Разработка системы стресс-тестирования портфеля

Разработка системы стресс-тестирования портфеля

Стресс-тестирование — проверка портфеля в условиях экстремальных сценариев, которые выходят за рамки обычного статистического риска. VaR показывает «нормальный» риск. Стресс-тест показывает что происходит при настоящих катастрофах.

Типы стресс-тестов

Historical stress scenarios: применяем исторически случившиеся кризисы к текущему портфелю.

Hypothetical scenarios: моделируем возможные, но не произошедшие события.

Sensitivity analysis: изменяем один параметр (цена, волатильность, корреляция) и смотрим на P&L.

Reverse stress testing: ищем сценарии, при которых портфель теряет критическую сумму.

Исторические сценарии для крипторынка

CRYPTO_STRESS_SCENARIOS = {
    'covid_march_2020': {
        'BTC': -0.50,  # -50% за неделю
        'ETH': -0.60,
        'DEFAULT': -0.55,
        'USDT': 0.0,
        'duration_days': 7
    },
    'china_ban_may_2021': {
        'BTC': -0.53,
        'ETH': -0.60,
        'DEFAULT': -0.65,
        'duration_days': 30
    },
    'luna_terra_collapse_2022': {
        'LUNA': -0.99,
        'UST': -0.95,
        'BTC': -0.30,
        'ETH': -0.35,
        'DEFAULT': -0.45,
        'USDC': 0.0,
        'duration_days': 7
    },
    'ftx_collapse_2022': {
        'FTT': -0.97,
        'SOL': -0.60,
        'BTC': -0.25,
        'ETH': -0.28,
        'DEFAULT': -0.35,
        'duration_days': 14
    },
    'full_crypto_winter': {
        'BTC': -0.80,  # 2022 год
        'ETH': -0.82,
        'DEFAULT': -0.90,
        'duration_days': 365
    }
}

Реализация стресс-тестирования

class StressTester:
    def __init__(self, scenarios):
        self.scenarios = scenarios
    
    def run_scenario(self, positions, current_prices, scenario_name):
        scenario = self.scenarios[scenario_name]
        
        total_pnl = 0
        position_results = {}
        
        for symbol, qty in positions.items():
            current_price = current_prices.get(symbol, 0)
            shock = scenario.get(symbol, scenario.get('DEFAULT', 0))
            
            stressed_price = current_price * (1 + shock)
            pnl = qty * (stressed_price - current_price)
            position_results[symbol] = {
                'shock': shock,
                'pnl': pnl,
                'current_value': qty * current_price,
                'stressed_value': qty * stressed_price
            }
            total_pnl += pnl
        
        return {
            'scenario': scenario_name,
            'total_pnl': total_pnl,
            'position_results': position_results
        }
    
    def run_all_scenarios(self, positions, current_prices):
        results = {}
        for scenario_name in self.scenarios:
            results[scenario_name] = self.run_scenario(
                positions, current_prices, scenario_name
            )
        
        # Сортируем по worst case
        return sorted(results.values(), key=lambda x: x['total_pnl'])

Sensitivity Analysis

Анализ чувствительности: как меняется P&L при изменении одного фактора?

def sensitivity_analysis(positions, current_prices, factor='price', 
                          range_pct=(-0.50, 0.50), steps=20):
    """
    Изменяем цены всех активов на X% и смотрим P&L
    """
    results = []
    
    for shock in np.linspace(range_pct[0], range_pct[1], steps):
        total_pnl = 0
        for symbol, qty in positions.items():
            price = current_prices[symbol]
            total_pnl += qty * price * shock
        results.append({'shock_pct': shock * 100, 'pnl': total_pnl})
    
    return results

Correlation stress: при кризисе все активы коррелируют сильнее. Что если корреляция всех активов = 0.95?

def correlation_stress_test(portfolio_returns_history, stressed_correlation=0.95):
    cov_matrix = portfolio_returns_history.cov()
    # Заменяем все off-diagonal элементы на stressed_correlation
    std_devs = np.sqrt(np.diag(cov_matrix))
    stressed_cov = np.outer(std_devs, std_devs) * stressed_correlation
    np.fill_diagonal(stressed_cov, np.diag(cov_matrix))  # оставляем дисперсии
    return stressed_cov

Reverse Stress Testing

Обратная задача: найти сценарий, при котором потери достигают критического уровня (например, 20% капитала).

from scipy.optimize import minimize

def reverse_stress_test(positions, current_prices, target_loss, 
                         max_shock_per_asset=0.99):
    """
    Минимальный суммарный шок, при котором потери = target_loss
    """
    symbols = list(positions.keys())
    current_values = [positions[s] * current_prices[s] for s in symbols]
    
    def portfolio_loss(shocks):
        return sum(v * s for v, s in zip(current_values, shocks))
    
    constraints = [
        {'type': 'eq', 'fun': lambda x: portfolio_loss(x) - (-target_loss)}
    ]
    bounds = [(-max_shock_per_asset, 0) for _ in symbols]
    
    # Минимизируем L2 норму шоков (ищем наименьший шок)
    result = minimize(
        lambda x: np.sum(x**2),
        x0=np.full(len(symbols), -0.1),
        constraints=constraints,
        bounds=bounds
    )
    
    return dict(zip(symbols, result.x))

Корреляции во время кризиса

Одно из ключевых наблюдений: в кризис корреляции между активами резко растут. Диверсификация «схлопывается» именно тогда, когда она нужна больше всего.

Стресс-тест «correlation crisis»: заменяем матрицу ковариаций на «stressed» версию с высокими корреляциями и пересчитываем VaR.

Отчётность

Stress Test Report — ежемесячный или при значительных изменениях портфеля:

• Таблица результатов по всем сценариям
• Worst case P&L в абсолютных значениях и % от капитала
• Breakdown: какие позиции привели к наибольшим потерям
• Sensitivity curve (график P&L от % шока)
• Reverse stress: при каком шоке достигается критический убыток

Визуализация: tornado chart (вклад каждой позиции в стресс-убыток), waterfall chart (суммирование потерь по позициям), sensitivity curve chart.

Разрабатываем систему стресс-тестирования с библиотекой исторических сценариев, sensitivity analysis, reverse stress testing и автоматической генерацией отчётов.