Wind指标

  • 地域利差：取筛选条件下每个债在X时点与国开债的利差，以余额为权进行求和。

  • 地域久期：将某地区发行在时点X存续的全部债看成投资组合，取修正久期，以余额为权进行求和。

  • 样本券选取方式：在X时点存续的城投债，剔永续债、剔abs。
  • [MSCI Model]

历年偏离度变化 | 剩余期限分布 | 年化收益率 | 年化波动率 | 最大回撤 | 恢复天数 | 年化夏普利率 | 卡玛比率 | 月度正收益率 | 年度ALPHA | 年度择时能力 |

  • 风险收益分析：区间收益、最大回撤、Alpha、Beta、Sharpe、Treynor、年化波动率、信息比率、Jensen、Sortino、Calmar、Sterling
  • 拟合业绩表现
  • 业绩表现：Alpha、Beta、Sharpe、信息比率、收益标准差、跟踪误差、超额回报、年化回报、回报

投资标的清单

可转债

转股价格：转股价格不低于募集说明书公告日前二十个交易日该公司股票交易均价和前一个交易日交易均价。这一设置旨在均衡双方的价格期望。转股期限： 一般规定可转债上市的6个月以后才能进行转股，6个月后进入转股期限。
转股面值与转股价值：通常转股面值为100元。
转股价值公式：。转债价格和转股价值与正股价格存在波动关联性。
回售条款：
1.有条件回售条款：在可转债进入最后两个计息年度时，保障投资者在公司股票下跌至低于转股价格的某个位置时将可转债卖回给公司的权利，减少损失。例如： 。
2.附加回售条款：当募集资金用途与承诺出现重大变化，且被中国证监会认定为改变募集资金用途时，持有人享有一次回售的权利。
3.向下修正条款：公司在股价低迷时通过降低转股价格以促进转股，避免触发回售条款。
纯债溢价率与纯债价值：
1.纯债溢价率：。通常转债价格大于纯债价值，不常用于发现交易机会。
2.纯债价值公式：。
转股溢价率：，转债价格相比于转股价值的溢价百分比。溢价率为负时有交易机会，需考虑转股期限和下一交易日的正股价变动。
赎回条款：
1.到期赎回条款：可转债到期后的X个交易日内按债券面值的X%（含最后一期利息）的价格赎回未转股的可转债。
2.有条件赎回条款：满足某些条件的提前赎回权利，例如正股连续30个交易日中至少有15个交易日的收盘价不低于当期转股价格的130%。此条件利好双方，公司可以促进转股，投资者可以结算获利。如果以债券面值+当期应计利息的价格赎回，则不利于投资者获利。
主要关注点：转债价格、转股溢价率、对正股价格、回售预期、下修预期、赎回预期

投资风险管理

风险管理目标

  1. 针对不同风险类型制定可操作的风险识别、评估、 监测、应对、报告的方法和流程，并通过评估、稽核、检查等手段保证风险管理制度的贯彻落实。
  2. 全面性原则(决策、执行、监督、反馈)、适应性原则、有效性原则、制衡性原则、独立性原则、重要性原则

风险类型

市场风险

定义：是指由于市场价格（利率、汇率、股票价格和商品价格等）的波动而引起的公司资产发生损失的风险。

1.政策风险 ①宏观政策，包括财政政策、产业政策、货币政策等，都会对金融市场造成影响，进而影响基金的收益水平。
②管理：主要在于对国家宏观政策的把握与预测。
2.经济周期性
波动风险 		经济发展有一定周期性，基金便会追随经济总体趋向而发生变动。
3.利率风险 ①因利率变化而产生的基金价值的不确定性。
②主要受通货膨胀预期、中央银行的货币政策、经济周期和国际利率水平等的影响。
4.购买力风险 由于通货膨胀等因素的影响而导致购买力下降，降低基金实际收益，使投资者收益率降低的风险，又称为通货膨胀风险。
5.汇率风险 ①因汇率变动而产生的基金价值的不确定性。
②影响汇率的因素有国际收支及外汇储备、利率、通货膨胀和政治局势等。

