2. 风险暴露基础：定义、分类与计算逻辑

在金融风控体系中，风险暴露（Risk Exposure）是量化损失可能性的核心指标。它回答了“如果风险事件发生，我们会损失多少”这一根本问题。本章将系统梳理风险暴露的定义、两大主要风险类型（信用风险与市场风险）以及标准化的敞口计算逻辑，为后续使用 XGBoost 进行 A/B 分流建模奠定数据基础。

2.1 风险暴露的定义

风险暴露是指金融机构或投资者在特定交易、资产组合或业务活动中，因风险因子（如违约、利率波动、汇率变动）发生不利变化而可能遭受的最大损失金额。它通常以敞口金额（Exposure Amount）表示，是风险加权资产（RWA）和预期损失（EL）计算的基础。

在实际业务中，风险暴露并非静态值，而是随市场条件、交易对手信用状况和合约条款动态变化。因此，准确计量风险暴露是风险管理的首要任务。

2.2 信用风险与市场风险

金融风险主要分为两大类：信用风险和市场风险。两者的风险暴露来源、计量方法和数据特征存在显著差异，在 XGBoost 建模中需要分别处理。

2.3 风险敞口计算逻辑

风险敞口（Risk Exposure）的计算逻辑因风险类型而异，但均遵循“识别 → 计量 → 汇总”的标准化流程。以下分别介绍信用风险敞口和市场风险敞口的典型计算方法。

2.3.1 信用风险敞口计算

信用风险敞口通常采用内部评级法（IRB）或标准法（SA）计算。核心步骤包括：

1. 识别风险暴露类别：贷款、债券、衍生品、应收账款等。
2. 确定违约概率（PD）：基于历史违约数据或外部评级。
3. 确定违约损失率（LGD）：考虑抵押品、优先级、回收率。
4. 计算违约敞口（EAD）：当前余额 + 未来潜在敞口（如授信额度未使用部分）。
5. 计算预期损失（EL）：EL = PD × LGD × EAD。

# 信用风险敞口计算示例（Python 伪代码）
def credit_exposure(principal, undrawn_limit, pd, lgd):
    """
    计算单笔信用风险敞口
    :param principal: 当前本金余额
    :param undrawn_limit: 未使用授信额度
    :param pd: 违约概率
    :param lgd: 违约损失率
    :return: 预期损失
    """
    ead = principal + undrawn_limit * 0.5  # 假设未使用部分转换因子为 50%
    el = pd * lgd * ead
    return el

# 示例：一笔 100 万贷款，未使用额度 50 万，PD=2%，LGD=45%
el = credit_exposure(100, 50, 0.02, 0.45)
print(f"预期损失: {el:.2f} 万元")  # 输出: 预期损失: 1.35 万元

2.3.2 市场风险敞口计算

市场风险敞口通常采用风险价值（VaR）或预期尾部损失（ES）方法。以 VaR 为例，计算步骤为：

1. 选择风险因子：利率、汇率、股票指数、商品价格等。
2. 确定持有期和置信水平：通常为 1 天/10 天，99% 置信度。
3. 计算组合的敏感性（Delta/Gamma）：衡量风险因子变动对组合价值的影响。
4. 模拟或解析计算 VaR：使用历史模拟法、蒙特卡洛模拟法或方差-协方差法。
5. 计算预期尾部损失（ES）：VaR 之外的平均损失。

# 市场风险 VaR 计算示例（Python 伪代码）
import numpy as np

def market_var(returns, confidence_level=0.99):
    """
    使用历史模拟法计算 VaR
    :param returns: 日收益率序列
    :param confidence_level: 置信水平
    :return: VaR 值（损失为正数）
    """
    sorted_returns = np.sort(returns)
    index = int((1 - confidence_level) * len(sorted_returns))
    var = -sorted_returns[index]  # 取损失为正
    return var

# 示例：模拟 1000 个日收益率
np.random.seed(42)
returns = np.random.normal(0, 0.02, 1000)  # 均值 0，标准差 2%
var_99 = market_var(returns, 0.99)
print(f"99% VaR（日频）: {var_99:.4f}")  # 输出: 99% VaR（日频）: 0.0465

2.4 风险暴露计算流程总览

下图展示了从原始数据到风险暴露指标的完整计算流程，涵盖信用风险和市场风险两条路径，最终汇入 A/B 分流决策引擎。

2.5 风险暴露在 A/B 分流中的关键作用

在 XGBoost 驱动的 A/B 分流实践中，风险暴露数据是模型训练和策略评估的核心输入。具体作用体现在：

• 特征工程：风险暴露指标（如 EAD、VaR、EL）作为高价值特征，直接提升模型对风险水平的区分能力。
• 标签定义：基于风险暴露阈值（如 EL > 5 万元）定义“高风险”标签，用于二分类或回归模型。
• 分流策略：根据模型输出的风险暴露预测值，将客户/交易分流至不同处理路径（如人工审核、自动拒绝、正常放行）。
• 模型评估：使用风险暴露的累计分布（如 KS 统计量、Lorenz 曲线）评估模型对极端风险的捕捉能力。

2.6 本章小结