第九章 压力测试框架：历史情景模拟、极端市场情景、蒙特卡洛模拟、压力测试报告

做市商的风控体系里，压力测试是我个人认为最「反人性」的一环。为什么这么说？因为平时我们都在追求盈利，而压力测试偏偏要你盯着最惨的情况看。我见过太多团队，平时回测跑得飞起，一到黑天鹅事件就爆仓。说白了，压力测试不是用来证明你的策略有多牛，而是用来告诉你——你可能会怎么死。

9.1 为什么需要压力测试？

常规的VaR（在险价值）模型有个致命缺陷：它假设市场是正态分布的。但你想想看，真实市场哪有那么乖？2020年3月原油暴跌、2021年5月加密货币闪崩、2022年英镑危机……这些极端事件在正态分布模型里几乎不可能发生，但它们就是发生了。

我曾在某家做市商团队里见过一个案例：他们的VaR模型显示99%置信度下日最大亏损不超过50万，结果某天因为一个流动性枯竭事件，实际亏损超过了800万。嗯，从那以后，我再也不敢只依赖VaR了。

9.2 历史情景模拟

历史情景模拟是最直观的方法。说白了，就是把过去发生过的极端行情，直接套用到你当前的持仓上，看看会亏多少。

9.2.1 经典历史情景

我个人习惯维护一个「黑天鹅事件库」，至少包含以下事件：

• 2008年全球金融危机： 股市暴跌、信用利差飙升、流动性枯竭
• 2010年闪电崩盘： 道琼斯指数几分钟内暴跌近1000点
• 2015年瑞郎黑天鹅： 瑞士央行突然取消欧元兑瑞郎汇率下限，单日波动超过30%
• 2020年3月新冠危机： 全球资产同步暴跌，连黄金和国债都被抛售
• 2022年Luna崩盘： 加密货币市场系统性崩溃，稳定币脱锚

9.2.2 实现方法

代码实现其实不复杂，核心逻辑就是「回放历史」：

def historical_scenario_simulation(portfolio, historical_data, event_date):
    """
    历史情景模拟
    :param portfolio: 当前持仓
    :param historical_data: 历史价格数据
    :param event_date: 事件日期
    """
    # 获取事件前后的价格变化
    event_prices = historical_data.loc[event_date]
    prev_prices = historical_data.loc[event_date - timedelta(days=1)]
    
    # 计算收益率变化
    returns = (event_prices - prev_prices) / prev_prices
    
    # 应用到当前持仓
    pnl = 0
    for asset, position in portfolio.items():
        if asset in returns.index:
            pnl += position * returns[asset] * current_price[asset]
    
    return pnl

9.3 极端市场情景

历史情景模拟有个问题：它只能覆盖已经发生过的事件。但真正的黑天鹅，往往是前所未见的。所以我们需要自己构造极端情景。

9.3.1 常见极端情景类型

9.3.2 构造方法

我一般用「参数化情景生成器」来做这件事：

def extreme_scenario_generator(portfolio, scenario_params):
    """
    极端情景生成器
    :param scenario_params: 包含各资产的冲击幅度
    """
    scenario_pnl = {}
    
    for asset, params in scenario_params.items():
        # 价格冲击
        price_shock = params.get('price_shock', 0)
        # 流动性冲击（影响滑点）
        liquidity_shock = params.get('liquidity_shock', 1)
        # 波动率冲击（影响期权定价）
        vol_shock = params.get('vol_shock', 1)
        
        # 计算该资产在极端情景下的损益
        pnl = calculate_pnl(asset, price_shock, liquidity_shock, vol_shock)
        scenario_pnl[asset] = pnl
    
    return scenario_pnl

9.4 蒙特卡洛模拟

蒙特卡洛模拟是我个人最喜欢的压力测试方法。它不像历史情景那样依赖过去，也不像极端情景那样靠人拍脑袋。它通过随机生成大量可能的未来路径，让你看到策略在各种情况下的表现分布。

9.4.1 核心原理

说白了，蒙特卡洛模拟就是「掷骰子掷一万次，看看结果长什么样」。具体来说：

1. 假设资产价格服从某种随机过程（通常是几何布朗运动）
2. 生成N条可能的价格路径（N通常取10000~100000）
3. 对每条路径计算组合损益
4. 统计损益分布，找出极端情况

9.4.2 代码实现

import numpy as np

def monte_carlo_simulation(portfolio, mu, sigma, days=252, n_simulations=10000):
    """
    蒙特卡洛模拟
    :param mu: 预期收益率
    :param sigma: 波动率
    :param days: 模拟天数
    :param n_simulations: 模拟次数
    """
    dt = 1/252
    n_assets = len(portfolio)
    
    # 生成随机路径
    random_matrix = np.random.normal(0, 1, (n_simulations, days, n_assets))
    
    # 计算价格路径
    prices = np.zeros((n_simulations, days, n_assets))
    prices[:, 0, :] = current_prices
    
    for t in range(1, days):
        drift = (mu - 0.5 * sigma**2) * dt
        diffusion = sigma * np.sqrt(dt) * random_matrix[:, t, :]
        prices[:, t, :] = prices[:, t-1, :] * np.exp(drift + diffusion)
    
    # 计算每条路径的损益
    pnl_simulations = []
    for sim in range(n_simulations):
        final_prices = prices[sim, -1, :]
        pnl = sum(portfolio[asset] * (final_prices[i] - current_prices[i]) 
                  for i, asset in enumerate(portfolio.keys()))
        pnl_simulations.append(pnl)
    
    return pnl_simulations

9.4.3 结果分析

模拟完成后，我们需要关注几个关键指标：

• 最大回撤： 模拟路径中最差的亏损幅度
• 尾部风险： 95%或99%分位数的亏损值
• 破产概率： 亏损超过资本金的比例
• 压力VaR： 在极端条件下的在险价值

9.5 压力测试报告

测试做完了，数据也跑出来了，但如果没有一份好的报告，前面所有工作都白费。压力测试报告不是给技术团队看的，而是给管理层和风控委员会看的。所以，报告要清晰、直观、有结论。

9.5.1 报告结构

我个人习惯的报告模板是这样的：

1. 执行摘要： 一句话说清楚测试结果（例如：「在2008年情景下，组合预计亏损15%，超过风险限额」）
2. 测试方法： 简要说明用了哪些情景、参数设置
3. 测试结果： 用表格和图表展示各情景下的损益
4. 风险暴露分析： 哪些资产或策略是主要亏损来源
5. 应对措施： 针对识别出的风险，提出具体的调整方案

9.5.2 关键指标表格

9.5.3 报告撰写要点

• 不要堆数据： 管理层没时间看几百行的数字，用图表说话
• 给出明确结论： 「风险可控」或「需要调整」，不要模棱两可
• 附带行动建议： 比如「建议降低杠杆至2倍以下」或「增加对冲头寸」

9.6 压力测试框架总览

最后，我用一张图来总结整个压力测试框架的核心逻辑：

这张图展示了我做压力测试的标准流程：从输入数据开始，经过三种方法的交叉验证，最终输出报告并指导风控决策。记住，三种方法各有优劣，我建议至少使用两种方法进行交叉验证，这样得出的结论才可靠。

无相订单流研究社 微信Lucian808555