2、压力测试基础概念：压力测试的定义、目的、与回测的区别、监管要求概述

2.1 到底什么是压力测试？

做市商这行，说白了就是跟不确定性打交道。我做了十年量化，见过太多模型在平稳市场里跑得飞起，一到黑天鹅事件就崩盘。为什么会这样？因为大部分模型只考虑了「正常情况」。

压力测试，就是故意给系统制造极端条件。你想想看，就像测试一座桥，不能只测平时过几辆车，得模拟台风、地震、满载卡车同时通过。做市商的压力测试也一样——我们主动把市场波动拉到极致，看看策略会不会爆仓。

我个人习惯把压力测试分成两类：

• 历史情景模拟：比如重现2008年雷曼倒闭、2015年A股熔断、2020年原油暴跌。这些事件真实发生过，数据现成，直接拿来用。
• 假设情景模拟：比如「如果美联储突然加息500个基点」「如果某个交易所被黑客盗走所有资产」。这些没发生过，但完全可能发生。

2.2 压力测试的目的——不是为了好看

很多团队做压力测试，只是为了应付合规。嗯，这里要注意——如果你也这么想，迟早要吃亏。

我在项目中遇到过一件事：某次做市商团队上线了一个新策略，回测年化收益30%，夏普比率3.5，漂亮得不行。结果上线第三天，遇到一个流动性枯竭事件，策略直接亏掉半年利润。后来复盘发现，压力测试里明明提示过这个风险，但没人当回事。

压力测试的真正目的，我总结为三点：

1. 识别脆弱点：哪个参数在极端行情下最先崩溃？是库存管理？还是对冲逻辑？
2. 量化最大损失：最坏情况下，你会亏多少钱？能不能扛得住？
3. 优化应急预案：知道哪里会出问题，才能提前准备。比如设置熔断阈值、预留额外保证金。

2.3 压力测试 vs 回测——别搞混了

经常有人问我：「压力测试和回测有什么区别？不都是跑历史数据吗？」

这个问题问得好。我刚开始做量化时也犯过这个错。其实两者完全不是一回事。

维度	回测	压力测试
目标	验证策略在正常市场下的表现	验证策略在极端市场下的生存能力
数据范围	覆盖尽可能长的历史周期	只关注极端事件或假设情景
关注指标	收益率、夏普比率、最大回撤	最大亏损、流动性缺口、保证金压力
输出结果	策略是否值得实盘	策略能否扛过危机
频率	策略开发阶段频繁做	定期执行，尤其是市场环境变化时

说白了，回测是告诉你「正常情况下能赚多少」，压力测试是告诉你「极端情况下会亏多少」。两者缺一不可。

我曾经见过一个团队，回测做得极其漂亮，但压力测试只做了最简单的「涨跌10%」情景。结果遇到一次「闪崩+流动性枯竭」的复合事件，策略直接穿仓。教训很深刻——压力测试的场景设计，一定要覆盖「最不可能发生但一旦发生就致命」的情况。

2.4 监管要求——不是闹着玩的

做市商压力测试，不只是技术问题，更是合规问题。全球主要监管机构对做市商都有明确的压力测试要求。

我整理了几个关键监管框架：

• 巴塞尔协议III：要求银行和做市商定期进行压力测试，覆盖信用风险、市场风险、流动性风险。测试结果要上报监管机构。
• Dodd-Frank法案：美国监管要求大型做市商每年进行压力测试，并公开部分结果。我记得2018年有个大投行因为压力测试不达标，被罚了上亿美元。
• ESMA（欧洲证券和市场管理局）：要求做市商建立压力测试框架，包括反向压力测试——就是反过来找「什么情况下策略会亏到无法承受」。
• 中国证监会：对做市商有明确的压力测试指引，尤其是股票期权和商品期货领域。测试频率至少每季度一次。

2.5 压力测试的核心逻辑框架

下面这张图是我自己总结的压力测试核心流程。每次做测试前，我都会对照着走一遍，确保没有遗漏。

这个框架看起来简单，但每个环节都有坑。比如「情景定义」这一步，很多人只选几个常见事件就完事了。我建议你至少准备20个以上的情景，包括「不可能事件」——因为做市商最怕的就是「不可能发生」的事情真的发生了。

2.6 一个简单的压力测试代码示例

光说不练假把式。下面是我常用的一个压力测试框架，用Python写的。你直接拿去改改就能用。

import pandas as pd
import numpy as np

class StressTester:
    def __init__(self, strategy, initial_capital=1_000_000):
        self.strategy = strategy
        self.capital = initial_capital
        self.results = {}
    
    def add_scenario(self, name, price_shock, vol_multiplier, liquidity_factor):
        """
        添加压力测试情景
        :param name: 情景名称
        :param price_shock: 价格冲击幅度（百分比）
        :param vol_multiplier: 波动率倍数
        :param liquidity_factor: 流动性折扣因子
        """
        self.results[name] = {
            'price_shock': price_shock,
            'vol_multiplier': vol_multiplier,
            'liquidity_factor': liquidity_factor
        }
    
    def run(self):
        """执行所有压力测试"""
        for name, params in self.results.items():
            print(f"正在执行情景: {name}")
            # 模拟极端行情
            shocked_prices = self._apply_shock(params['price_shock'])
            shocked_vol = self._apply_volatility(params['vol_multiplier'])
            shocked_liquidity = self._apply_liquidity(params['liquidity_factor'])
            
            # 运行策略
            pnl = self.strategy.run(shocked_prices, shocked_vol, shocked_liquidity)
            
            # 记录结果
            self.results[name]['pnl'] = pnl
            self.results[name]['max_drawdown'] = pnl.min()
            self.results[name]['survive'] = (self.capital + pnl.sum()) > 0
    
    def _apply_shock(self, shock_pct):
        # 实际项目中这里会加载真实数据
        return np.random.normal(1 + shock_pct, 0.02, 1000)
    
    def _apply_volatility(self, mult):
        return np.random.normal(0, 0.01 * mult, 1000)
    
    def _apply_liquidity(self, factor):
        return max(0.1, factor)  # 流动性不能为负

# 使用示例
tester = StressTester(my_strategy)
tester.add_scenario("2008金融危机", -0.3, 3.0, 0.2)
tester.add_scenario("2020原油暴跌", -0.5, 4.0, 0.1)
tester.add_scenario("闪电崩盘", -0.1, 5.0, 0.05)
tester.run()

2.7 做压力测试时最容易犯的错

最后，分享几个我踩过的坑：

• 只做单因子测试：比如只改价格不改波动率。现实中的极端行情往往是多因子共振——价格暴跌的同时波动率飙升、流动性枯竭。你想想看，只测一个因子能说明什么问题？
• 忽略时间维度：压力测试不是瞬间完成的。有些风险是慢慢积累的，比如连续三天流动性不足。我建议你至少模拟5-10个交易日的连续压力。
• 测试结果不落地：跑完压力测试，报告写完，然后呢？我曾经见过一个团队，压力测试显示某个情景下会亏500万，但他们什么都没改。结果三个月后，那个情景真的发生了——亏了480万。你说巧不巧？

---

公众号:蓝海资料掘金营，微信deep3321