信用风险

定义：是指因融资方、交易对手或发行人等违约导致公司损失的风险。
管理措施：
1.建立针对债券发行人的内部信用评级制度，结合外部信用评级，进行发行人信用风险管理。
2.建立交易对手信用评级制度，根据交易对手的资质、交易记录、信用记录和交收违约记录等因素对交易对手进行信用评级，并定期更新。

流动性风险

定义：流动性是资产在短期内以低成本完成市场交易的能力。(是指公司无法以合理成本及时获得充足资金，以偿付到期债务、履行其他支付义务和满足正常业务开展的资金需求的风险)
管理措施：
1.制定流动性风险管理制度，平衡资产的流动性与盈利性，以适应投资组合日常运作需要。
2.及时对投资组合资产进行流动性分析和跟踪，包括计算各类证券的历史平均交易量、换手率和相应的变现周期。
3.关注投资者申赎意愿。4.建立流动性预警机制。5.进行流动性压力测试。6.制定流动性风险处置预案

其他风险

  1. 操作风险：是指由于不完善或有问题的内部程序、人员、系统 或外部事件所造成公司损失的风险。
    合规风险：是指因公司或工作人员的经营管理或执业行为违反法律、法规或准则而使公司被依法追究法律责任、采取监管措施、给予纪律处分、出现财产损失或商业信誉损失的风险。
    法律风险：是指公司因未能遵循法律法规规定及要求，致使 公司面临诉讼纠纷、赔偿、罚款，导致公司受损失的风险。
    洗钱风险：是指公司的产品或服务被不法分子利用从事洗钱 活动，进而对公司在法律、声誉、合规、经营等方面造成不利影响的风险。公司关注洗钱风险与其他风险之间的关联性和传导性，审慎评估洗钱 风险对公司声誉、运营、财务等方面的影响，防范洗钱风险传导与扩散。
    信息技术风险：是指内、外部原因造成公司网络和信息系统 服务能力异常或数据损毁、泄漏，导致网络和信息系统在业务实现、响应 速度、处理能力、网络和数据安全等方面不能保障交易与业务管理稳定、 高效、安全运行，从而造成损失的风险。
    声誉风险：是指由于公司行为或外部事件、及其工作人员违反 廉洁规定、职业道德、业务规范、行规行约等相关行为，导致投资者、发行人、监管机构、自律组织、社会公众、媒体等对公司形成负面评价，从而损害公司品牌价值，不利于公司正常经营，甚至影响到市场稳定和社会 稳定的风险。
    廉洁风险：是指公司员工利用职权谋取私利给公司带来危害性或负面影响的可能性。

风险指标

风险分类：
1.事前风险测度：衡量投资组合在将来的表现和风险情况；
2.事后风险测度：研究投资组合在历史上的表现和风险情况
指标分类：
1.描述收益的不确定性：反映投资组合市场风险的指标有基于收益率及方差的风险指标，如波动率、回撤、下行风险标准差等。
2.风险敏感性度量指标：如β系数、久期、凸性等
波动率：
1.投资组合波动率是单位时间收益率的标准差。
2.单位时间根据数据来源和应用场景可以取每日、每周、每月、每年等。
3.公募基金一般都会公布每日净值增长率。

跟踪误差：
1.跟踪误差是证券组合相对基准组合的跟踪偏离度的标准差：$跟踪偏离度=证券组合的真实收益率-基准组合的收益率$
2.跟踪误差产生的原因：1.复制误差：某些成分股因流动性不足而难以以公允的价格买入。2.现金留存：投资组合不能全部投资于指数标的。3.各项费用。4.其他影响
主动比重（AS）：
1.主动比重是指投资组合持仓与基准不同的部分。衡量投资组合相对于基准的偏离程度。
2.基于投资组合持仓（波动率和跟踪误差基于收益率）
3.主动比重为0的投资组合，实质上是一个指数基金
4.常用于分析追求相对收益的股票型基金。
最大回撤：
1.最大回撤测量投资组合在指定区间内从最高点到最低点的回撤。
下行标准差：
1.波动率计算中，既包括了收益率高于平均值的波动，也考虑了低于平均值的单位区间的波动。有时需要关注收益率不达目标时的风险，这就需要用到下行标准差。

