6.2 市场风险与信用风险管理
6.2 市场风险与信用风险管理
本节摘要：市场风险和信用风险是金融机构面临的两类最核心的风险。市场风险管理关注利率、汇率、股价等市场因素波动带来的潜在损失，主要工具包括敏感性分析、VaR限额、压力测试和对冲策略。信用风险管理关注交易对手违约带来的损失，主要工具包括5C评估框架、信用评分模型、信用衍生品和贷款损失准备金。
本节目标
阅读完本节，你应当能够：
- 用敏感性指标（Delta、久期、凸性）度量市场风险敞口
- 设计压力测试情景来评估极端市场条件下的潜在损失
- 描述5C信用评估框架和信用评分模型的基本原理
- 理解信用违约互换（CDS）的运作机制和对冲信用风险的逻辑
市场风险管理
敏感性分析：风险的"温度计"
敏感性分析回答的是："如果某个市场因素变动一个单位，我的组合会亏多少？"
**久期（Duration）**衡量债券价格对利率变动的敏感程度。一只久期为5年的债券，利率每上升1%，价格大约下跌5%。久期越长，债券对利率变动越敏感。
**凸性（Convexity）**是久期的补充——它衡量久期本身随利率变动而变化的速度。对于利率大幅变动的情况，久期+凸性的组合能给出更准确的估计。
Delta衡量期权价格对标的资产价格变动的敏感程度。Delta为0.5的看涨期权，标的涨1元，期权大约涨0.5元。Gamma衡量Delta本身的变化率。
金融机构通常为每个业务部门设置风险限额——比如"利率久期限额不超过1000万元"或"股票Delta限额不超过5000万元"。当某个部门的风险敞口接近限额时，风控系统会发出预警。
压力测试：假设最坏的情况
VaR度量的是"正常条件下的风险"。但正常条件下最大的损失往往不是真正的威胁——真正的威胁来自那些"从未发生过但可能发生"的极端情景。
压力测试（Stress Testing）就是主动构造极端但合理的情景——"如果利率突然上升200个基点会怎样？""如果股市一天下跌30%会怎样？""如果主要交易对手同时违约会怎样？"——然后计算组合在这些情景下的损失。
2008年之后，监管机构要求银行定期进行压力测试，并将结果公之于众。这不仅帮助银行自身了解风险，也增强了市场信心——投资者知道银行已经在为极端情况做准备。
风险对冲
风险对冲（Hedging）是利用衍生品将风险转移给愿意承担的其他市场参与者。
一个典型的利率对冲场景：一家银行有大量固定利率贷款资产和浮动利率存款负债。如果利率上升，存款成本增加但贷款收益不变，银行利润被压缩。银行可以通过利率互换（支付固定利率、收取浮动利率）来对冲这个风险。
一个典型的汇率对冲场景：一家出口企业3个月后收到100万美元货款，担心美元贬值。它可以签订一个远期合约，锁定3个月后以约定汇率卖出100万美元。
信用风险管理
5C评估框架
信用风险评估最经典的方法是"5C"框架：
品格（Character）：借款人是否有良好的还款意愿和信用历史？过去有没有违约记录？
能力（Capacity）：借款人的还款能力如何？收入是否稳定、债务负担是否过重？
资本（Capital）：借款人有多少自有资金？净资产多少？资本充足意味着借款人"有东西可以亏"，降低了道德风险。
抵押（Collateral）：借款人是否提供了抵押品？抵押品的价值和变现能力如何？
条件（Conditions）：当前的经济环境和行业状况如何？行业不景气时，即使个人资质好也可能违约。
信用评分模型
现代信用评估大量依赖统计模型——把借款人的各种信息（收入、年龄、职业、信用历史等）输入模型，输出一个信用分数或违约概率。
最常用的模型是逻辑回归模型——它把违约概率映射为一个sigmoid函数，输入是各种财务和非财务指标。更先进的方法包括随机森林、梯度提升树等机器学习算法——它们能捕捉变量之间的非线性关系，预测精度通常更高。
信用违约互换（CDS）
信用违约互换（Credit Default Swap, CDS）是一种信用衍生品——CDS的买方定期支付保费给卖方，如果约定的参考实体（如某公司、某债券）发生信用事件（违约、债务重组），卖方向买方支付赔偿。
本质上看，CDS就像为债券买的"违约保险"。如果你持有A公司的债券，担心A可能违约，你可以买A的CDS——一旦A违约，CDS卖方补偿你的损失。
CDS的另一个用途是做空信用——即使你不持有A的债券，也可以买A的CDS，赌A会违约。2008年金融危机中，约翰·保尔森就是通过大量买入次贷CDS做空中赚了几十亿美元。
本节速览
- 市场风险管理的核心工具：敏感性分析（久期、Delta）、VaR限额、压力测试、衍生品对冲
- 久期衡量债券价格对利率的敏感度，Delta衡量期权价格对标的的敏感度
- 压力测试评估极端情景下的损失，是VaR的重要补充
- 5C框架是信用评估的经典方法：品格、能力、资本、抵押、条件
- CDS是信用风险的对冲工具，本质上是"违约保险"
下一节我们讨论操作风险、流动性风险和企业全面风险管理——从单一风险走向综合风险框架。
信用风险管理的现代工具
传统的5C框架和信用评分模型是信用风险管理的基础，但现代金融机构还使用更先进的工具。
