【Python量化策略评估体系 #05】极端行情扛得住吗？2008/2015/2020 三场景压力测试

回测曲线一路向东北，夏普 1.8，你很满意。但放进 2008 年会怎样？2015 年连续跌停呢？2020 年疫情那种 V 型急跌呢？

不在极端行情里测过的策略，上线就是裸奔。

压力测试不是看历史最大回撤那么简单。本文教你用蒙特卡洛 + 三场景冲击，量化组合在极端行情下的尾部风险。

一、本文你将得到什么

1. 三种典型极端场景的冲击设计：2008 金融危机、2015 股灾、2020 疫情。
2. 蒙特卡洛模拟 1000 条路径，输出中位数、5% 分位、最大回撤、VaR、ES。
3. 一段可直接运行的 Python 脚本，输入你的策略收益率就能跑压力测试。

二、为什么做压力测试

历史回测只告诉你「过去发生过什么」，压力测试告诉你「如果再次发生会怎样」：

• 2008：系统性暴跌 + 流动性枯竭，资产相关性趋近于 1。
• 2015：杠杆断裂 + 连续跌停，波动率和左尾同时放大。
• 2020：突发黑天鹅 + 政策救市，急跌后快速反弹，V 型走势。

一个策略如果在三种场景下都死不掉，才有资格谈稳健。

三、压力测试设计思路

我们用历史日收益率分布作为「基础分布」，然后叠加三类冲击：

1. 均值下挪：整体收益环境变差。
2. 波动放大：标准差乘 2~3 倍。
3. 结构冲击 ：
   • 2008：随机加入 -5% 跳空（左尾）。
   • 2015：前 5 日连续 -7%。
   • 2020：前 1/3 急跌、中 1/3 震荡、后 1/3 反弹。

每个场景模拟 1000 条路径，观察组合净值分布。

四、代码实战

import json
import random
import numpy as np
from mairui import Client

DEMO_LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"  # 演示证书，请换成你自己的正式证书
CODE = "600519"
INIT_NAV = 100000.0   # 初始组合净值
POSITION_RATIO = 0.6  # 股票仓位 60%


def perturb_ohlc(bars, seed=2026091305):
    rng = random.Random(seed)
    out = []
    for b in bars:
        k = 1.0 + (rng.random() - 0.5) * 0.10
        nb = dict(b)
        for f in ("o", "c", "h", "l"):
            if f in nb and nb[f] is not None:
                nb[f] = round(float(nb[f]) * k, 2)
        out.append(nb)
    return out


def max_drawdown(nav_path):
    peak = np.maximum.accumulate(nav_path)
    dd = (nav_path - peak) / peak
    return float(dd.min())


def var_es(returns, alpha=0.05):
    sorted_r = np.sort(returns)
    idx = int(alpha * len(sorted_r))
    var = sorted_r[idx]
    es = sorted_r[:idx].mean()
    return float(var), float(es)


def scenario_paths(base_returns, scenario, n_path=1000):
    r = base_returns.copy()
    n = len(r)
    paths = []

    if scenario == "crisis_2008":
        mu_shift = -0.003
        vol_mult = 3.0
        for _ in range(n_path):
            shocks = np.random.normal(mu_shift, r.std() * vol_mult, n)
            jumps = np.random.rand(n) < 0.05
            shocks[jumps] -= 0.05
            nav = INIT_NAV * np.cumprod(1 + shocks * POSITION_RATIO)
            paths.append(nav)

    elif scenario == "crash_2015":
        for _ in range(n_path):
            shocks = np.random.normal(-0.002, r.std() * 2.5, n)
            if n >= 5:
                shocks[:5] = -0.07
            nav = INIT_NAV * np.cumprod(1 + shocks * POSITION_RATIO)
            paths.append(nav)

    elif scenario == "pandemic_2020":
        for _ in range(n_path):
            shocks = np.random.normal(0, r.std() * 2.0, n)
            t1, t2 = n // 3, 2 * n // 3
            shocks[:t1] += np.linspace(-0.04, -0.01, t1)
            shocks[t1:t2] += np.random.normal(0, 0.015, t2 - t1)
            shocks[t2:] += np.linspace(0.01, 0.04, n - t2)
            nav = INIT_NAV * np.cumprod(1 + shocks * POSITION_RATIO)
            paths.append(nav)

    return np.array(paths)