风险价值(VaR)-5548-5542

  1. 又称在险价值、风险收益、风险报酬，是指在给定的时间区间内和给定的置信水平下，利率、汇率等市场风险要素发生变化时，投资组合所面临的潜在最大损失。
    例：某投资组合在持有期为1 周、置信水平为95%的情况下，若所计算的风险价值为-0.82%，则表明该资产组合在1周中的损失有95%的可能大性不会超过-0.82%。

  2. VaR的估算方法

    参数法 又称为方差一协方差法，依据历史数据计算出风险因子收益率分布的参数值，如方差、均值和风险因子间的相关系数等。
    历史模拟法（历史模拟未来） 假设市场未来的变化方向与历史发展状况大致相同，依据风险因子收益的近期历史数据的估算，模拟出未来的风险因子收益变化。
    蒙特卡洛模拟法（银行常用， 复杂但精确） 在估算之前，需要有风险因子的概率分布模型，继而重复模拟风险因子变动的过程。在进行足够数量的模拟后，组合价值的模拟分布将会收敛于组合的真实分布， 求出最后的组合VaR 值。计算量较大，但被认为是最精准贴近的计算VaR 值方法。

预期损失(ES)

定义：在给定时间区间和置信区间内，投资组合损失的期望值。又称为条件风险价值或条件尾部期望或尾部损失。
例：在置信水平X下，VaR值在-0.82%的位置，这意味着有的把握保证时间区间T内投资的损失不会大于0.82%。但VaR是一个分位值，不能衡量最左侧区域的风险情况；而ES是最左侧区域所有损失的期望值，也就是在1-X的极端情况发生时损失的平均值。
注：分位数就是所选数值及小于该数值的所有数值的数量在总数量中的占比

压力测试

1.用以应对可能发生的巨大损失事件。关键是选择压力情景。
2.投资管理人可以根据压力测试的结果采取措施，包括调整产品持仓结构、变更投资标的、暂停申赎等，必要时应实施应急预案。监管机构要求基金公司自身要持有一定的风险准备金以应对压力情景。

股票基金的风险管理

持股集中度：前十大重仓股投资市值/基金股票投资总市值×100%
行业集中度：前三大行业或前五大行业的行业投资集中度。
持股数量
风格暴露分析：
平均市值：基金对大盘股、中盘股和小盘股的投资风险暴露情况。
判断投资价值型股票还是成长型股票：① 如果股票基金的平均市盈率、平均市净率小于市场指数的市盈率和市净率，可以认为该股票基金属于价值型基金；② 如果股票基金的平均市盈率、平均市净率大于市场指数的市盈率和市净率，可以认为该股票基金属于成长型基金。
基金股票换手率：(期间股票交易量/2)/期间基金平均资产净值

债券基金的风险管理

利率风险：1.债券的价格与市场利率呈反向变动；2.债券基金久期越长，净值随利率的波动幅度就越大，所承担的利率风险就越高。通常用久期乘以利率变化来衡量利率变动对债券基金净值的影响。
信用风险(债券、交易对手)、流动性风险、提前赎回风险、再投资风险、可转债的特定风险、债券回购风险。

风险模型汇总

蒙特卡洛模型 (Monte-Carlo simulation) 用于模拟复杂系统和评估风险
有限差分方法 (Finite-Difference Method) 用于数值求解偏微分方程
风险价值 (Value-at-Risk) 衡量金融风险的统计指标
预期缺口 (Expected Shortfall) 考虑极端情况下的潜在损失
跳跃扩散模型 (Jump-Diffusion Model) 结合了跳跃和扩散过程的金融模型
局部随机波动率模型 (Local Stochastic Volatility Model) 用于捕捉资产价格的随机波动性
市场风险计量模型 (Market Risk Measurement Model) 评估市场风险的整体模型
交易对手信用风险测量模型 (Counterparty Credit Risk Measurement Model) 评估交易对手信用风险的模型
极值理论计量风险 (Extreme Value Theory) 用于评估极端风险事件
预期信用损失模型 (Expected Credit Loss, ECL)
ECL=违约概率 (PD) × 违约损失率 (LGD) × 违约敞口 (EAD)		 用于评估金融资产的信用损失

投资业绩评价

一、投资组合模型

均值-方差模型、CAPM、有效市场假说、现代投资组合理论、协方差、相关系数 、资产收益的可行集、最小方差前沿、有效前沿、无差异曲线、资本配置线CAL、最优CAL、资本市场线CML、系统性风险、非系统性风险、证券市场线SML

