风险分析与压力测试Skill：把 VaR、CVaR、压力测试与尾部风险一次算清
- 一套系统化的风险测量框架：覆盖 VaR（三种算法）、CVaR/ES、最大回撤、蒙特卡洛模拟、历史与假设情景压力测试、极值理论尾部拟合，属于 analysis 类技能。
- 输入很轻，输出很重：只需一条收益率序列（或净值序列）与组合权重，即可产出标准化风险分析报告，含核心指标表、压力测试结果表、蒙特卡洛统计与风控建议。
- 自带危机情景库：内置 2008 金融危机、2015 A股异常波动、2018 贸易摩擦、2020 疫情冲击、2022 加息周期等历史情景，另有 4 类假设情景模板，可直接对组合做“危机重演”。
- 不止给数字，还给动作：报告结尾会给出止损位设定、对冲比例、分散化失效提示等可执行建议。
- 技能 ID 为 14243，可与回测、资产配置类技能串联，把“回测好看”推进到“风险可控”。
该技能叫什么？如何一键安装 AI 技能提升开发效率？
技能中文名：风险分析与压力测试 技能英文名：风险分析与压力测试（技能内部英文标题为 Risk Measurement and Stress Testing） 技能 ID：14243 技能分类：analysis（分析类）
它解决什么问题
做量化回测或资产配置时，最常见的困境是：净值曲线很漂亮，但没人说得清“最坏会坏到什么程度”。metrics.csv 里通常只有 max_drawdown 和 sharpe 两个指标，既没有 VaR/CVaR，也没有情景压力测试，更谈不上尾部风险判断。这个技能的价值在于——把风险测量从“零散拼脚本”变成“一次对话出一份报告”，同时给出可直接执行的风控约束建议。
一键安装的思路与步骤
所谓“一键安装”，本质是把技能的说明文件（SKILL.md，含 name / description / category 元信息）导入到你使用的 AI 助手或技能市场中，让助手在后续对话中自动按这套方法论工作。具体操作路径以你所使用平台的官方说明为准，通用步骤如下：
- 确认安装前提：你的 AI 助手需支持技能/插件机制；本地需可运行 Python，并具备
numpy、pandas、scipy三个基础科学计算库（技能中的 VaR、GPD 拟合、蒙特卡洛实现均依赖它们）。 - 获取技能包：在技能市场或技能管理器中，按名称「风险分析与压力测试」或技能 ID 14243 检索并安装；若平台支持上传，可直接导入技能详情文件。
- 核对元信息：安装后确认技能的
category为 analysis、description与实际一致，避免与其它分析类技能混淆。 - 准备数据：一份日频（或更高频）收益率序列，或净值序列；若为组合，另需各资产权重。可选提供基准收益与风险预算设置。
- 验证是否生效：用一个几十行的样例收益序列发起请求，例如“请用风险分析与压力测试Skill，对这份日收益率序列计算 95% 与 99% 置信度下的 VaR 和 CVaR，并做最大回撤分析”。若返回结构化的风险指标表（含波动率、最大回撤、VaR、CVaR、偏度、峰度），说明技能已正常工作。
- 说明：安装命令、入口位置、是否收费等细节，请以官方说明为准，本文不代为承诺。
该技能的主要功能和特点
- VaR（在险价值）三算法并行：历史模拟法（对历史收益排序取分位数，不假设分布）、参数法（
VaR = μ - z_α × σ，计算快但依赖正态假设）、蒙特卡洛法（模拟 N 条路径取分位数，灵活但计算量大）。技能会同时输出多种方法的结果，方便交叉验证。 - CVaR / ES（条件在险价值）：计算超过 VaR 阈值后的平均损失，比 VaR 更保守。技能特别提示：CVaR 满足次可加性，可用于组合风险分解，而 VaR 不满足；监管趋势也从巴塞尔 II 的 VaR 转向巴塞尔 III 的 CVaR。
