3. 金融模型风险因子识别

风险因子是驱动金融资产价格变动、影响投资组合损益的根本变量。在压力测试场景中，准确识别并量化风险因子是构建有效模型的前提。本章聚焦于三大类核心风险因子：市场风险因子、信用风险因子与流动性风险因子，并阐述其在压力测试中的传导路径。

3.1 市场风险因子

市场风险因子源于市场价格或波动率的变动，是压力测试中最常被模拟的变量。根据巴塞尔协议及国内监管指引，主要市场风险因子包括以下三类：

3.2 信用风险因子

信用风险因子反映交易对手或发行主体违约概率及损失严重程度的变化。在压力测试中，信用风险因子通常通过评级迁移矩阵与违约概率（PD）的冲击来建模。

• 违约概率（PD）：宏观压力情景下，企业盈利能力下降、杠杆率上升，导致 PD 系统性抬升。典型压力假设：PD 上升至正常水平的 3~5 倍。
• 违约损失率（LGD）：抵押品价值缩水、回收周期延长，LGD 从 40% 上升至 70% 以上。
• 信用利差：企业债与国债的利差在压力期可扩大 200~500bp，直接导致存量债券市值下跌。
• 评级迁移：大量主体从投资级下调至投机级，触发强制平仓或追加保证金。

3.3 流动性风险因子

流动性风险因子衡量在不利市场条件下，资产变现能力下降或融资渠道枯竭的风险。流动性风险往往与市场风险、信用风险相互交织，形成“流动性螺旋”。

3.4 风险因子传导与压力测试框架

三类风险因子并非独立运行，而是通过资产负债表、衍生品头寸和融资渠道形成传导网络。下图展示了从宏观冲击到最终损益的核心传导路径：

3.5 风险因子识别清单（实战模板）

在实际项目中，建议按以下清单逐项确认风险因子是否纳入压力测试模型：

1. 利率因子：是否覆盖本币与主要外币的收益率曲线？是否包含基差风险（如 LIBOR 与 OIS 利差）？
2. 汇率因子：是否包含主要交易对手货币及新兴市场货币？是否考虑远期与掉期点变动？
3. 波动率因子：是否区分权益、利率、外汇波动率？是否使用隐含波动率曲面而非单一值？
4. 信用因子：PD 是否与宏观情景联动？LGD 是否区分抵押品类型？是否包含主权信用风险？
5. 流动性因子：是否同时度量市场流动性（买卖价差）与融资流动性（回购利率）？是否设置 LCR/NSFR 约束？

3.6 风险因子数据接入与预处理

在 API 限流与熔断实战中，风险因子数据通常通过实时行情接口（如 Reuters、Bloomberg、Wind）或内部数据仓库接入。以下为典型的数据预处理代码片段：

# 风险因子数据清洗与标准化示例（Python）
import pandas as pd
import numpy as np

def preprocess_risk_factors(raw_df):
    """
    输入：原始行情DataFrame，包含 'ticker', 'price', 'volume', 'timestamp'
    输出：标准化风险因子时间序列
    """
    # 1. 去重与排序
    df = raw_df.drop_duplicates(subset=['ticker', 'timestamp']).sort_values('timestamp')

    # 2. 计算对数收益率（市场风险因子常用）
    df['log_return'] = np.log(df['price'] / df.groupby('ticker')['price'].shift(1))

    # 3. 计算滚动波动率（20日窗口）
    df['volatility_20d'] = df.groupby('ticker')['log_return'].transform(
        lambda x: x.rolling(window=20, min_periods=5).std() * np.sqrt(252)
    )

    # 4. 信用利差计算（假设有无风险利率列）
    if 'risk_free_rate' in df.columns:
        df['credit_spread'] = df['yield'] - df['risk_free_rate']

    # 5. 流动性因子：相对买卖价差
    if all(c in df.columns for c in ['ask', 'bid']):
        df['rel_spread'] = (df['ask'] - df['bid']) / ((df['ask'] + df['bid']) / 2)

    # 6. 异常值处理（3-sigma 截断）
    for col in ['log_return', 'volatility_20d', 'credit_spread', 'rel_spread']:
        if col in df.columns:
            mean, std = df[col].mean(), df[col].std()
            df[col] = df[col].clip(mean - 3*std, mean + 3*std)

    return df