def summarize(paths):
    final_nav = paths[:, -1]
    total_returns = (final_nav - INIT_NAV) / INIT_NAV
    mdds = [max_drawdown(p) for p in paths]
    daily_returns = np.diff(paths, axis=1).flatten() / paths[:, :-1].flatten()
    var, es = var_es(daily_returns, 0.05)
    return {
        "期末净值中位数": round(float(np.median(final_nav)), 2),
        "期末净值 5% 分位": round(float(np.percentile(final_nav, 5)), 2),
        "总收益率中位数": f"{float(np.median(total_returns)) * 100:.2f}%",
        "总收益率 5% 分位": f"{float(np.percentile(total_returns, 5)) * 100:.2f}%",
        "最大回撤中位数": f"{float(np.median(mdds)) * 100:.2f}%",
        "最大回撤 95% 分位": f"{float(np.percentile(mdds, 95)) * 100:.2f}%",
        "日收益 VaR(5%)": f"{var * 100:.2f}%",
        "日收益 ES(5%)": f"{es * 100:.2f}%",
    }


np.random.seed(20260913)
client = Client(DEMO_LICENCE)
bars = perturb_ohlc(client.stock_history(code=CODE, period="d", dividend="f"))
closes = np.array([float(b["c"]) for b in bars])
base_returns = np.diff(closes) / closes[:-1]

scenarios = {
    "2008 金融危机（系统性暴跌 + 左尾跳空）": "crisis_2008",
    "2015 股灾（连续跌停 + 高波动）": "crash_2015",
    "2020 疫情（V 型急跌反弹）": "pandemic_2020",
}

result = {
    "基础日收益统计": {
        "样本数": int(len(base_returns)),
        "均值": f"{float(base_returns.mean()) * 100:.4f}%",
        "标准差": f"{float(base_returns.std()) * 100:.4f}%",
    },
    "压力测试结果": {},
}

for name, key in scenarios.items():
    paths = scenario_paths(base_returns, key, n_path=1000)
    result["压力测试结果"][name] = summarize(paths)

print(json.dumps(result, ensure_ascii=False, indent=2))

五、运行结果（演示环境）

{
  "基础日收益统计": {
    "样本数": 49,
    "均值": "0.0936%",
    "标准差": "3.8243%"
  },
  "压力测试结果": {
    "2008 金融危机（系统性暴跌 + 左尾跳空）": {
      "期末净值中位数": 75266.25,
      "期末净值 5% 分位": 34923.93,
      "总收益率中位数": "-24.73%",
      "总收益率 5% 分位": "-65.08%",
      "最大回撤中位数": "-46.00%",
      "最大回撤 95% 分位": "-22.86%",
      "日收益 VaR(5%)": "-11.75%",
      "日收益 ES(5%)": "-14.64%"
    },
    "2015 股灾（连续跌停 + 高波动）": {
      "期末净值中位数": 72580.76,
      "期末净值 5% 分位": 38035.42,
      "总收益率中位数": "-27.42%",
      "总收益率 5% 分位": "-61.96%",
      "最大回撤中位数": "-38.51%",
      "最大回撤 95% 分位": "-20.64%",
      "日收益 VaR(5%)": "-9.27%",
      "日收益 ES(5%)": "-11.69%"
    },
    "2020 疫情（V 型急跌反弹）": {
      "期末净值中位数": 98450.61,
      "期末净值 5% 分位": 58464.43,
      "总收益率中位数": "-1.55%",
      "总收益率 5% 分位": "-41.54%",
      "最大回撤中位数": "-32.82%",
      "最大回撤 95% 分位": "-16.00%",
      "日收益 VaR(5%)": "-7.72%",
      "日收益 ES(5%)": "-9.69%"
    }
  }
}

关键结论：

• 2008 / 2015：组合大概率腰斩，5% 分位下亏损超过 60%，说明单一高仓位策略在极端行情下非常脆弱。
• 2020：中位数接近回本，但 5% 分位仍亏损 41%，说明 V 型反弹对大多数人只是「幸存者偏差」，尾部风险不可忽视。

六、常见坑与注意

1. 不要把历史最大回撤当压力测试。历史最大回撤只是过去发生过的最坏情况，不代表未来。
2. 仓位是核心变量。示例里股票仓位 60%，如果你仓位 90%，所有损失数字会再放大 1.5 倍。
3. 不要只跑一个场景。三种场景分别测试系统性暴跌、流动性危机、黑天鹅 V 型，漏掉任何一种都可能踩雷。
4. 演示证数据窗口有限。正式环境换自己的 licence 后，可用更长的历史窗口做 bootstrapping，模拟结果会更稳定。

七、小结

压力测试的价值不是预测未来，而是：

• 让你知道「如果 2008 重来，我会亏多少」。
• 让你在上线前决定是否降仓位、加对冲、或重写策略。
• 让你在客户问起时，有数字而不是有信仰。

下篇预告：【Python量化策略评估体系 #06】策略上线前 8 项必查：一份可落地的评估 checklist。

---

了解更多

• 代码与文档：github.com/MaiRuiApi

免责声明：本文仅为技术方法演示，不构成投资建议。历史表现不代表未来收益，投资有风险，入市需谨慎。