信用风险模型的发展经历了几个阶段。最早的是专家判断法（依赖信贷员的个人经验），后来发展出评分卡模型（基于统计方法的量化评估），近年来又出现了基于机器学习的信用评估模型。
信用评级迁移矩阵记录了一组债务人信用评级随时间变化的历史概率。比如，当前评级为BBB的债务人在一年后有多大比例会升级为A、维持BBB、降级为BB或违约？迁移矩阵是信用风险的动态管理工具——它帮助银行预测信用组合的未来质量变化。
信用组合模型（如CreditMetrics、CreditRisk+）从组合层面度量信用风险。它们考虑了债务人之间的违约相关性——当经济衰退时，多个债务人可能同时违约（违约相关性上升）。单笔贷款的违约概率和损失率容易估计，但组合层面的联合违约分布需要更复杂的模型。
信用衍生品除了CDS之外，还有更多工具：CDS指数（一篮子CDS的组合，如CDX和iTraxx）允许投资者一次性对冲或投机一整批企业的信用风险。合成CDO则进一步将CDS打包分层——与2008年的现金CDO类似，但底层资产是CDS合约而非实际贷款。
信用缓释技术也在不断发展。银行可以通过多种方式降低信用风险暴露：要求抵押品（房产、设备、存货）、要求第三方担保、购买信用保险、签订信用违约互换等。巴塞尔协议对各种信用缓释技术的认可标准和风险权重折扣有详细规定。
市场风险的极端情况管理
日常的市场风险管理（VaR限额、敏感度限额等）在正常市场条件下运作良好，但在极端市场条件下可能失效。
**流动性调整VaR（Liquidity-Adjusted VaR, LVaR）**考虑了在市场压力下资产变现的"流动性折扣"。正常条件下，100万的国债可以在几秒内以市价卖出。但在极端条件下，买卖价差可能从几个基点扩大到几十个基点，100万的国债卖出价可能只有99万甚至更低。LVaR在VaR的基础上加上这个流动性折扣。
**极端情景分析（Scenario Analysis）**比压力测试更加"自由"——你可以构造任何你认为是"合理但极端"的情景。比如："欧元区解体"（虽然概率极低，但如果发生后果极其严重）、"石油价格翻倍"、"主要新兴市场货币同时贬值30%"。这些情景不需要精确的概率估计——目的是检验"如果这种事发生了，我们还能不能活下去"。
**应急计划（Contingency Plan）**是极端风险管理的最后一个环节——当极端事件真的发生时，机构应该怎么做？谁负责决策？怎么削减头寸？怎么筹集应急资金？怎么向客户和监管机构沟通？一个有效的应急计划可以在危机发生时避免恐慌性的决策。
信用风险与市场风险的交互是风险管理中的一个重要话题。2008年金融危机揭示了一个事实：当市场风险和信用风险同时爆发时，它们会相互放大。
当房价下跌（市场风险）→房贷违约率上升（信用风险）→银行资产质量恶化→银行缩减放贷→经济进一步衰退→更多企业违约（信用风险进一步恶化）。这个恶性循环就是"金融加速器"效应。
另一个重要的交互是通过抵押品价值。很多信用风险头寸都有抵押品支持（如以房产为抵押的贷款）。当市场风险事件导致抵押品价值下跌时，信用风险头寸的"安全垫"变薄，需要追加抵押品或减少风险暴露。如果多个对手方同时面临这种压力，就会出现"追加保证金螺旋"——所有人都试图同时卖出手中的资产来筹集现金，导致资产价格进一步下跌，形成恶性循环。
这些交互效应提醒我们：风险管理不能把各类风险孤立地管理，必须考虑风险之间的关联性和交叉感染的可能性。
Python示例：VaR计算
以下是一个用Python计算简单VaR的示例代码，展示历史模拟法的基本思路：
import numpy as np # 模拟某投资组合的100天日收益率（单位：%） np.random.seed(42) daily_returns = np.random.normal(loc=0.05, scale=1.2, size=100) # 当前组合价值100万元 portfolio_value = 1_000_000 # 95%置信水平的VaR（按损失排序取第5百分位） sorted_returns = np.sort(daily_returns) var_index = int(len(sorted_returns) * 0.05) var_95 = -sorted_returns[var_index] * portfolio_value print(f"日收益率均值: {np.mean(daily_returns):.2f}%") print(f"日收益率标准差: {np.std(daily_returns):.2f}%") print(f"95% VaR(1天): {var_95:,.0f}元") print(f"95% VaR(10天): {var_95 * np.sqrt(10):,.0f}元")
运行结果会显示：在95%的置信水平下，该组合一天的VaR约为组合价值的1%-2%，10天的VaR则放大约3倍（sqrt(10)的效应）。这个简化示例帮助理解VaR的基本计算逻辑——实际应用中需要使用真实的收益率数据、考虑资产间的相关性和分布的非正态性。