📊 风险模型概述
第1章 · 金融风控基石
📌 风险的定义与分类
📘 风险定义
不确定性 对目标的影响。在金融中，指未来损失或收益偏离预期的可能。核心三要素：概率、损失、波动。
📖 “风险 = 事件概率 × 影响程度”
📂 风险分类
按来源分：系统性风险（市场、政策）与非系统性风险（信用、操作）。
按可量化分：量化风险（波动率、违约率）与非量化风险（声誉、合规）。
⭐ 中小学生色系：用彩色标签记忆！
🏦 金融风险四大类型
| 风险类型 | 定义 | 典型示例 | 风控手段 |
|---|---|---|---|
| 交易对手未能履行合约义务导致的损失 | 贷款违约、债券降级 | 信用评分、抵押、担保 | |
| 因市场价格（利率、汇率、股价）不利变动引起的风险 | 股票暴跌、利率飙升 | VaR、对冲、久期管理 | |
| 由内部流程、人员、系统或外部事件导致的损失 | 交易失误、系统宕机、欺诈 | 内控、冗余、保险 | |
| 无法以合理成本及时获得充足资金来履行支付义务 | 挤兑、资产无法变现 | 流动性覆盖率、压力测试 |
⚙️ 风险模型在金融中的作用
- 📈 识别与度量 — 量化潜在损失概率（PD/LGD/EAD）
- 🧮 定价与资本 — 风险调整资本回报率（RAROC）、经济资本
- 🛡️ 预警与监控 — 早期预警信号、压力测试情景
- 📊 组合管理 — 分散化、风险预算、资产配置
- 📋 监管合规 — 巴塞尔协议、IFRS 9、CCAR
- 🤖 智能决策 — 机器学习评分、反欺诈模型
🧪 风险模型代码片段 (信用评分卡)
# 逻辑回归信用评分卡 (示例)
import pandas as pd
from sklearn.linear_model import LogisticRegression
# 特征：收入、负债率、信用历史
X = df[['income', 'dti_ratio', 'credit_age']]
y = df['default_flag']
model = LogisticRegression(C=0.1, class_weight='balanced')
model.fit(X, y)
# 输出违约概率 & 评分转换
df['p_default'] = model.predict_proba(X)[:, 1]
df['score'] = 600 - 50 * np.log(df['p_default'] / (1 - df['p_default']))
print("风险模型构建完成 ✅")