壓力測試

目的是在軟件投入使用以前或軟件負載達到極限以前，通過執行可重複的負載測試，瞭解系統可靠性、性能瓶頸等，以提高軟件系統的可靠性、穩定性，減少系統的宕機時間和因此帶來的損失。

情境壓力測試即主體向被觀察者佈置一定任務和作業，藉以觀察個體完成任務的行為。工作樣本測驗、無領導小組討論都可算作情境壓力測驗。

在軟件工程中，壓力測試是對系統不斷施加壓力的測試，是通過確定一個系統的瓶頸或者不能接收的性能點，來獲得系統能提供的最大服務級別的測試。例如測試一個 Web 站點在大量的負荷下，何時系統的響應會退化或失敗。網絡遊戲中也常用到這個詞彙。

2009年9月7日下午，移動公司開商務車裝載200多部電信手機，在温州某大學邊上不停撥打，導致電信網絡癱瘓。電信發現後連車帶人押送到公安局，在公安局，移動自稱沒有違法，只是幫電信做壓力測試。

“壓力測試”與俯卧撐、打醬油等詞彙一樣，成為網絡流行詞彙。

壓力測試、終端機性能功率、各項性能趨勢指標等。

識別那些可能提高異常利潤或損失發生概率的事件或情境，度量這些事件發生時銀行資本充足率狀況。測試的質量取決於構造合理、清晰、全面的情景。

銀行的壓力測試通常包括信用風險、市場風險、操作風險、其他風險等方面內容。壓力測試中，商業銀行應考慮不同風險之間的相互作用和共同影響。

壓力測試包括敏感性測試和情景測試等具體方法。敏感性測試旨在測量單個重要風險因素或少數幾項關係密切的因素由於假設變動對銀行風險暴露和銀行承受風險能力的影響。情景測試是假設分析多個風險因素同時發生變化以及某些極端不利事件發生對銀行風險暴露和銀行承受風險能力的影響。

壓力測試能夠幫助商業銀行充分了解潛在風險因素與銀行財務狀況之間的關係，深入分析銀行抵禦風險的能力，形成供董事會和高級管理層討論並決定實施的應對措施，預防極端事件可能對銀行帶來的衝擊。對於日常管理中廣泛應用各類風險計量模型的銀行，壓力測試應成為模型方法的重要補充。壓力測試也能夠幫助銀監會充分了解單家銀行和銀行業體系的風險狀況和風險抵禦能力。

進行壓力測試的方法，大致可歸納為兩大類： ^[1] 

（1）敏感度分析（sensitiveanalysis）

此方法是利用某一特定風險因子或一組風險因子，將因子在執行者所認定的極端變動的範圍內變動，分析其對於資產組合的影響效果。這一分析方法的優點在於容易瞭解風險因子在可能的極端變動中，每一變動對於資產組合的總影響效果及邊際效果，缺點則是執行者對於每一逐漸變動所取的幅度及範圍必須十分恰當，否則將會影響分析的結果與判斷，特別是對於非線性報酬率的資產組合，這種情況將更為顯著。

（2）情景分析（scenarioanalysis）

即一組風險因子定義為某種情景，分析在個別情景下的壓力損失，因此此類方法稱為情景分析。情景分析的事件設計方法有兩種：歷史情景分析和假設性情景分析。

① 歷史情景分析（Historicalscenario）：利用某一種過去市場曾經發生的劇烈變動，評估其對資產組合會產生什麼影響。例如考慮1987年美國股市崩盤，計算當時的歷史變動幅度，並依此基礎分析評估對資產組合的影響。BCGFS（2001）的研究顯示，1998年俄羅斯政府違約事件，是金融機構用來在信用風險壓力測試上使用的壓力事件，其他如中南美洲比索風暴、東南亞金融風暴亦是很重要的壓力事件。這種方法的優點是具有客觀性，利用歷史事件及其實際風險因子波動情形，在建立結構化的風險值計算上較有説服力，且風險因子間的相關變化情形也可以依歷史數據作為依據，使模型假設性的情形降低許多。此外，這種模型較直覺，重大歷史事件的深刻印象將使風險值與歷史事件緊密結合，管理者在設定風險限額時，便可依歷史事件的意義來進行評估，使決策更具説服力。

但這種方法的缺點在於現今金融市場變動非常迅速，許多金融商品不斷創新，因此歷史事件無法涵蓋此類商品，且某些商品的歷史價格未出現極端情況，亦無法利用此方法進行衡量。雖然過去發生過的情景未來不一定會再發生，但使用歷史情景分析方法來對資產進行風險管理，至少可保證過去的壓力事件，在事前預防下，未來不會重演。

