3. 市场极端情景构建：历史情景、假设情景与蒙特卡洛模拟

各位同学，今天我们来聊聊压力测试里最核心的一环——极端情景怎么构建。

说实话，我刚入行那会儿，觉得压力测试就是拍脑袋想几个暴跌场景。后来吃过亏才明白，情景构建是个技术活。你构建的情景如果不够极端，测不出风险；如果太离谱，又会被业务部门怼回来。

我个人习惯把情景构建分成三类：历史情景、假设情景和蒙特卡洛模拟。这三者各有各的用处，咱们一个一个说。

3.1 历史情景：从过去找答案

历史情景，说白了就是「抄作业」。把过去发生过的极端事件，原封不动地搬到当前市场里。

比如2008年次贷危机、2015年A股股灾、2020年新冠疫情。这些事件都有完整的数据轨迹，我们只需要把当时的市场波动、相关性、流动性变化，套用到现在的投资组合上。

我建议你建一个历史事件库，至少包含近20年的重大危机事件。每个事件记录以下指标：

事件	时间	最大回撤	波动率变化	相关性变化
次贷危机	2008	-57%	+300%	趋近1
欧债危机	2011	-32%	+180%	分化明显
新冠冲击	2020	-35%	+250%	先升后降

3.2 假设情景：自己造风暴

历史情景解决不了「从未发生过」的风险。比如俄乌冲突爆发前，谁能想到SWIFT会被当作武器？这时候就需要假设情景。

假设情景的构建，我总结了一个三步法：

1. 识别风险因子：利率、汇率、信用利差、波动率……你的组合暴露在哪些因子下？
2. 设定冲击幅度：比如利率上升200bp，汇率贬值15%，信用利差扩大300bp。
3. 考虑传导效应：一个因子变了，其他因子会怎么联动？

举个例子。我曾经帮一家银行做压力测试，假设「中美脱钩加速」情景。我们设定了：

• 人民币对美元贬值10%
• 中概股暴跌40%
• 信用利差扩大250bp
• 流动性枯竭，交易成本上升5倍

结果测出来，他们的固收+产品线直接亏穿。后来他们提前做了对冲，躲过一劫。

3.3 蒙特卡洛模拟：让概率说话

历史情景和假设情景都是「点估计」，只测几个特定场景。但真实世界的风险是连续的、多维的。蒙特卡洛模拟能生成成千上万条路径，覆盖各种可能性。

核心逻辑很简单：

1. 假设资产价格服从某种随机过程（比如几何布朗运动）
2. 用历史数据估计参数（漂移率、波动率、相关性）
3. 随机生成大量路径，计算每个路径下的组合损益
4. 看尾部损失分布，比如99%分位数的损失

下面是一个简化的Python实现：

import numpy as np

def monte_carlo_simulation(S0, mu, sigma, T, n_steps, n_sims):
    """
    S0: 初始价格
    mu: 年化收益率
    sigma: 年化波动率
    T: 时间长度（年）
    n_steps: 时间步数
    n_sims: 模拟路径数
    """
    dt = T / n_steps
    paths = np.zeros((n_sims, n_steps + 1))
    paths[:, 0] = S0
    
    for i in range(n_sims):
        for t in range(1, n_steps + 1):
            z = np.random.standard_normal()
            paths[i, t] = paths[i, t-1] * np.exp(
                (mu - 0.5 * sigma**2) * dt + sigma * np.sqrt(dt) * z
            )
    
    return paths

# 模拟10000条路径
paths = monte_carlo_simulation(
    S0=100, mu=0.08, sigma=0.25, 
    T=1, n_steps=252, n_sims=10000
)

# 计算99% VaR
final_prices = paths[:, -1]
returns = final_prices / 100 - 1
VaR_99 = np.percentile(returns, 1)
print(f"99% VaR: {VaR_99:.2%}")

3.4 三种方法的对比与融合

这三种方法不是互斥的，而是互补的。我一般这样用：

• 历史情景：做基准测试，看看组合在已知危机下的表现
• 假设情景：覆盖「黑天鹅」事件，尤其是地缘政治风险
• 蒙特卡洛模拟：做全概率分布分析，量化尾部风险

下面这张图展示了三者的关系：

在实际项目中，我通常这样组合：先用历史情景跑一遍，看看组合在已知危机下的表现。然后用假设情景补充几个「黑天鹅」场景。最后用蒙特卡洛模拟生成完整的损失分布，计算VaR和ES。

好了，关于极端情景构建，今天就聊这么多。记住：压力测试不是为了预测未来，而是为了让你知道——当最坏的情况发生时，你扛不扛得住。