算成本 | 低 | 低 | 高（需大量路径） |
| 尾部风险刻画 | 有限（仅历史尾部） | 依赖情景设计 | 完整概率分布 |
| 可解释性 | 高（真实事件） | 中（需论证合理性） | 低（黑箱路径） |
| 适用场景 | 监管基准测试、回溯检验 | 前瞻性压力测试、政策评估 | 风险资本计量、定价模型 |
最佳实践：在金融压力测试特征服务中，建议采用“混合情景库”策略。将历史情景作为基线，假设情景覆盖监管与业务特定风险，蒙特卡洛模拟用于量化尾部概率。三者互为补充，形成完整的压力测试情景矩阵。