② 假設性情景分析：僅以歷史情景分析進行壓力測試有其限制，參考歷史事件並另建立對於每個風險因子可能產生的極端事件，將使得壓力測試更具完整性，這就是假設性情景分析。這種分析方法銀行可自行設計可能的各種價格、波動及相關係數等的情景，這些計算的設定主要來自經驗及主觀。 ^[1] 

壓力測試通過確定一個系統的瓶頸或者不能接收的性能點，來獲得系統能提供的最大的服務級別的測試。通俗地講，壓力測試是為了發現在什麼條件下您的應用程序的性能會變得不可接受。

極限壓力測試舉例：

（1） 接收大數據量的數據文件時間；

（2） 大數據恢復時間；

（3） 大數據導入導出時間；

（4） 大批量錄入數據時間；

（5） 大數據量的計算時間；

（6） 多客户機同時進行某一個提交操作；

（7） 採用測試工具軟件；

（8） 編寫測試腳本程序；

（9） 大數據量的查詢統計時間。

實例：

在一個系統內，僅有一個用户登錄使用相同的操作，對不同的數據量進行測試。記錄下數據量和對應的資源佔用率，響應時間。

案例：HKMA於2006年對香港零售銀行業面臨宏觀經濟衝擊時的信用風險暴露進行壓力測試。分析結果表明，銀行貸款違約率與關鍵宏觀經濟因素（包括香港GDP、利率、房價以及內地 GDP）之間有明顯的相關性。

測試的結果是以VaR計，在90%的置信水平上，銀行能繼續盈利，説明信用風險較小。在極端情況下，以VaR計，在99%的置信水平上，有些銀行會面臨損失，不過這種極端情況發生的概率非常低。這只是一個預警。

測試過程分成以下幾個步驟：

步驟一：定義模型

步驟二：估計模型

步驟三：模型估計結果分析

步驟四：設計衝擊場景

步驟五：構造頻率分佈

步驟六：計算均值和VaR

步驟七：測算銀行盈利能力所受影響

把它的過程歸納成七個步驟，包括後面計算盈利能力的方面。首先是定義一下這個模型，在模型有自變量和應變量，它定義了4個應變量。應變量是它需要考察信用違約率，它違約率的定義是這樣的，逾期3個月以上的貸款和貸款總額，不知道銀行是不是用違約率這麼一個數據。這個數據算出來也挺難的，平時公佈的數據，還是不良貸款率公佈得比較多，關於違約率的定義沒有比較準確的，有的是定義上一期能夠正常還款下一期不能正常還款的，所以看到違約率的定義也有幾種。不良貸款畢竟前幾年商業銀行剝離的政策原因太大了，可能這個時間序列有一定的不可抵因素，就是歧義點太多。

看一下這個估計模型，這是94年4月到06年1月的零售銀行的數據。前面是自變量，這是用歷史數據估算出來的結果，包括了參數變量也體現出來了。最下面是觀測值，還有測試的個數。

可以看得出來，它的符號還是一致的，因為前面是違約率用Log這個函數給它導了一下，所以經濟環境越好的話，資產的質量會越高，這樣的話，VaR的數值應該越低。可以看得出來，這跟經濟增長和房地產的價格，跟利率是呈正相關的。

同時，這上面提了一下，其實自變量裏面有很多的二級滯後項，這是剔除了一級滯後項以後得出的，原本很多其他的相關變量沒有列進來了，所以這是最後模擬出來的結果。模擬出來這個方程以後，下一步是要設定的衝擊場景。先要設計模型、估計模型，最後要把新的數據帶到我們模型裏面去。就是把先的自變量帶到模型裏面，讓它變成新的應變量。那麼，新的自變量怎麼辦呢？比如説我們的經濟衝擊發生以後，我們的影響是怎麼樣的。實際上，它和經濟危機是差不多的，碰到了4個衝擊點。一個是我剛才提到的4個自變量，它對於每個變量都有一個衝擊，第一個是香港實際GDP的變化，還有一個是大陸實際GDP的變化，還有利率和房地產。它不是隻對當期的自變量發生了變化，它實際上是延長了時間，把這個影響時間變成了2年。所以，在金融危機以後，這個應變量應該發生多大的變化。在97年的四季度利率是306個基點，後面兩個季度下降了，第四個季度又上升了314個基點。可以看得出來，一開始是300多個基點，後面兩個季度沒有變化，第四個季度上升上來了，這跟當時的亞洲金融危機的衝擊差不多。

