4、假设情景分析：人为设定极端参数变动进行压力测试
说实话，做量化投资这几年，我见过太多「看起来很美」的策略。
回测曲线漂亮得像教科书，实盘一跑就崩。为什么？因为市场从来不会按剧本走。你想想看，2020年疫情、2022年美联储暴力加息、2024年日本央行突然转向——这些黑天鹅事件，哪个是历史数据能预测的？
所以，假设情景分析就成了压力测试里最硬核的一环。说白了，就是你自己当导演，编一出最惨的戏，看看你的投资组合能不能扛住。
4.1 什么是假设情景分析？
假设情景分析，英文叫Scenario Analysis。它的核心逻辑很简单：
- 设定极端参数——比如利率突然飙升500个基点（bp），或者股市一天暴跌30%
- 计算组合损益——在这些极端条件下，你的持仓会亏多少钱
- 评估风险承受力——亏了之后，你还能不能活下来
我个人习惯把这种分析叫做「末日测试」。嗯，名字有点中二，但确实管用。
核心要点：假设情景分析不是预测未来，而是检验组合的「抗揍能力」。你设定的情景越极端，测试结果越能暴露潜在风险。
4.2 常见的极端情景设定
我在项目中遇到过不少客户，上来就问：「能不能帮我测一下，如果明天股市跌20%会怎样？」
当然可以。但真正专业的压力测试，需要更系统化的情景设计。下面是我常用的几类：
| 情景类型 | 参数变动 | 典型场景 |
|---|---|---|
| 利率冲击 | 利率上升500bp | 美联储激进加息、信用危机 |
| 股市崩盘 | 股指暴跌30% | 2008年金融危机、2020年疫情 |
| 汇率波动 | 本币贬值20% | 新兴市场货币危机 |
| 商品价格 | 原油暴涨100% | 地缘政治冲突、供给中断 |
| 信用利差 | 信用利差扩大300bp | 企业违约潮、评级下调 |
小技巧：设定情景时，不要只盯着一个参数。真实的市场往往是多因子共振——利率上升的同时，股市也在跌，汇率也在崩。我建议你至少设计3-5个复合情景。
4.3 实战：用Python实现利率上升500bp的压力测试
光说不练假把式。咱们直接上代码。
假设你持有一个债券组合，包含国债、信用债和可转债。现在要测试：如果利率突然上升500bp，组合会亏多少？
import numpy as np
import pandas as pd
# 模拟债券组合数据
portfolio = pd.DataFrame({
'bond_type': ['国债', '信用债', '可转债'],
'face_value': [1000000, 500000, 300000], # 面值
'coupon_rate': [0.03, 0.05, 0.02], # 票面利率
'maturity': [5, 3, 2], # 剩余期限（年）
'yield_rate': [0.025, 0.045, 0.035] # 当前到期收益率
})
# 定义利率冲击：上升500bp = 5%
shock = 0.05
# 计算久期近似损失
def calculate_loss(row):
# 简化版：用修正久期估算价格变动
duration = row['maturity'] # 近似久期
modified_duration = duration / (1 + row['yield_rate'])
price_change = -modified_duration * shock
loss = row['face_value'] * price_change
return loss
portfolio['loss'] = portfolio.apply(calculate_loss, axis=1)
print("=== 利率上升500bp压力测试结果 ===")
print(portfolio[['bond_type', 'face_value', 'loss']])
print(f"\n组合总损失: {portfolio['loss'].sum():,.2f} 元")
print(f"损失占比: {portfolio['loss'].sum() / portfolio['face_value'].sum() * 100:.2f}%")
运行结果会告诉你：这个组合在利率飙升500bp时，大概会亏掉多少钱。
我曾经帮一家私募做过类似的测试，结果发现他们重仓的长期信用债在利率冲击下亏损超过40%。客户当时脸都绿了——但还好提前发现了，及时调整了久期敞口。
注意：上面的代码用了简化久期模型，实际生产中建议使用全估值法（Full Revaluation），特别是对于含权债券或结构化产品。简化模型可能会低估损失。
4.4 股市暴跌30%的情景模拟
股票组合的压力测试，逻辑类似但参数不同。核心是看Beta暴露和流动性风险。
# 假设股票组合
stock_portfolio = pd.DataFrame({
'stock': ['贵州茅台', '宁德时代', '招商银行', '中国平安'],
'weight': [0.3, 0.25, 0.25, 0.2],
'beta': [0.8, 1.2, 1.1, 1.0], # Beta系数
'current_price': [1800, 220, 35, 48]
})
# 设定股市暴跌30%
market_shock = -0.30
# 计算个股预期跌幅（CAPM模型简化）
stock_portfolio['expected_return'] = stock_portfolio['beta'] * market_shock
stock_portfolio['loss_pct'] = stock_portfolio['expected_return'] * 100
stock_portfolio['loss_amount'] = stock_portfolio['weight'] * stock_portfolio['expected_return']
print("=== 股市暴跌30%压力测试 ===")
print(stock_portfolio[['stock', 'weight', 'beta', 'loss_pct', 'loss_amount']])
print(f"\n组合总损失: {stock_portfolio['loss_amount'].sum() * 100:.2f}%")
你想想看，如果组合里全是高Beta的成长股，这一下可能就亏掉40%以上。但如果你配了低Beta的防御股，损失会小很多。
4.5 知识体系：假设情景分析的核心逻辑
下面这张图，是我自己总结的假设情景分析框架。每次做压力测试前，我都会先过一遍这个流程。
4.6 避坑指南：我踩过的几个坑
做假设情景分析这么多年，我犯过不少错误。分享几个典型的，你遇到了可以绕开走。
- 情景太单一——我曾经只测了利率上升，没考虑汇率同时波动。结果实盘遇到「股债汇三杀」，组合直接崩了。现在我做压力测试，至少会设计5个复合情景。
- 忽略流动性——极端行情下，很多资产根本卖不掉。你算出来的账面亏损可能只有20%，但实际想平仓得打骨折价。嗯，这个坑我吃过两次。
- 相关性假设失效——正常市场里股票和债券是负相关，但危机时可能变成正相关。我建议你在情景分析里加入「相关性突变」这个参数。
- 过度依赖历史数据——历史回测只能告诉你「过去发生过什么」，但黑天鹅往往是「从未发生过的事」。所以，我习惯在历史情景之外，再加一些「纯虚构」的极端情景。
我的经验：假设情景分析最忌讳「自我安慰」。很多人设计情景时，潜意识里会避开那些真正致命的场景。记住，压力测试的目的不是证明组合安全，而是找到它最脆弱的地方。
4.7 小结
假设情景分析，说白了就是给投资组合做一次「极限体检」。
你设定的参数越极端，暴露的问题越真实。利率上升500bp、股市暴跌30%——这些数字听起来吓人，但历史上都发生过，未来也一定会再发生。
我个人建议，每个季度至少做一次完整的假设情景分析。别等到市场真的崩了，才发现自己的组合不堪一击。
公众号:蓝海资料掘金营，微信deep3321