- 最大回撤全周期分析：不止给出回撤幅度，还返回峰值日期、谷底日期、修复日期、水下天数、修复天数，让“回撤多久能爬出来”这一问题有答案。
- 蒙特卡洛模拟（几何布朗运动）：默认可生成 1 万条路径的模拟结果，输出期望收益、中位收益、收益标准差、模拟 VaR/CVaR、亏损概率、最差 5% 与最好 5% 分位。
- 历史情景压力测试：内置 5 类真实危机情景的参数，直接映射到股票、债券、BTC 等资产类别。
- 假设情景压力测试：内置利率上行 100bp、信用危机、流动性枯竭、地缘政治冲突四类情景模板，支持按“权重 × 冲击 × 持仓”计算组合损失。
- 极值理论（EVT）尾部拟合：用 POT（超阈值法）拟合广义帕累托分布，输出形状参数 ξ，判断是“肥尾（危险）”还是“薄尾（相对安全）”。
- 尾部风险指标组：峰度（>3 视为肥尾，A股常在 4–8 区间）、偏度（<0 为左偏，意味着大跌比大涨更常见）、尾部比率（最差 5% / 最好 5%，>1 说明下行风险更大）、Hill 估计（尾部指数 α<2 属极肥尾）。
- 标准化输出报告：固定输出“核心风险指标表 + 压力测试结果表 + 蒙特卡洛统计表 + 风控建议”四段式结构，便于直接粘贴进研究报告或投委会材料。
和普通工具比强在哪：普通工具给你一个数，这个技能给你一条完整链路——测量（VaR/CVaR/回撤）→ 模拟（蒙特卡洛）→ 情景（历史 + 假设）→ 尾部（EVT）→ 建议（止损、对冲、分散化折扣）。
如何使用该技能？
第一步：准备输入
必需输入：
- 收益率序列（日频或更高频），或者净值序列；
- 若分析的是组合，需要各资产权重。
可选输入：
- 基准收益率（用于相对风险分析）；
- 风险预算或约束设置（用于判断压力测试损失是否“可接受”）。
对话式调用示例：
请使用风险分析与压力测试Skill 分析附件中的日收益率序列：置信度取 95% 和 99%，持有期 1 天；蒙特卡洛模拟 10000 条路径、252 个交易日；压力测试至少包含 3 个历史情景和 2 个假设情景；最后给出风控建议。
第二步：按技能内置的 7 步流程走
- 数据预处理：计算收益率、检查缺失值、处理异常值。
- 描述性统计：均值、波动率、偏度、峰度、最大回撤。
- VaR / CVaR 计算：三种方法 × 95% 与 99% 双置信度对比。
- 蒙特卡洛模拟：默认 1 万条路径，输出分布统计与模拟 VaR。
- 压力测试：≥3 个历史情景 + ≥2 个假设情景。
- 尾部分析：拟合 GPD，判定尾部类型。
- 风控建议：基于上述结果给出具体建议。
第三步：理解输出
技能的标准输出是 Markdown 报告。以下为结构示意（数值为示例，非真实结果）：
| 指标 | 数值 |
|---|---|
| 日波动率 | 1.85% |
| 年化波动率 | 29.3% |
| 最大回撤 | -32.5%（2024.09.15 → 2024.11.20） |
| VaR（95%，1日） | -2.8% |
| CVaR（95%，1日） | -4.2% |
| 偏度 | -0.45 |
| 峰度 | 5.2（肥尾） |
| 压力情景 | 组合损失 | 是否触发止损 |
|---|---|---|
| 2020 疫情冲击重演 | -18.5% | 否 |
| 利率上行 100bp | -12.3% | 否 |
| 流动性枯竭 | -28.7% | 是 |
报告最后通常附三条左右的风控建议，例如“建议设置 -15% 的组合止损线”“尾部风险偏高，可考虑配置 5% 黄金对冲”“压力市场下相关性趋近于 1，分散化效果会被打折”。
