風險模擬

風險建模

風險建模是對決策損失的可能性和程度的系統評估：限制，儲備，對沖，自動策略和措施的優先級。下方是從威脅圖到模型操作的端到端框架。

1）風險圖和KRI

領域：運營（事件/SLA），財務（FX，流動性），雜貨（質量/轉換），行為（frod/RG），監管（罰款，封鎖），合作夥伴（附屬機構/提供商），IB（泄漏/闖入），模型風險。

KRI （Key Risk Indicators）：事件頻率、p95/99延誤、charjbacks比例、FPR antifrod比例、投訴比例、語音共享負數、監控覆蓋、「預警信號」（領先）vs後果（lagging）。
所有KRI都具有所有者，頻率，閾值，滯後和升級通道。

2）頻率×嚴重程度： 損失的基本數學

[
N \sim \text{Poisson}(\lambda)\ \text{или}\ \text{NegBin}(r,p),
\quad X_i \sim F_{\text{severity}}(\theta),
\quad L=\sum_{i=1}^{N} X_i
]

頻率（N）：Poisson（罕見的獨立事件），NegBin（超細度/聚類）。
嚴重程度（X）：Lognormal（中等尾巴），Gamma，Pareto/Log-Pareto（厚尾巴），混合模型（混合）。
零侵入：有許多零。
審查/專營權：記賬截止日期/保險限額。

Loss Distribution Approach （LDA）：選擇（\lambda）和重度參數,然後選擇Monte Carlo或卷積（FFT） →尾部指標。

3）尾部風險和EVT

• Block Maxima → GEV，Peaks-Over-Threshold → GPD，閾值選擇（u）+穩態檢查。
• 校準尾部穩定性（QQ-plot, Hill estimator）。
• 目標是正確估計罕見的重大損失（1/100-1/1000）。

4）依賴性： 相關性和共性

• Gaussian（簡單但微弱的尾巴握把），Student-t（尾巴），Clayton/Gumbel（不對稱尾巴）。
• 首先將邊緣化（severity/頻率）擬合，然後將copulu用於風險和濃度組合的聯合建模。

5）風險指標和經濟指標

VaR（_\alpha)：損失分數（例如99％）。
CVaR/Expected Shortfall（_\alpha)：超出VaR極限的平均損失是尾巴的首選。
EL/UL：預計/意外損失。
RAROC: (\text{Risk-Adjusted Return on Capital}=\frac{\text{Доход} - \text{Ож.損失}{\text{風險資本}}。
風險資本：覆蓋率（例如CVaR 99。5%）+緩沖區。

6）情景和壓力測試

腳本=輸入沖擊+相關+業務規則。

類型： 歷史（2020年 Covid高峰）、假設（監管鎖定、PSP外賣）、反向（"哪些沖擊給損失帶來≥ X？»).

結果是損失範圍，不是點。記錄假設和決策渠道（限制/上限/暫停）。

7）貝葉斯和知識更新

貝葉斯頻率/嚴重程度：先驗者（Gamma-Poisson，具有信息性超參數的Lognormal）→數據到達時的在線更新。
適用於小型采樣/新興市場（pooling,分層模型）。

8）數據和質量（點對點時間!）

數據合同： 電路,密鑰,時區,事件轉換,調整標誌.

點對點正確性：沒有未來的學習信號（特別是對於假人/操作故障）。
政策變更/主義。測量：進入事件日歷。
停滯和轉變：在關鍵對決中分析漂移（PSI/KL）。

9）建模過程（步驟）

1.定義案例和視野：有什麼是「損失」，時期，單位（品牌×國家×頻道）。
2.形成dataset：頻率，重量，協變量（季節性，促銷，FX，提供商）。
3.家庭選擇：Poisson/NegBin × Lognormal/Pareto（檢查QQ 筏/KS/AD測試）。
4.依賴性：用於投資組合匯總的copula/因子模型。
5.校準：MLE/Bayesian；審查制度，棄權，出賣人的會計。
6.驗證/備份：尾巴覆蓋，參數穩定性，壓力敏感性。
7.Monte Carlo：（10^5）-（10^6）運行；評估VaR/CVaR，場景損失。
8.解決方案：限制，上限，暫停，備用變量，RAROC優先級措施。
9.文件：模型卡，腳本護照，運行簿。

