第28章监管合规

第28章监管合规：压力测试与极端情景分析

聊到波动率曲面异常点检测，很多人第一反应是“怎么赚钱”。但说实话，在真正的交易室里，排第一的永远是合规和风控。监管机构盯着你呢，尤其是极端行情下，你的模型能不能扛住？

我个人习惯，每次开发完一套异常检测逻辑，第一件事不是跑回测，而是做压力测试。为什么？因为平时看着很完美的模型，一到极端行情，可能瞬间崩盘。我见过太多这样的案例了。

为什么监管非要你做压力测试？

说白了，监管机构怕你“黑天鹅”事件发生时直接破产。2008年次贷危机，多少机构模型里没有“房价暴跌”这个情景？结果呢？

现在监管要求很明确：

你得证明你的模型在极端情况下还能工作
你得提前想好“如果发生XX，我该怎么办”
你得有数据支撑，不能拍脑袋

嗯，这里要注意，压力测试不是走过场。我曾经见过一家机构，压力测试报告写得漂漂亮亮，结果一查，参数全是抄的历史数据。监管直接罚了上千万。

极端情景怎么构建？

构建极端情景，我一般分三步走：

历史重现法：把过去最惨的几次危机拉出来，比如2008年、2020年3月。看看当时波动率曲面长什么样。
假设情景法：想象一些“从未发生过但理论上可能”的事件。比如某大国突然违约，或者某个主要货币一夜之间崩盘。
参数扰动法：在现有模型参数上，人为加几倍的标准差扰动。看看曲面会变成什么鬼样子。

我个人比较喜欢第三种，因为它能覆盖前两种没考虑到的情况。你想想看，历史不会简单重复，但参数扰动可以模拟各种极端。

代码实现：一个简单的压力测试框架

下面是我常用的一个压力测试框架。别嫌简单，核心逻辑都在里面了。

import numpy as np
import pandas as pd
from scipy.interpolate import griddata

class StressTestFramework:
    def __init__(self, vol_surface_data):
        """
        vol_surface_data: DataFrame with columns [strike, maturity, implied_vol]
        """
        self.data = vol_surface_data
        self.baseline_surface = None
        
    def build_baseline(self):
        """构建基准波动率曲面"""
        points = self.data[['strike', 'maturity']].values
        values = self.data['implied_vol'].values
        self.baseline_surface = (points, values)
        print("基准曲面构建完成")
        
    def apply_shock(self, shock_type='parallel', magnitude=0.2):
        """
        施加冲击
        shock_type: 'parallel'（平行移动）, 'skew'（偏斜变化）, 'smile'（微笑变化）
        magnitude: 冲击幅度（以波动率百分点为单位）
        """
        if self.baseline_surface is None:
            raise ValueError("请先构建基准曲面")
            
        points, values = self.baseline_surface
        
        if shock_type == 'parallel':
            # 所有点统一加一个偏移
            shocked_values = values + magnitude
            print(f"施加平行冲击: 所有波动率 +{magnitude*100:.1f}%")
            
        elif shock_type == 'skew':
            # 根据strike调整：虚值期权变化更大
            strikes = points[:, 0]
            norm_strikes = (strikes - strikes.mean()) / strikes.std()
            shocked_values = values + magnitude * (1 + 0.5 * norm_strikes)
            print(f"施加偏斜冲击: 虚值端变化更大")
            
        elif shock_type == 'smile':
            # 两端变化大，中间变化小
            strikes = points[:, 0]
            atm_idx = np.argmin(np.abs(strikes - 1.0))  # 假设ATM在1.0
            distance = np.abs(strikes - 1.0)
            shocked_values = values + magnitude * (1 + 2 * distance)
            print(f"施加微笑冲击: 两端变化是中间的三倍")
            
        else:
            raise ValueError(f"未知冲击类型: {shock_type}")
            
        return shocked_values
    
    def detect_anomalies_under_stress(self, shocked_values, threshold=3.0):
        """
        在压力情景下检测异常点
        threshold: 标准差倍数阈值
        """
        residuals = shocked_values - self.baseline_surface[1]
        std_residuals = np.std(residuals)
        
        anomalies = np.abs(residuals) > threshold * std_residuals
        print(f"压力情景下检测到 {np.sum(anomalies)} 个异常点")
        
        return anomalies

# 使用示例
if __name__ == "__main__":
    # 模拟数据
    np.random.seed(42)
    n_points = 1000
    strikes = np.random.uniform(0.8, 1.2, n_points)
    maturities = np.random.uniform(0.1, 2.0, n_points)
    base_vol = 0.2 + 0.1 * (strikes - 1.0)**2 + 0.05 * np.sqrt(maturities)
    noise = np.random.normal(0, 0.01, n_points)
    implied_vol = base_vol + noise
    
    data = pd.DataFrame({
        'strike': strikes,
        'maturity': maturities,
        'implied_vol': implied_vol
    })
    
    # 运行压力测试
    stf = StressTestFramework(data)
    stf.build_baseline()
    
    # 测试三种冲击
    for shock in ['parallel', 'skew', 'smile']:
        print(f"\n=== 测试 {shock} 冲击 ===")
        shocked = stf.apply_shock(shock, magnitude=0.15)
        anomalies = stf.detect_anomalies_under_stress(shocked, threshold=2.5)

核心要点：压力测试不是一次性工作。每次市场结构发生变化，或者你更新了模型参数，都得重新跑一遍。我习惯每周五下午跑一次全量压力测试，雷打不动。

极端情景下的风险规避策略

检测到异常点之后怎么办？不能光看着啊。我总结了几条实战策略：

情景类型	检测到的异常	建议操作
波动率曲面整体上移	所有点都偏高	降低杠杆，增加现金比例
虚值期权波动率飙升	尾部异常点集中	买入虚值期权对冲尾部风险
曲面出现局部凹陷	某个区域异常低	检查流动性，可能是报价错误
微笑曲线不对称	一侧异常高	调整delta对冲比例

避坑指南：我曾经在2020年3月市场暴跌时，发现波动率曲面出现大面积异常点。当时第一反应是“模型坏了”，结果折腾了半天才发现，是市场真的疯了。所以记住：异常点检测的结果，要先确认是市场行为还是模型问题，别急着改参数。

监管报告怎么写？

监管报告不需要花里胡哨，但必须说清楚三件事：

你测了什么：用了哪些情景，参数怎么设的
发现了什么：异常点分布、最大损失估计
你做了什么：采取了哪些风控措施

我一般会在报告里附上一张压力测试结果图，直观展示不同情景下的异常点分布。监管的人也是人，看图比看数字快多了。

本章知识体系

下面这张图，是我自己梳理的压力测试与极端情景分析的核心逻辑。你照着这个框架走，基本不会漏掉关键环节。

你看这个框架，从数据输入到情景构建，再到压力测试执行，最后输出风险规避策略和报告。中间还有一个反馈循环，意思是每次压力测试的结果，都要用来优化你的情景构建逻辑。这是一个持续迭代的过程。

小技巧：刚开始做压力测试时，别贪多。先跑三个最核心的情景：平行移动、偏斜变化、微笑变化。等跑顺了，再慢慢加其他情景。我见过有人一上来就搞十几个情景，结果数据对不上，自己先晕了。

好了，这一章的内容就到这里。记住，压力测试不是为了应付监管，而是为了保护你自己。市场不会因为你没准备就不来极端行情。做好准备，才能在风暴中活下来。

📚 课程目录