第四步：可直接复用的关键公式调用
# 历史模拟法 VaR：对历史收益排序后取分位数
var_95 = historical_var(returns, confidence=0.95, horizon=1)
# 组合压力测试损失：权重 × 情景冲击 × 持仓
portfolio_loss = sum(w * shock for w, shock in zip(weights, shocks))
调用时把 returns 换成你的收益率序列即可，horizon 大于 1 时技能采用平方根时间法则折算（注意：该方法仅在收益独立同分布时成立）。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势 | 不足 |
|---|---|---|---|---|---|---|
| 风险分析与压力测试Skill（本技能） | AI 对话式风险测量框架 | VaR/CVaR/最大回撤/蒙特卡洛/历史与假设情景压力测试/EVT 尾部拟合/风控建议 | 需支持技能的 AI 助手 + Python 与 numpy/pandas/scipy；对话即可调用 | 回测结果风险复核、组合压力测试、投研报告撰写 | 方法论成体系、输出即报告、含建议闭环、无需从零写代码 | 依赖输入的收益序列质量；情景参数为技能内置参考值，需结合自身持仓校准 |
| 电子表格手工测算 | 通用办公工具自建模板 | 均值、标准差、简单分位数、手工回撤计算 | 门槛最低，会公式即可 | 单人、小规模、一次性测算 | 直观、无环境依赖 | 蒙特卡洛与 GPD 拟合难以实现；情景切换需手工改表；易出错且不可复现 |
| 开源量化分析库自行拼装 | 面向程序员的代码方案 | 绩效与风险指标计算、绘图 | 需写代码、装依赖、自己设计流程 | 有工程能力的量化团队 | 灵活度最高、可深度定制 | 需要自己决定用哪种 VaR、自己实现尾部拟合与压力测试；方法论易缺项 |
| 商业风险管理终端/系统 | 机构级风险管理系统 | 组合风险分解、情景分析、合规报表 | 采购与实施成本高，需培训 | 大型资管、银行风控部门 | 数据与报表体系完整、合规支持强 | 成本与接入门槛高，个人与中小团队难以承担；定制流程周期长（具体以各厂商官方说明为准） |
选型建议：个人投资者与中小团队优先用本技能快速拿到全套指标；已有成熟代码体系的团队可把它当作“方法论检查清单”，对照补齐缺失的尾部分析与压力测试环节。
该技能的典型应用场景与实际体验情况
场景一：量化研究员的回测风险复核
角色与痛点：策略回测显示年化收益不错，但 metrics.csv 只有最大回撤和夏普，无法回答“极端行情下会不会爆仓”。
使用方式：把策略的日收益序列喂给技能，要求同时输出 95%/99% 双置信度的 VaR 与 CVaR、回撤修复天数，以及 3 个历史情景下的策略损失。
实际体验：上手几乎没有门槛，一次对话即可拿到四段式报告；效果上最有价值的是“CVaR 通常是 VaR 的 1.3–1.8 倍”这类对照，能立刻暴露参数法 VaR 低估风险的问题。注意事项：如果策略持仓发生过结构性变化（如换了因子体系），历史模拟法的参考意义会下降，需配合假设情景。
场景二：资产配置经理的组合压力测试
角色与痛点：多资产组合（股票、债券、黄金、BTC）在正常市况下相关性低、看起来分散得很好，但担心危机时“一起跌”。 使用方式：提供各资产权重，套用技能内置的“流动性枯竭”“信用危机”“地缘政治冲突”假设情景，观察组合损失与止损触发情况。 实际体验：技能内置的假设情景直接给出了各资产类别的冲击幅度，省去了自己假设参数的麻烦；输出会明确提示“压力市场下相关性趋近于 1，分散化收益会被打折”，这一点对组合再平衡决策很关键。注意事项：情景冲击是模板值，落地前应结合当前估值水平做调整。