10）與策略和自動化集成

觸發因素：超過KRI/VaR/CVaR閾值→步驟（增強KYC，3DS-enforce，降低限制，旋轉支付渠道，關閉促銷活動）。
滯後/culdown：不同的進出閾值,避免「閃爍」。
風險隊列：按（\mathbb {E} ［EV］）分類=避免的損害−措施成本−傷害。

11）復合模型示例（pseudo-Python）

python import numpy as np

1) frequency (week) and severity (EUR)
lam = 3. 2            # Poisson rate mu, sigma = 6. 0, 1. 1      # Lognormal params (ln-space)
S = 200000           # simulations

N = np. random. poisson (lam, S) # event rate sev = lambda n: np. exp(np. random. normal (mu, sigma, n)) # severity loss = np. array([sev(n). sum() if n>0 else 0. 0 for n in N])

VaR99 = np. quantile(loss, 0. 99)
CVaR99 = loss[loss >= VaR99].mean()
EL   = loss. mean()

層次結構/投資組合：計算每個細分,然後通過copula/因子或經驗協作樣本進行聚合。

12）限額和資本管理

限額：通過渠道/國家/提供商,與有效的CVaR相關聯。
儲備金：覆蓋率（例如CVaR 99%）+管理緩沖區。
風險轉移：再保險/保險、對沖外匯、供應商多元化。

13）模型風險和Hovernance

模型卡（模板）

目的和應用範圍；VaR/CVaR/覆蓋度量；數據和時期；假設；限制；敏感性；公平性/倫理；業主；版本；審計日期。

MLOps/ModelOps：模型註冊表，版本控制，影子/金絲雀發射，在線/離線特征親和力，質量和漂移監測，自動變量，「停止起重機」。

驗證/退款

大鼠：尾部塗層（Kupiec/Christoffersen），參數穩定性，壓力穩定性，替代規格。

14）在銷售和runibuki監視

度量標準

VaR塗層（實際突破/預期），CVaR校準，EL/UL揚聲器。
輸入漂移（PSI），「新」段的份額，極限過熱。
操作：後期計算，接線延遲，百分比後退。

Runbook（示例「沖刺爆發」）

1.檢查數據的新鮮度和標簽是否正確。
2.激增細分（國家/付款/設備/合作夥伴）。
3.在受影響的細分市場中啟用步進KYC/3DS，降低限制。
4.運行壓力腳本「PSP損失」,重新計算CVaR。
5.與渠道所有者溝通，補償計劃。
6.回顧和更新模型/規則設置。

15）腳本護照（template）

ID/版本,日期,所有者

敘述： 發生了什麼（監管禁令× FX沖擊×外部PSP）

沖擊： （\Delta）頻率，嚴重性/相關性變化，持續時間

損失評估： EL/VaR/CVaR（日/周/月）

對策： 限制/轉換供應商/通訊/保險

出口點： 取消措施的條件（滯後）

16）KRI護照和限制（簡述）

KRI：代碼，定義，公式，窗口，「warn/critical」閾值，滯後，所有者，alert通道。
限制：對象（通道/國家/提供商），度量（CVaR99/EL），值，時期，優先級，超出時的操作，例外/時間窗口。

17）反模式

依靠中間而不是尾巴；「美麗的RMSE」和壞的CVaR。
沒有tail-dependence的「原樣」相關性。
缺少Point-in-Time →泄漏，重新評估「準確性」。
忽略場景/壓力；一個「全部」模型。
靜默編輯沒有版本/changelog的參數。
政治上沒有滯後→浮動措施。

18）風險建模輪廓發布前的支票清單

• 風險卡和KRI已完成，業主已指定
• PIT數據、來源合同、事件/政策日歷
• 校準頻率和嚴重程度,驗證尾巴（EVT）
• 建模依賴性（copula/factor），匯總投資組合
• VaR/CVaR的後代、塗層和參數穩定性正常
• 腳本和壓力測試準備就緒，護照和跑步簿簽發
• 與限制/引擎/策略集成,磁滯啟用
• Model Card,版本、所有者、監控和變量配置

底線

風險建模不是「估計平均損失」，而是管理尾巴：正確的頻率和嚴重程度，極端情況的EVT，通過copula，場景和壓力測試，VaR/CVaR和經濟指標（RAROC），以及ModelOps學科。這樣的輪廓將風險從「黑天鵝」轉變為具有限制，儲備和明確行動的量化解決方案。