2. 压力测试方法论：情景分析、敏感性分析、历史模拟法、蒙特卡洛模拟法

金融压力测试的核心在于通过特定的方法论，模拟极端但可能发生的市场情景，评估资产组合或金融机构在压力环境下的脆弱性。本章深入剖析四种主流方法论：情景分析、敏感性分析、历史模拟法和蒙特卡洛模拟法，并对比其适用场景与局限性。

2.1 方法论全景对比

下表从定义、核心逻辑、优势与局限四个维度，对四种方法论进行横向对比，帮助建立全局认知。

2.2 情景分析 (Scenario Analysis)

情景分析是压力测试中最具“叙事性”的方法。它要求分析师构建一个逻辑自洽的“故事”，描述一组风险因子如何同时向不利方向变动。

• 构建步骤：
  1. 识别核心风险因子： 利率、汇率、信用利差、股票指数、大宗商品价格等。
  2. 定义情景主题： 如“全球衰退+信用冻结”、“通胀失控+央行激进加息”、“地缘冲突导致能源断供”。
  3. 量化因子冲击： 为每个因子赋予具体的变动幅度（如：GDP下降5%，利率上升200bp，信用利差扩大300bp）。
  4. 传导至组合： 通过定价模型计算组合在新情景下的损益。
• 类型：
  • 历史情景： 复制过去危机（如1997年亚洲金融风暴、2008年全球金融危机）。
  • 假设情景： 基于专家判断或监管要求构建的“假想”极端事件（如美联储利率一次性上调500bp）。
  • 前瞻情景： 结合宏观经济模型，预测未来可能发生的结构性变化。

2.3 敏感性分析 (Sensitivity Analysis)

敏感性分析是压力测试中最基础、最快速的方法。它通过“控制变量法”，衡量单一风险因子小幅或大幅变动时，组合价值的敏感程度。

• 常见指标：
  • DV01 (PV01)： 利率每变动1个基点，债券或组合价值的变化。
  • 希腊字母 (Greeks)： 期权定价中的Delta、Gamma、Vega、Theta、Rho。
  • 久期 (Duration) & 凸性 (Convexity)： 衡量固定收益产品对利率变化的敏感度。
  • Beta系数： 股票或组合对市场基准指数的敏感度。
• 压力测试应用：
  • 因子扫描： 对利率施加 -100bp、-50bp、+50bp、+100bp、+200bp 等阶梯式冲击，观察损益变化曲线。
  • 极限点测试： 直接测试因子在极端历史分位数（如99.5%分位）下的影响。

2.4 历史模拟法 (Historical Simulation)

历史模拟法是最“朴素”但也是最“可信”的方法之一。它假设“历史会重演”，直接使用过去特定危机时期的风险因子变动数据，作为当前组合的压力情景。

• 实施步骤：
  1. 选择历史事件窗口： 如2008年9月（雷曼倒闭）、2011年8月（美债降级）、2020年3月（新冠熔断）。
  2. 提取因子变动序列： 获取该窗口内（如30天）所有风险因子的日度或周度变动率。
  3. 映射至当前组合： 将历史变动率叠加到当前市场水平上，重新定价组合。
  4. 计算最大回撤与尾部损失： 统计模拟期间组合价值的最低点。
• 变体：
  • 加权历史模拟法： 对近期数据赋予更高权重，以反映市场结构的演变。
  • 过滤历史模拟法： 结合GARCH等波动率模型，对历史收益进行波动率调整，使其更适应当前市场环境。

2.5 蒙特卡洛模拟法 (Monte Carlo Simulation)

蒙特卡洛模拟法是压力测试中“最强大”但也“最复杂”的方法。它通过随机抽样，生成成千上万条可能的未来市场路径，从而构建出完整的组合损益分布。

• 核心步骤：
  1. 建立随机过程模型： 通常假设资产价格服从几何布朗运动 (GBM)，或更复杂的带跳跃的扩散过程。
  2. 估计参数： 包括漂移率、波动率、相关系数矩阵等。
  3. 生成随机路径： 使用伪随机数或低差异序列（如Sobol序列），模拟未来N天的价格路径。
  4. 重复模拟： 执行M次（通常M≥10,000），得到M个可能的组合终值。
  5. 统计尾部损失： 从损益分布中提取特定置信水平（如99.9%）下的VaR或Expected Shortfall。
• 压力测试增强：
  • 参数压力： 将波动率、相关系数等参数设置为极端值（如相关系数全部设为0.9）。
  • 分布压力： 使用厚尾分布（如t分布）替代正态分布，以生成更极端的尾部事件。
  • 情景嵌入： 在模拟过程中，强制某些路径在特定时间点达到预设的极端情景。

2.6 方法选择决策矩阵

在实际项目中，选择哪种方法取决于业务场景、数据可用性、计算资源与监管要求。下表提供决策参考：