SML和CML

二、绝对收益

定义：是指证券或投资组合在一定时间区间内所获得的回报。

  1. 持有区间收益率
    资产回报：股票、债券、房地产等资产价格的增加/减少收入回报：分红、利息、租金等。
  2. 现金流和时间加权收益率
    用以因应：基金种包含多个不同的证券，且红利或利息时间不一；基金各时间区间内申赎带来的资金流动。
    现金流加权：
    时间加权：
  3. 平均收益率：算术平均收益率和几何平均收益率
    几何平均收益率：​
  4. 基金收益率的计算：假定红利发放后立即对本基金进行再投资，且红利以除息前一日的单位净值为计算基准立即进行再投资，
    ​

三、相对收益(风险调整后收益)

定义：相对收益又叫超额收益，代表一定时间区间内，基金收益超出业绩比较基准的部分。

  1. 算术法：
  2. 几何法：

夏普利率

  1. 威廉夏普根据CAPM提出的经风险调整的业绩测度指标
    ​
    即：组合的单位风险下的超额收益率

    资本市场线

特雷诺比率

  1. 来源于CAPM，表示的是单位系统风险下的超额收益率

  2. 公式：​

    证券市场线

詹森比率

定义：衡量的是基金组合收益中超过CAPM模型预测值的那一部分超额收益

公式：$詹森\alpha = (\overline{R_p}-\overline{R_f})-\beta_p \times (\overline{R_m} -\overline{R_f})$

信息比率与跟踪误差

  1. 信息比率是单位跟踪误差所对应的超额收益。
  2. 信息比率越大，说明该基金在同样的跟踪误差水平上能获得更大的超额收益，或者在同样的超额收益水平下跟 踪误差更小。
  3. ​
  4. 实际操作中一般根据投资范围和投资目标选取基准指数，可以是全市场指数、风格指数，也可以是由不同指数复合而成的复合指数。
  5. 跟踪误差是证券组合相对基准组合的跟踪偏离度的标准差：
  6. 跟踪误差产生的原因：1.复制误差：某些成分股因流动性不足而难以以公允的价格买入。2.现金留存：投资组合不能全部投资于指数标的。3.各项费用。4.其他影响

绝对收益归因

  1. 考察各个因素对基金总收益的贡献，其本质是对基金总收益的分解。
  2. 在特定区间内，每个证券和每个行业如何贡献到组合的整体收益。

相对收益归因

Brinson模型
例：

【结论】
配置效应：基金中股票、债券和现金权重为70:7:23，它的收益率仅反映了从60:30:10的基准权重转变到70:7:23所引起的收益变化，
而不包括基金经理在各个市场中积极选择证券所带来的收益变化。即：资产配置带来的贡献为：
选择效应：
如果业绩中有0.31%应归功于各资产类别间的成功配置，那么1.37%-0.31%=1.06%就应该源于在每一个大类资
产中的行业及具体证券的选择。选择效应带来的贡献​

债券投资组合的构建

  1. 考虑因素：
    a.同股票相同因素：投资目标和理念、投资策略、投资范围、业绩基准、风险收益；
    b.个性化因素：信用结构、期限结构、组合久期、流动性和杠杆率

  2. 基准选择：以债券指数为主，在投资范围允许的前提下，加入一定比例股票指数形成复合基准。

VaR风险计量及代码

在一定概率水平 (置信度) 下，某一金融资产或证券组合价值在未来特定时期内的最大可能损失。

概述

局部估值法 完全估值法
参数方法 方差-协方差法(德尔塔-正态分布法)
假定组合回报服从正态分布，利用历史数据计算资产组合收益率的标准差与相应置信度下分位数的乘积。		 蒙特卡洛模拟法
与历史模拟法计算原理相似，但是数据选择存在差异，即基于随机数模拟得到市场价格变化，而不是来自于历史观察。其基本思路为：假设资产价格的变动依附在某种随机过程形态，利用电脑模拟，在目标时间范围内产生随机价格的途径，并依次构建资产报酬分布，最终计算出VaR值。
非参数方法 历史模拟法
假设市场未来的变化方向与市场的历史发展状况大致相同，根据市场因子的历史样本变化模拟证券组合的未来损益分布，利用分位数给出一定置信度下的VaR估计。