场景三：个人投资者与加密资产持有者的尾部风险自查
角色与痛点：持仓集中在高波动资产，想直观知道“最差 5% 的情况有多差”。 使用方式：用净值序列跑一次蒙特卡洛（1 万条路径、252 天），看亏损概率与最差 5% 分位；再看偏度与峰度判断是否肥尾。 实际体验：结果比“感觉风险大”具体得多，尤其是“亏损概率”这个指标非常直观。注意事项：样本期太短（比如不足一年）会导致 GPD 拟合不稳定，技能文档也提示蒙特卡洛要设定随机种子以保证可复现，并建议至少 1 万条路径。
场景四：投顾与风控撰写客户沟通材料
角色与痛点：需要向客户解释“为什么建议设止损”“为什么建议配黄金”，但缺少量化依据。 使用方式：把技能输出的压力测试表与风控建议直接嵌入周报或月报。 实际体验：标准化表格省去了排版整理时间，建议条目也足够具体（止损位、对冲比例、分散化提示）。注意事项：向客户披露时需说明情景假设与数据区间，避免把历史情景结果表述为“未来保证”。
该技能能为用户带来的价值
- 效率提升：原本需要分别编写回撤计算、VaR 三法、蒙特卡洛、GPD 拟合、情景冲击等多段脚本，现在合并为一条分析流程，重复编码环节大幅减少，报告结构还保持统一。
- 门槛降低：极值理论、广义帕累托分布、平方根时间法则这些“知道概念但不会写”的方法，被封装成可直接调用的能力，非量化背景的用户也能拿到专业级指标。
- 决策质量提升：从“只看最大回撤和夏普”升级为“VaR + CVaR + 压力测试 + 尾部判定 + 风控建议”的完整视图，减少“回测很美、实盘很痛”的概率。
- 风险意识纠偏：技能在说明中反复强调 VaR 不是最大亏损、正态假设危险、历史不等于未来、相关性在危机中不稳定、平方根法则在自相关下失效——这些提醒本身就能避免大量误用。
- 长期价值：形成可复用的风险分析模板后，每次新策略上线、每次组合调仓，都能用同一套口径复核，风险管理的可比性与可追溯性显著提升。
常见问题 FAQ
Q1：这个技能怎么安装？需要会写代码吗？ A：安装路径是通过支持技能机制的 AI 助手或技能市场，按名称「风险分析与压力测试」或技能 ID 14243 检索导入；本地需具备 Python 与 numpy/pandas/scipy。日常使用只需用自然语言描述需求并附上收益序列，不必自己写代码；具体安装命令与入口以官方说明为准。
Q2：使用这个技能收费吗？ A：技能详情中未包含定价信息，是否收费取决于你所使用平台的规则，请以官方说明为准。技能本身依赖的开源科学计算库为通用开源组件。
Q3：VaR 是不是就是“最大可能亏损”？ A：不是。VaR 只表示“在给定置信度下，损失不超过某个值”，剩余概率区间的损失可能远大于它。这也是技能同时输出 CVaR 的原因——CVaR 衡量的是突破 VaR 之后的平均损失，更保守，且满足次可加性。
Q4：它适合谁用？不适合谁？ A：适合量化研究员、资产配置与 FOF 从业者、投顾及个人投资者做风险复核。不太适合完全没有收益序列数据、或只想要一个“结论数字”而不关心假设条件的用户——风险指标高度依赖输入数据区间与方法选择。
Q5：和直接用开源量化库或 Excel 模板相比，该怎么选？ A：如果只需一两个简单指标、样本量小，Excel 足够；如果有工程能力且需要深度定制，开源库更灵活。但如果你需要“成体系地覆盖测度—模拟—情景—尾部—建议”这条链路，又不想自己逐个实现方法，本技能的综合成本更低。三者也可以组合使用：用技能出报告，用开源库做长期自动化。