然後，緊接着下來是要模擬了，因為把這個數據輸入到模型裏面去以後，可以模擬出來的數據以後，可以把新的概率分佈算出來了。當然，這還有一個假設，就是在四季度以後不再有衝擊了，對每一個基期場景和壓力場景對未來違約率路徑進行1萬次的模擬。有了新的頻率分佈以後，可以構造我們信用損失百分比的頻率分佈。剛才模擬的是違約率的頻率分佈，我們的損失百分比的數據應該是違約率乘上違約損失率。要定義一下違約損失率這個數據，這個數據比較有爭議，到底怎麼定？如果沒有合適的統計量，對於市場的有關信息來賦值，通常定為50%。按照BASELII要求LGD取45%，但這個數字並不十分合理。所以，定義為2%低點的公式。這樣，可以用違約損失率乘以我們剛剛計算出的違約率的數，這樣可以得出一個信用損失百分比頻率分佈的數據。衝擊發生了以後，實際上我們把頻率往右移了，可以看出信用損失百分比的數據，出現高的數據頻率增加了，原來是把這個頻率往外偏移，所以可以看出較高信用損失百分比出現的頻率增加了，較小的信用損失百分比出現的頻率減少了。

通過算分佈可以算出信用損失百分比的均值，還可以算出遭受損失的概率是多大，可以做這麼一個精細的判斷。這是計算以後的結果，它的均值是這樣的，首先是基期沒有發生信貸信用損失百分比，均值是0.34，壓力期GDP衝擊是1.59，房價衝擊是1.21，利率衝擊是0.71，大陸經濟衝擊是0.73。在VaR90%信用損失百分比是這個數據，隨着置信區間的增加，損失的百分比也是遞增的。最後一個是99.99%，這個時候已經是相當高了，後面兩個已經接近10%，前面的已經超過10%了。

在90%的置信水平的情況下，可以看出3%以下還是過得去的。在99%的情況下，數值已經比較高了，這是在3.22，這是最低的值，最高的到了5.56，應該是比較高了。這跟金融危機發生1年以後的情況是比較吻合的，所以做壓力測試要考慮一下當期和影響的延長期還是比較符合實際的。這裏面的測算是在亞洲金融危機以前，銀行用這個測算可以算出銀行貸款損失率為1.4%，貸款損失率上升到6.0%，但是這個估計是基於估計LGD為70%。那麼，這就給提出一個問題，這是不是合理，這可能是在測試的時候需要考慮的。

最後一步是測算衝擊對銀行盈利能力的影響。也許銀行管理層覺得，這個VaR值或者是概率是多少，可能在90%的置信期間裏面有多大的，在99%到底有多大，這對於盈利能力有多少？盈利下降了多少？是不是可以給這麼一個數據，那麼也可以通過一個測算算得出來。如果認可前面的測算，就是貸款損失百分比，通過這個可以算出來，損失肯定是等於貸款損失百分比乘貸款餘額。就是衝擊發生以後，銀行的盈利能力發生的變化。首先，沒有發生違約的情況下，那麼它未來衝擊發生以後它的盈利應該比當前或者是基期是一樣的。如果我盈利是30億，那麼衝擊以後屬於沒有發生違約，那麼這個盈利是一樣的。如果發生了衝擊以後，如果我下降了，下降了多少就是損失。

假設有一家銀行，這家銀行撥備前利潤是30億，貸款餘額是1300億港幣。假設有一家銀行規模是這麼大，可以用上面的貸款損失百分比來測算，這家銀行在發生了衝擊以後，在不同的置信區間裏面它的盈利能力會受到多大的影響，這是得出的結果。

單位用百萬來表示，正的數據是表示盈利，負的就表示已經損失了，管理層看到這張表可能就比較清楚了銀行可能發生多大的損失。

比如説在90%的區間裏面，香港的GDP衝擊情況下這家銀行要虧損8.82萬億港幣。那麼，這個是99.99%，就是這個事情發生的概率非常強了，因為置信區間在99.99%，是0.001%的可能性，這個損失已經是到了133億了。在不同的置信區間裏面，它的損失是不一樣的。回想一下，如果沒有模擬，就是一個假設，假設GDP是多少，剛才已經提出來了，從前面可以看到，GDP的數據是多少，在每一個季度是多少，如果沒有模擬，直接把這個數據帶回到模型裏面，只算出一個貸款百分比的數據。有了模擬以後，就知道它的均值是多少，在不同的置信區間裏面是多少。這樣，管理層可能會感覺清醒一點。比如説基期在沒有違約的情況下，是2554百萬，還是挺好的。如果做壓力測試把這張表給管理層，就很清晰地知道損失有多大了。

最後有一個表述，在90%的置信水平下，VaR值是882萬，如果在99%的水平下，VaR值是比較大的，導致這樣的VaR的極端場景發生的概率是1%。