第二十八课：压力测试与情景分析——极端市场下的策略表现
各位同行，今天我们来聊一个很现实的问题——你的波动率曲面套利策略，在极端行情下到底扛不扛得住？
说实话，我见过太多策略在平稳市场里跑得漂漂亮亮，一到黑天鹅事件就崩盘。我自己就踩过这个坑。2018年2月，美股波动率指数VIX一天暴涨115%，我手上一个跨品种套利组合直接回撤了18%。嗯，从那以后，压力测试就成了我策略上线的必修课。
为什么极端行情是套利策略的“照妖镜”？
你想想看，跨品种套利的核心逻辑是什么？是不同品种之间波动率曲面的相对定价关系。正常情况下，这种关系是稳定的。但极端行情一来，市场流动性骤降，相关性结构突变，你的对冲可能瞬间失效。
我总结了三类最危险的极端场景：
- 波动率尖峰：比如VIX从15飙到80，所有期权隐含波动率同步暴涨
- 流动性枯竭：买卖价差扩大10倍以上，你根本平不了仓
- 相关性断裂：原本高度相关的两个品种突然脱钩，套利变成单边赌
核心观点：压力测试不是为了预测未来，而是为了了解你的策略在极端情况下的“脆弱点”在哪里。说白了，就是找到那个让你爆仓的临界条件。
压力测试的两种主流方法
我个人习惯把压力测试分成两类：历史情景法和合成情景法。两者各有优劣，我建议你结合起来用。
1. 历史情景法
直接拿过去发生过的极端行情来测试。比如2008年金融危机、2020年3月新冠崩盘、2022年英国养老金危机。这些事件都有完整的数据记录，你可以回测策略在这些时期的表现。
但要注意一个坑——历史不会简单重复。我记得2020年3月那次，很多基于2018年2月数据训练的压力测试模型都失效了，因为市场结构已经变了。
# 一个简单的历史情景回测框架
def historical_scenario_test(strategy, scenario_data):
"""
scenario_data: 包含历史极端行情下的价格、波动率、流动性数据
"""
pnl_series = []
for date, market_snapshot in scenario_data.items():
# 重新计算波动率曲面
new_surface = rebuild_surface(market_snapshot)
# 评估策略在当前曲面下的损益
pnl = strategy.evaluate(new_surface)
pnl_series.append(pnl)
max_drawdown = calculate_max_drawdown(pnl_series)
var_99 = calculate_var(pnl_series, 0.99)
return {
'max_drawdown': max_drawdown,
'var_99': var_99,
'pnl_path': pnl_series
}2. 合成情景法
历史数据不够用怎么办？那就自己造极端场景。我常用的几个参数扰动方式：
- 波动率曲面扭曲：把短期平值波动率抬高50%，同时压低长期波动率
- 期限结构倒挂：让近月波动率超过远月，模拟恐慌情绪
- 偏斜度突变：虚值看跌期权的波动率溢价突然飙升
我的经验：合成情景不要只做“温和的扰动”。我一般会测试波动率翻倍、价差扩大5倍、流动性下降90%这种极端值。因为真正出问题的时候，往往比你想象的要更极端。
情景分析的核心框架
下面这张图是我自己设计的压力测试流程，你可以参考一下：
实战：如何构建一个完整的情景分析
好了，理论说完了，我们直接上代码。这是我实际在用的一个压力测试模块：
class StressTestEngine:
def __init__(self, portfolio, surface_model):
self.portfolio = portfolio
self.surface_model = surface_model
self.scenarios = []
def add_historical_scenario(self, date_range):
"""添加历史极端行情情景"""
# 从数据库加载历史数据
hist_data = load_market_data(date_range)
self.scenarios.append({
'type': 'historical',
'data': hist_data,
'label': f'Historical_{date_range[0]}_{date_range[1]}'
})
def add_synthetic_scenario(self, params):
"""添加合成极端情景"""
# params: {vol_shift, skew_change, liquidity_shock}
synthetic_surface = self.surface_model.perturb(params)
self.scenarios.append({
'type': 'synthetic',
'data': synthetic_surface,
'label': f'Synthetic_{params}'
})
def run_all(self):
results = {}
for scenario in self.scenarios:
pnl = self._evaluate_scenario(scenario)
results[scenario['label']] = {
'pnl': pnl,
'max_dd': self._calc_max_drawdown(pnl),
'var_95': self._calc_var(pnl, 0.95),
'var_99': self._calc_var(pnl, 0.99)
}
return results
def _evaluate_scenario(self, scenario):
"""核心评估逻辑"""
if scenario['type'] == 'historical':
# 逐日回测
daily_pnl = []
for day_data in scenario['data']:
# 重新定价所有期权
new_values = self.portfolio.reprice(day_data['surface'])
daily_pnl.append(new_values - self.portfolio.current_value)
return daily_pnl
else:
# 合成情景直接计算
new_values = self.portfolio.reprice(scenario['data'])
return [new_values - self.portfolio.current_value]注意：上面的代码只是一个框架。实际使用时，你需要考虑交易成本、滑点、保证金变化等因素。我曾经因为忽略了保证金追缴，导致压力测试结果严重偏乐观——这个教训很深刻。
如何解读压力测试结果
拿到结果后，不要只看最大亏损数字。我一般会关注三个维度：
| 指标 | 含义 | 我的阈值 |
|---|---|---|
| 最大回撤 | 策略从峰值到谷底的最大亏损 | 不超过总资金的20% |
| 99% VaR | 最坏情况下单日亏损 | 不超过总资金的5% |
| 压力损失比 | 极端损失 / 正常日收益 | 不超过10倍 |
如果某个情景触发了阈值，我会做两件事：一是检查这个情景是否合理，二是调整策略参数。千万别直接删掉这个情景——我见过有人为了通过风控审查，故意把压力测试参数调得很温和。嗯，这种做法最后都付出了代价。
避坑指南
最后分享几个我踩过的坑：
- 不要只测试一个极端情景。我曾经只测试了波动率暴涨，结果忽略了流动性枯竭的风险。后来两个同时发生时，策略直接崩了。
- 注意情景之间的相关性。极端行情下，多个风险因子往往同时爆发。单独测试每个因子会低估风险。
- 定期更新历史情景库。市场结构在变，10年前的黑天鹅事件可能已经不再适用。我每季度会更新一次情景库。
一个小技巧：我习惯在压力测试中加入一个“最坏情景”——把所有风险因子同时推到极端值。虽然这个情景发生的概率极低，但它能告诉你策略的“绝对底线”在哪里。
好了，关于压力测试和情景分析，今天就聊到这里。记住一句话：压力测试不是为了让你睡得更安稳，而是为了让你知道，当暴风雨来临时，你的伞到底撑不撑得住。