3、压力测试方法论：情景分析法、历史模拟法、蒙特卡洛模拟法

做市策略最怕什么？怕黑天鹅。怕那种你模型里根本没考虑过的极端行情。

我入行第三年，就碰上过一次。某个小币种在凌晨三点突然闪崩，我的做市策略还在傻傻地挂单接货，结果一晚上亏掉了三个月的利润。那次之后我才真正意识到——压力测试不是可选项，是必修课。

今天咱们就聊聊三种主流的压力测试方法。说白了，就是三种「找茬」的方式，看看你的策略在极端情况下会不会崩。

3.1 情景分析法

情景分析，就是「编故事」。你设想一个极端场景，然后看策略怎么反应。

比如：

• 「如果比特币突然暴跌30%，我的做市策略会怎样？」
• 「如果交易所API挂了10分钟，我的库存会不会爆？」
• 「如果两个交易所的价差突然拉大到5%，我的套利逻辑还成立吗？」

我个人习惯把情景分成两类：

• 历史重现型：把过去发生过的极端行情搬过来。比如2020年3月12日的「312暴跌」，或者2021年5月的「519事件」。
• 假设型：自己编一个更狠的场景。比如「交易所被黑客攻击，暂停提币24小时」。

3.2 历史模拟法

历史模拟法，说白了就是「把过去发生过的事，再演一遍」。

你拿过去5年的行情数据，把做市策略放进去跑一遍。看看它在312暴跌、519事件、FTX暴雷这些历史极端行情下，表现如何。

代码实现其实很简单：

import pandas as pd
import numpy as np

def historical_simulation(strategy, historical_data):
    """
    历史模拟法压力测试
    strategy: 你的做市策略函数
    historical_data: 历史行情DataFrame
    """
    results = []
    
    for date, data in historical_data.groupby(historical_data.index.date):
        # 按天回放
        daily_pnl = strategy(data)
        results.append({
            'date': date,
            'pnl': daily_pnl,
            'max_drawdown': calculate_max_drawdown(data)
        })
    
    # 找出最差的5%交易日
    results_df = pd.DataFrame(results)
    worst_days = results_df.nsmallest(int(len(results_df)*0.05), 'pnl')
    
    return worst_days

嗯，这里要注意一点：历史模拟法假设「历史会重演」。但现实是，每次极端行情都不一样。2020年的暴跌和2022年的暴跌，背后的原因完全不同。

3.3 蒙特卡洛模拟法

蒙特卡洛模拟，听起来高大上，其实原理很简单：随机生成大量可能的行情路径，然后看策略在每条路径上的表现。

你想想看，历史模拟法只能测「已经发生过」的场景。但蒙特卡洛可以测「可能发生但还没发生」的场景。比如：

• 价格波动率突然翻倍
• 买卖价差持续扩大
• 订单簿深度骤降

代码示例：

import numpy as np

def monte_carlo_simulation(strategy, initial_price, volatility, days, n_simulations=10000):
    """
    蒙特卡洛模拟法压力测试
    strategy: 做市策略函数
    initial_price: 初始价格
    volatility: 波动率
    days: 模拟天数
    n_simulations: 模拟次数
    """
    results = []
    
    for i in range(n_simulations):
        # 生成随机价格路径（几何布朗运动）
        prices = [initial_price]
        for day in range(days):
            drift = 0  # 假设无趋势
            shock = np.random.normal(0, volatility)
            new_price = prices[-1] * np.exp(drift + shock)
            prices.append(new_price)
        
        # 运行策略
        pnl = strategy(prices)
        results.append(pnl)
    
    # 计算VaR（在险价值）
    results = np.array(results)
    var_95 = np.percentile(results, 5)
    var_99 = np.percentile(results, 1)
    
    return {
        'VaR_95': var_95,
        'VaR_99': var_99,
        'worst_case': results.min(),
        'all_results': results
    }

3.4 三种方法对比

好了，三种方法都讲完了。咱们来做个对比：

维度	情景分析法	历史模拟法	蒙特卡洛模拟法
数据需求	低（靠经验）	高（需要历史数据）	中（需要参数估计）
覆盖范围	有限（靠人想）	有限（靠历史）	广泛（靠随机）
客观性	低（主观性强）	高（真实数据）	中（依赖模型）
计算复杂度	低	中	高
适用场景	快速验证、边界测试	常规压力测试	深度风险量化
能否测「未知」	能（但靠人想）	不能	能（靠随机）

我个人习惯是三种方法都用。先用情景分析法快速扫一遍，找出明显的漏洞。然后用历史模拟法验证一下，看看过去极端行情下策略表现如何。最后用蒙特卡洛模拟做深度量化，算出VaR和CVaR。

说白了，没有一种方法是完美的。组合使用，才能把风险看清楚。