资产负债管理（ALM）仿真模型：蒙特卡罗 vs. 场景式

在资产负债管理（ALM）中，仿真模型预测利率变动随时间对资产和负债经济价值的影响。两种主流方法为蒙特卡罗仿真和场景式仿真。蒙特卡罗仿真采用随机路径技术（亦称随机仿真），依据概率假设（如均值回复、波动率）生成数百乃至数千条可能的未来利率路径。相比之下，场景式仿真构建一组有限且经济上连贯的前瞻性路径——通常基于历史事件、压力情境或宏观经济预测——用于评估离散的战略方案或偿付能力结果。

资产负债管理中的蒙特卡罗仿真依赖经济情景生成器（ESG）来模拟大量随机利率路径，通常使用动态期限结构模型。每条路径代表短期利率、收益率曲线形态及波动率在预测期间的可能演变。随后，ALM模型在每条路径下重新估值资产和负债，生成诸如股权经济价值（EVE）或净利息收入（NII）等指标的结果分布。该分布可用于计算置信区间、价值-at-风险（VaR）或利率风险的预期损失。

• 随机建模基础：使用已校准的 ESG，模拟与观测市场数据和经济理论（如 Cox‑Ingersoll‑Ross 或 Hull‑White 模型）相一致的路径。
• 结果分布：提供完整的概率输出，支持量化尾部风险敞口和预期损失的风险指标。
• 实际应用：常用于内部模型验证、资本分配以及用于预算和战略规划的动态 EAR 建模。

场景式仿真构建一小组（通常为 3 至 10 条）合理且内部一致的宏观经济和利率路径。这些情景可以是历史的（如 1979‑1982 年的紧缩周期）、假设的（如通胀快速回升）或基于预测的（如共识宏观展望）。每个情景以确定性方式输入 ALM 模型，得到对应路径下的 EVE 或 NII 点估计。该方法强调可解释性和情景叙事的一致性，而非统计精度。

• 情景驱动设计：情景的选择旨在反映可信的压力或战略拐点，通常与监管预期或内部风险偏好框架保持一致。
• 决策支持：用于在特定宏观经济体制下评估战略权衡——如资产重新配置或对冲决策。
• 与治理的整合: 通过以清晰、基于情景的假设为基础，使非技术利益相关者更易接受分析。

蒙特卡罗模拟和情景模拟在资产负债管理（ALM）中发挥互补作用，各自具有独特的优势和局限性。

• 覆盖面 vs. 清晰度: 蒙特卡罗提供广泛的概率覆盖，能够捕捉尾部风险和统计不确定性，但其输出往往较为抽象，难以直接对应具体行动。情景模拟则提供明确、可操作的洞见，但可能低估未纳入所选情景的低概率高冲击事件。
• 模型风险: 蒙特卡罗对 ESG 校准和分布假设高度敏感；波动率或均值回归参数的误差会导致风险估计失真。情景模拟则易受选择偏差影响——可能遗漏合理路径或过度依赖可能不再出现的历史类比。
• 监管匹配: 监管机构（如 OCC）认可两种方法，但在监管压力测试和战略报告中通常更倾向使用情景方法，而蒙特卡罗则用于内部模型验证和动态风险计量。

假设某机构希望评估在两年内利率平行上移 200 个基点的影响。采用蒙特卡罗模拟时，ESG 生成 5,000 条路径，短端利率遵循经校准波动率的均值回归过程；由此得到的 EVE 变化分布可能显示第 5 百分位的损失为 1.2 亿美元，第 95 百分位的收益为 4500 万美元。采用情景模拟时，则使用一条与 200 基点上移及其隐含收益率曲线动态相匹配的单一确定性路径，得到 EVE 下降 9000 万美元的点估计。蒙特卡罗的结果用于资本和 VaR 计算；情景的结果用于董事会层面的战略应对讨论，例如加速资产重新定价或调整久期目标。

• 使用蒙特卡罗模拟：在需要统计严谨性的风险指标估计时——如经济资本、VaR 或预期短缺——或在评估不确定性对长期战略结果的影响、覆盖大量可能路径时。
• 使用情景模拟：在向治理层传达风险、在特定宏观经济情景下检验战略决策，或配合监管压力测试框架时使用，此时叙事连贯性和可操作性优先于概率完整性。

两种方法常常结合使用：蒙特卡罗用于内部模型验证和风险量化，情景分析用于战略决策和监管报告。