注：局部估值——通过仅在资产组合的初始状态进行一次估值，并利用局部要求来推断可能的资产变化而得出风险价值衡量值。完全估值——通过对各种情景下投资组合的重新定价来衡量风险。

历史模拟法计算公式

原理

  1. 方差-协方差法(分位数、标准差、持有期)：
    1. 投资组合的各风险因子服从联合正态分布
    2. 线性假定，持有期内，投资组合的风险暴露与风险因子之间是线性相关的
    3. 求解正态分布X~N(u,σ2)曲线下，覆盖面值95%所对应的分位数(Z-Score),把非标准正态分布转换成正太分布(X-u)/σ=1%,解X。
    4. 推导：
  1. 历史模拟法：
    1. 为组合中的风险因素安排一个历史的市场变化序列；
    2. 计算每一历史市场变化的资产组合的收益变化；
    3. 推算出VaR值。
    4. 推导：

Var三种计量方法的Python应用

参数法

# 设置观察时间以及测试标的
import numpy as np
import yfinance as yf
import pandas as pd
import datetime as dt
import matplotlib.pyplot as plt
from scipy.stats import norm 
# data = yf.download("JPM", start="2023-10-02", end="2023-10-31")
years = 15
endDate = dt.datetime.now()
startDate = endDate - dt.timedelta(days = 365*years)
tickers = ['SPY', 'BND', 'GLD', 'QQQ', 'VTI']

# 下载数据并取对数
adj_close_df = pd.DataFrame()
for ticker in tickers:
    data = yf.download(ticker, start=startDate, end=endDate)
    adj_close_df[ticker] = data['Adj Close']
print(adj_close_df)
log_returns = np.log(adj_close_df / adj_close_df.shift(1))
log_returns = log_returns.dropna()

# 设置权重和组合收益周期并计算组合收益
portfolio_value = 1000000
weights = np.array([1/len(tickers)] * len(tickers))
historical_returns = (log_returns * weights).sum(axis=1)
days = 5
historical_x_day_returns = historical_returns.rolling(window=days).sum()

# 建立协方差矩阵并计算组合标准差
cov_matrix = log_returns.cov() * 252
portfolio_std_dev = np.sqrt(weights.T @ cov_matrix @ weights)

# 计算不同置信区间的VaR并输出
from scipy.stats import norm
confidence_levels = [0.90, 0.95, 0.99]
VaRs = []
for cl in confidence_levels:
    VaR = portfolio_value * (norm.ppf(1 - cl) * portfolio_std_dev * np.sqrt(days / 252) - historical_returns.mean() * days)
    VaRs.append(VaR)

print(f'{"Confidence Level":<20} {"Value at Risk":<20}')
print('-' * 40)
for cl, VaR in zip(confidence_levels, VaRs):
    print(f'{cl * 100:>6.0f}%: {"":<8} ${VaR:>10,.2f}')
    
# 绘制组合回报分布图以及VaR分位点
# 根据投资组合价值取得实际回报金额
historical_x_day_returns_dollar = historical_x_day_returns * portfolio_value
# 绘制分布图
plt.hist(historical_x_day_returns_dollar, bins=50, density=True, alpha=0.5, label=f'{days}-Day Returns')
# 绘制分位点直线
for cl, VaR in zip(confidence_levels, VaRs):
    plt.axvline(x=-VaR, linestyle='--', color='r', label='VaR at {}% Confidence'.format(int(cl * 100)))
plt.xlabel(f'{days}-Day Portfolio Return ($)')
plt.ylabel('Frequency')
plt.title(f'Distribution of Portfolio {days}-Day Returns and Parametric VaR Estimates')
plt.legend()
plt.show()

历史模拟法

# %% [markdown]
# 设置观察时间以及测试标的

import numpy as np
import yfinance as yf
import pandas as pd
import datetime as dt
import matplotlib.pyplot as plt
from scipy.stats import norm 
# data = yf.download("JPM", start="2023-10-02", end="2023-10-31")
years = 15
endDate = dt.datetime.now()
startDate = endDate - dt.timedelta(days = 365*years)
tickers = ['SPY', 'BND', 'GLD', 'QQQ', 'VTI']

