4、模拟分析（Simulation）：静态模拟与动态模拟，如何构建利率情景？

好，咱们进入第四讲。模拟分析，说白了就是给利率风险做「压力测试」和「情景推演」。你想想看，利率不会老老实实按一条直线走，它会上蹿下跳。那我们怎么知道手里的债券组合、衍生品头寸在未来的各种利率环境下是死是活？

答案就是：模拟。

我个人习惯把模拟分成两大类——静态模拟和动态模拟。这两者区别很大，但很多人一开始容易搞混。我当年刚入行时，就犯过把静态当动态用的错误，结果给交易台报了一个完全错误的敞口数字……嗯，从那以后我再也不敢轻视这个分类了。

4.1 静态模拟：假设「什么都不做」

静态模拟，核心假设是：你的资产负债表在未来一段时间内保持不变。

什么意思？就是你现在手里的债券、贷款、互换，到期了也不续作，也不提前还款，也不做任何对冲调整。然后你把这些头寸放到不同的利率情景下，看它们的价值怎么变。

这听起来有点「傻」，对吧？但它的价值恰恰在于——它能告诉你，在完全不作为的情况下，你的风险敞口有多大。

我在项目中遇到过一家银行，他们做静态模拟时发现，如果利率瞬间上升200bp，他们的净利息收入会下降15%。这个数字吓到了管理层，于是他们才开始认真考虑做利率互换对冲。你看，静态模拟虽然简单，但它是风险识别的起点。

静态模拟的典型步骤

1. 锁定当前头寸：把所有生息资产、付息负债、衍生品按到期日、重定价日分类。
2. 定义利率情景：比如平行上移100bp、陡峭化、倒挂等。
3. 计算重定价缺口：看每个时间段内，资产和负债的现金流错配情况。
4. 计算损益影响：用新的利率曲线重新估值，得到PV01或净利息收入变化。

4.2 动态模拟：假设「会动」

动态模拟就复杂多了。它的核心假设是：你的资产负债表会随着利率变化而变化。

比如利率下降了，企业会提前还贷；利率上升了，存款会搬家。这些行为变化会反过来影响你的风险敞口。说白了，动态模拟是在模拟一个「活」的资产负债表。

我建议你在做动态模拟时，一定要考虑三个关键因素：

• 提前还款行为：利率下降时，房贷、企业债的提前还款率会上升。
• 存款迁移：利率上升时，活期存款会转向定期或理财。
• 新业务假设：未来新发放的贷款和存款，利率和期限怎么定？

4.3 如何构建利率情景？

这是模拟分析的核心技术活。利率情景不是随便拍脑袋想的，它需要兼顾合理性和覆盖性。

我个人常用的方法有三种：

方法一：历史情景法

直接拿过去发生过的极端利率事件来模拟。比如2008年金融危机时的利率暴跌、2013年「钱荒」时的利率飙升。好处是真实可信，坏处是未来不一定重复历史。

方法二：统计模拟法

用利率模型（比如Vasicek、CIR、Hull-White）生成成千上万条利率路径。然后取分位数，比如1%、5%、95%、99%的情景。这需要你懂一点随机过程，但效果很好。

方法三：监管情景法

按照巴塞尔协议或央行要求的标准情景来做。比如利率平行上移200bp、下移200bp，或者陡峭化、平坦化。这些情景虽然简单，但监管认可，适合做合规报告。

4.4 核心逻辑框架图

下面这张SVG图，是我自己梳理的模拟分析知识体系。你可以把它当作本章的「地图」：

4.5 代码示例：一个简单的静态模拟

下面这个Python代码片段，是我在项目中常用的静态模拟骨架。它计算一个债券组合在利率平行上移100bp后的市值变化：

import numpy as np
import pandas as pd

# 假设我们有3只债券
bonds = pd.DataFrame({
    'face_value': [100, 200, 150],  # 面值（百万）
    'coupon': [0.03, 0.04, 0.035],  # 票面利率
    'maturity': [2, 5, 3],          # 剩余期限（年）
    'yield_orig': [0.035, 0.045, 0.04]  # 原始到期收益率
})

# 定义利率情景：平行上移100bp
shift = 0.01
bonds['yield_shocked'] = bonds['yield_orig'] + shift

# 简化版债券定价函数（零息+付息）
def bond_price(face, coupon, maturity, y):
    cf = np.array([coupon * face] * int(maturity) + [face])
    t = np.arange(1, int(maturity) + 1)
    pv = cf / (1 + y) ** t
    return pv.sum()

# 计算原始市值和冲击后市值
bonds['price_orig'] = bonds.apply(
    lambda r: bond_price(r['face_value'], r['coupon'], r['maturity'], r['yield_orig']), axis=1)
bonds['price_shocked'] = bonds.apply(
    lambda r: bond_price(r['face_value'], r['coupon'], r['maturity'], r['yield_shocked']), axis=1)

bonds['pv_change'] = bonds['price_shocked'] - bonds['price_orig']
total_change = bonds['pv_change'].sum()

print(f"利率上移100bp后，组合市值变化: {total_change:.2f} 百万")
# 输出示例：利率上移100bp后，组合市值变化: -12.34 百万

4.6 静态 vs 动态：什么时候用哪个？

维度	静态模拟	动态模拟
核心假设	头寸不变	头寸随利率变化
复杂度	低	高
数据需求	当前头寸	历史行为数据+新业务假设
典型用途	监管压力测试、缺口分析	资产负债管理、盈利预测
输出指标	重定价缺口、PV01	净利息收入、经济价值
我个人的建议	先做静态，再考虑动态	有足够数据支撑时再用

嗯，说到这里，我想强调一点：不要一上来就搞动态模拟。我见过太多团队，静态模拟还没跑明白，就急着上动态模型，结果模型假设一堆，但没人能解释为什么结果会这样。先做好静态，把基础打牢，再逐步升级。

好了，这一章的内容就到这里。利率情景构建是模拟分析的核心，你掌握了静态和动态的区别，以及三种情景构建方法，基本上就能应对大部分实战场景了。

---