3. 情景设计方法论：历史情景法、假设情景法、蒙特卡洛模拟法、宏观情景生成
各位同行，今天我们来聊聊压力测试里最核心、也最考验功力的部分——情景设计。
说白了，情景设计就是给银行体系“出难题”。你得想清楚：未来可能发生什么？最坏能坏到什么程度？我见过不少团队，模型建得漂漂亮亮，结果情景设计一塌糊涂，最后测试出来的数字根本没人信。嗯，这里面的坑，我踩过不少。
3.1 历史情景法：最朴素的“照镜子”
历史情景法，就是拿过去发生过的危机事件来模拟未来。比如2008年全球金融危机、2015年中国股灾、2020年新冠疫情。
核心逻辑：历史会重演，但不会简单重复。
我个人习惯，第一步先拉出历史上5-10次重大危机事件。然后提取关键变量的变化幅度：
- GDP增速下滑了多少？
- 失业率跳升了几个百分点？
- 房价跌幅有多大？
- 信用利差走阔了多少？
举个例子，2008年金融危机期间，美国GDP季度环比年化跌幅一度达到8.4%，失业率从4.7%飙到10%。这些数字，就是你的压力参数。
所以，历史情景法需要做“校准”。我的做法是：把历史冲击幅度乘以一个调整系数，这个系数要考虑当前市场的杠杆率、期限错配程度、监管约束等因素。
3.2 假设情景法：自己编故事，但要讲逻辑
假设情景法，说白了就是“如果……会怎样？”
比如：如果中国房地产销售面积下降30%，同时房企融资渠道全面收紧，会怎样？如果美联储加息到6%，同时中美贸易摩擦升级，会怎样？
这里有个关键点——假设情景不能天马行空。你得有逻辑链条。
我建议用“冲击传导链”来设计：
- 定义初始冲击：比如“原油价格暴涨至150美元/桶”
- 追踪传导路径：油价涨→生产成本上升→PPI走高→CPI上行→央行被迫加息→企业融资成本上升→违约率攀升
- 量化终端影响：最终落到银行的NPL（不良贷款率）、资本充足率、流动性覆盖率等指标上
3.3 蒙特卡洛模拟法：让随机性帮你找“尾部”
蒙特卡洛模拟，本质上就是“暴力枚举”。你设定好关键风险因子的概率分布，然后让计算机随机生成成千上万种可能的情景。
为什么需要它？因为历史情景和假设情景都只能覆盖有限的几种情况。而蒙特卡洛可以帮你探索那些“从未发生过但理论上可能发生”的极端事件——也就是尾部风险。
具体怎么做？我简单说下步骤：
- 确定风险因子：比如利率、汇率、房价、GDP增速等
- 拟合分布：每个因子设定一个概率分布（正态分布、t分布、或者带厚尾的分布）
- 设定相关性：因子之间不是独立的。比如GDP下行时，房价通常也会跌。这里要用到Copula函数来建模相关性结构
- 随机抽样：生成10万组情景
- 计算损失：对每组情景，跑一遍风险模型，算出银行可能遭受的损失
- 提取分位数：看99%分位数、99.9%分位数对应的损失有多大
下面是一个简化的Python代码示例，展示蒙特卡洛模拟的核心逻辑：
import numpy as np
# 设定参数
n_simulations = 100000
mean_gdp = 0.02 # 基准GDP增速2%
std_gdp = 0.015 # 标准差1.5%
mean_rate = 0.03 # 基准利率3%
std_rate = 0.01 # 标准差1%
correlation = 0.6 # GDP与利率的相关系数
# 生成相关随机变量
cov_matrix = [[std_gdp**2, correlation*std_gdp*std_rate],
[correlation*std_gdp*std_rate, std_rate**2]]
samples = np.random.multivariate_normal([mean_gdp, mean_rate], cov_matrix, n_simulations)
gdp_shocks = samples[:, 0]
rate_shocks = samples[:, 1]
# 计算违约率（简化模型）
default_rate = 0.01 - 0.5 * gdp_shocks + 0.3 * rate_shocks
default_rate = np.clip(default_rate, 0, 1)
# 提取尾部风险
var_99 = np.percentile(default_rate, 99)
print(f"99%置信度下违约率不超过: {var_99:.2%}")3.4 宏观情景生成：VAR模型与DSGE模型
前面几种方法，要么依赖历史，要么依赖主观判断，要么依赖随机抽样。但宏观情景生成，是要用经济学模型来“内生”地生成情景。
这里我重点讲两个工具：VAR模型和DSGE模型。
3.4.1 VAR模型：数据驱动的“黑箱”
VAR（向量自回归）模型，说白了就是把一堆宏观经济变量放在一起，让它们互相解释。比如GDP、通胀、利率、房价，这四个变量之间可能存在复杂的动态关系。
VAR模型的优势在于：
- 不需要太多经济学理论假设
- 能捕捉变量之间的线性互动
- 做脉冲响应分析很方便——你可以看“一个单位的利率冲击，会对GDP产生多大影响，持续多久”
我举个例子。假设你构建了一个包含GDP、CPI、利率的三变量VAR模型。然后你施加一个“利率上升100bp”的冲击，模型会告诉你：GDP在未来4个季度内累计下降0.8%，CPI在2个季度后下降0.3%。这些数字，就是你压力测试的输入参数。
3.4.2 DSGE模型：理论驱动的“白箱”
DSGE（动态随机一般均衡）模型，是宏观经济学家的“终极武器”。它从微观主体的优化行为出发——家庭最大化效用、企业最大化利润、央行制定货币政策——然后把这些行为方程联立起来，形成一个完整的宏观经济系统。
DSGE模型的优势：
- 有坚实的经济学理论基础
- 能解释“为什么”会这样，而不是仅仅描述“是什么”
- 可以做反事实模拟——比如“如果央行提前加息，结果会怎样？”
但DSGE也有明显的短板：
- 模型假设太强（理性预期、完全竞争等）
- 参数校准困难
- 对金融危机等非线性事件拟合效果差
我个人建议：在实际工作中，把VAR和DSGE结合起来用。用DSGE提供理论框架和长期均衡关系，用VAR捕捉短期动态和数据的统计特征。这叫“混合方法”，我在好几个大型银行的项目里都这么干过，效果不错。
3.5 知识体系总览
下面这张图，我把四种情景设计方法的核心逻辑和适用场景梳理了一下：
3.6 方法对比与选择建议
最后，我整理了一张对比表，方便你根据实际情况选择合适的方法：
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 历史情景法 | 简单直观，易于沟通 | 历史可能不重演，参数需校准 | 常规压力测试、监管报送 |
| 假设情景法 | 灵活，可覆盖极端事件 | 主观性强，逻辑链需验证 | 前瞻性分析、风险管理决策 |
| 蒙特卡洛模拟法 | 全面覆盖尾部风险 | 计算量大，依赖分布假设 | 量化尾部风险、资本规划 |
| 宏观情景生成（VAR/DSGE） | 有经济学逻辑支撑 | 模型复杂，参数校准困难 | 系统性风险分析、政策评估 |
我个人建议：别只依赖一种方法。实际项目中，我通常先用历史情景法搭框架，再用假设情景法补充极端情况，然后用蒙特卡洛模拟法做敏感性分析，最后用VAR或DSGE模型做宏观一致性检验。四管齐下，出来的结果才经得起推敲。