# 下载数据并取对数
adj_close_df = pd.DataFrame()
for ticker in tickers:
    data = yf.download(ticker, start=startDate, end=endDate)
    adj_close_df[ticker] = data['Adj Close']
log_returns = np.log(adj_close_df / adj_close_df.shift(1))
log_returns = log_returns.dropna()

# 设置权重及组合收益周期并计算组合收益
portfolio_value = 1000000
weights = np.array([1/len(tickers)] * len(tickers))
historical_returns = (log_returns * weights).sum(axis=1)
days = 50
range_returns = historical_returns.rolling(window = days).sum()
range_returns = range_returns.dropna()
print(range_returns)

# 计算VaR并绘制分布表
confidence_interval = 0.99
VaR = -np.percentile(range_returns, 100 - (confidence_interval * 100))*portfolio_value
print(VaR)

return_window = days
range_returns = historical_returns.rolling(window=return_window).sum()
range_returns = range_returns.dropna()
range_returns_dollar = range_returns * portfolio_value

plt.hist(range_returns_dollar.dropna(), bins=50, density=True)
plt.xlabel(f'{return_window}-Day Portfolio Return (Dollar Value)')
plt.ylabel('Frequency')
plt.title(f'Distribution of Portfolio {return_window}-Day Returns (Dollar Value)')
plt.axvline(-VaR, color='r', linestyle='dashed', linewidth=2, label=f'VaR at {confidence_interval:.0%} confidence level')
plt.legend()
plt.show()

蒙特卡洛模拟法

# 设置观察时间以及测试标的
import numpy as np
import yfinance as yf
import pandas as pd
import datetime as dt
import matplotlib.pyplot as plt
from scipy.stats import norm 
# data = yf.download("JPM", start="2023-10-02", end="2023-10-31")
years = 15
endDate = dt.datetime.now()
startDate = endDate - dt.timedelta(days = 365*years)
tickers = ['SPY', 'BND', 'GLD', 'QQQ', 'VTI']

# 下载数据并取对数
adj_close_df = pd.DataFrame()
for ticker in tickers:
    data = yf.download(ticker, start=startDate, end=endDate)
    adj_close_df[ticker] = data['Adj Close']
print(adj_close_df)
log_returns = np.log(adj_close_df / adj_close_df.shift(1))
log_returns = log_returns.dropna()

# 建立组合回报和组合标准差方程
def expected_return(weights, log_returns):
    return np.sum(log_returns.mean()*weights)
def standard_deviation (weights, cov_matrix):
    variance = weights.T @ cov_matrix @ weights
    return np.sqrt(variance)

# 建立协方差矩阵，计算组合回报和组合标准差，设置权重
cov_matrix = log_returns.cov()
print(cov_matrix)

portfolio_value = 1000000
weights = np.array([1/len(tickers)]*len(tickers))
portfolio_expected_return = expected_return(weights, log_returns)
portfolio_std_dev = standard_deviation (weights, cov_matrix)

# 建立蒙特卡洛(Monte Carlo Simulation)方程并执行
def random_z_score():
    return np.random.normal(0, 1)

# 建立方程计算模拟组合收益
days = 20
def scenario_gain_loss(portfolio_value, portfolio_std_dev, z_score, days):
    return portfolio_value * portfolio_expected_return * days + portfolio_value * portfolio_std_dev * z_score * np.sqrt(days)

# 重复10000次模拟
simulations = 10000
scenarioReturn = []

for i in range(simulations):
    z_score = random_z_score()
    scenarioReturn.append(scenario_gain_loss(portfolio_value, portfolio_std_dev, z_score, days))

# 设置置信区间，计算VaR并绘制分布图
confidence_interval = 0.99
VaR = -np.percentile(scenarioReturn, 100 * (1 - confidence_interval))
print(VaR)

# 绘制10000次模拟得到的VaR的分布图
plt.hist(scenarioReturn, bins=50, density=True)
plt.xlabel('Scenario Gain/Loss ($)')
plt.ylabel('Frequency')
plt.title(f'Distribution of Portfolio Gain/Loss Over {days} Days')
plt.axvline(-VaR, color='r', linestyle='dashed', linewidth=2, label=f'VaR at {confidence_interval:.0%} confidence level')
plt.legend()
plt.show()

压力测试与适用VaR

概述

  1. 保险公司压力测试分为情景法测试、敏感性测试和反向压力测试三类。

    1. 情景法测试评估多种风险因素同时联动变化情景下对公司偿付能力充足率的影响。
    2. 敏感性测试评估某一特定风险因素的变动对公司偿付能力充足率的影响。
    3. 反向压力测试针对特定风险因素，反向评估偿付能力充足率不达标时该风险因素的不利变动幅度。

  2. 压力测试是传统风险度量(VaR和ES等基于分布的度量方法)的补充，检测公司的被动防御。压力测试着眼于代表极端损失的分布尾部极值部分的计量。

风险因素与损失计量

市场风险

主要来源于投资交易类业务，包括股票投资、债券投资、大宗商品投资、金融衍生品投资等。

  1. 股票投资：以股价指数作压力测试因素(以可能出现的最大跌幅进行测试，又因各股均达最大跌幅可能性近似于零，因此转为指数)
    指数有：上证指数、深证成指、沪深300指数、创业板指、恒生指数。
历史模拟法 蒙特拉洛模拟法 极值分析法
根据交易策略选择时间窗口期，一般采用以22个交易日（相当于1个月），作A股压力测试的时间窗口，基于历史数据以22个连续交易日为时间窗口进行不断“切片”，将切出的最大跌幅作为参数。 基于历史数据，通过蒙特卡洛模拟方法模拟市场未来走势，取未来走势的最大跌幅作为参数。 是一种研究随机变量尾部分布的参数模型，具有向样本外扩展的能力，揭示出历史上尚未发生过的情形，因此极值分析法是一种强有力的压力测试研究工具。
  1. 债券投资：以利率波动作压力测试因素(为剔除信用风险因素的影响，以国债利率作为研究对象，结合公司利率债久期结构，确定国债到期收益率品种，如公司债券平均久期为2年，则主要测试中证国债2年到期收益率变动情况。)
    测试方法：采用中证国债2年到期收益率在一段时间内连续22个交易日的波动情况及对应的价格波动情况，采用最大波动幅度作为参数值。
  2. 期货投资：以净头寸的相反方向作测试因素(若净头寸为多头，则以期货价格大幅下跌作压力测试；反之，则以期货价格大幅上升作压力测试。)。
    测试方法：历史模拟法，如：以沪深300指数推出以来的数据作为样本数据，假设交易策略的时间窗口为22个连续交易日，取2002年以来沪深300指数连续22个交易日的最大跌幅作为极端跌幅值，取最大涨幅值作为极端涨幅值。
  3. 与权益市场相关的其他法人产品：以基金、资管产品净值跌幅以及基金产品份额赎回率作为风险因子。
    测试方法：采用历史模拟法，以市场上相似产品的历史数据为基础，通过获取产品连续22个交易日（根据交易策略进行设定）的最大跌幅作为极端跌幅值。

信用风险

涉及公司持有的企业债、公司债等信用债、证券公司的信用类业务(融资融券业务、股票质押业务)

  1. 测试价格极端跌幅的常用方法：
历史模拟法 Wilson模型法
以企业债的历史收益率曲线为基础，统计历史上各级别企业债信用利差的最大上升值作为压力测试参数值。鉴于国内企业债大部分为AAA级和AA+级别，出于谨慎性，也可利用美国企业债信用利差的历史数据来作为参考。 采用Wilson模型直接建立从压力指标到PD和风险加权资产（RWA）的映射关系。

流动性风险

流动性风险与市场风险、信用风险等其他各种风险密切相关。当测试对象因市场风险、信用风险而面临资产发生重大损失或负债意外增加时，很可能进一步面临流动性风险。可以认为流动性风险是公司总体风险状况的具体表现。但为明确分类和避免重复，流动性风险因素应指非其它风险因素引起的现金短缺。

损失计量

  1. 股指下跌： (r为股价指数压力测试幅度，β为敏感性系数)
  2. 利率上升：
    (为相应期限的压力测试幅度，D为债券久期，C为凸度)
  3. 期货价格波动： (为相应的股指期货价格压力测试幅度)
  4. 信用损失风险：
    (P为违约率压力参数，为股指压力参数变动，为利率压力参数变动)