# Stress Testing Portfolio

> 對投資組合執行情境式壓力測試，量化特定宏觀事件（戰爭升級、油價飆升、央行意外決議、科技泡沫破裂）對持倉的預估影響。將「定性擔憂」轉化為「量化損益估算」。

- Skill: `alanlee0323/stress-testing-portfolio` (Agent Skill)
- Install (CLI): `npx skillmds@latest add alanlee0323/stress-testing-portfolio`
- Raw SKILL.md: https://api.skillmd.com/api/skills/alanlee0323/stress-testing-portfolio/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: Alanlee0323 (https://skillmd.com/u/alanlee0323)
- Updated: 2026-09-10
- Page: https://skillmd.com/skills/alanlee0323/stress-testing-portfolio

---


# Stress Testing Portfolio

## When to use this skill
- 當 `scanning-macro-news` 或 `monitoring-geopolitical-risk` 偵測到紅色/黃色警報時。
- 當用戶詢問「如果 XX 發生，我的組合會怎樣？」。
- 在執行重大組合調整之前，驗證新配置的抗壓能力。
- 在完成投資報告之前，作為風險量化的最後一步。
- 定期（每月或每季）作為組合健康檢查。

## Workflow

1. Plan
- 定義壓力情境（最多 5 個，通常 3 個即可）。
- 收集當前持倉數據（標的、股數、現價、權重）。
- 確認估算方法論（歷史類比 vs 因子敏感度 vs 混合法）。

2. Execute — 三步壓力測試

  **Step 1：定義情境與假設**
  - 每個情境必須包含：
    - 敘事描述（什麼事件發生）
    - 觸發條件（什麼信號表示這個情境正在發生）
    - 關鍵參數假設（油價目標、利率目標、匯率目標、指數跌幅）
    - 時間框架（衝擊在多長時間內展開）
    - 參考機率（主觀估計，誠實標註）

  **Step 2：逐標的影響估算**
  - 對每個持倉標的，評估在該情境下的預估漲跌幅。
  - 估算方法：
    - **歷史類比法**：參考類似歷史事件中該標的或同產業的跌幅。
    - **因子敏感度法**：根據標的對油價/利率/美元的 beta 係數估算。
    - **基本面法**：評估情境對標的的營收/盈餘直接衝擊。
  - 所有估算標註信心度（High/Medium/Low）與使用的方法。

  **Step 3：組合級別匯總**
  - 計算組合在每個情境下的加權平均報酬。
  - 計算最大回撤估算。
  - 識別集中風險（是否有 >30% 權重受到同方向衝擊）。
  - 計算防禦資產的對沖效果。

3. Validate
- 合理性檢查：最差情境的組合跌幅是否符合歷史極端事件的量級？
- 相關性檢查：是否有假設「某些標的不相關」但實際在極端情境下會高度相關？
- 防禦有效性：防禦資產在壓力情境中真的能提供保護嗎？（反例：2022 年長債與股市同跌）

4. Synthesize
- 產出壓力測試報告。
- 提供組合韌性評分。
- 提出具體的風險緩解建議。

## Instructions

- **情境必須具體**——「市場下跌」不合格；「因伊朗封鎖荷莫茲海峽導致油價飆至 $130，Fed 被迫暫停降息，S&P 500 從高點回落 15%」才合格。
- 預設情境集（除非用戶指定）：
  1. **溫和衰退**：GDP 負成長 2 季，失業率升至 5.5%，Fed 降息至 2.5%
  2. **滯脹衝擊**：油價 $120+，CPI >4%，Fed 無法降息，經濟同步放緩
  3. **科技估值重估**：AI 投資回報不如預期，半導體庫存週期反轉，PE 壓縮 30%
  4. **地緣黑天鵝**：台海衝突/中東全面戰爭，全球供應鏈中斷
  5. **最佳情境**：軟著陸，Fed 有序降息，AI 商業化加速
- 對每個標的的估算不必追求精確——±5% 的區間比偽精確的單一數字更誠實。
- 防禦資產必須在壓力情境中獨立驗證——不可假設「黃金一定漲」（2013 年黃金在 taper tantrum 中暴跌）。
- 相關性在極端情境中會趨向 1——必須考慮「crisis correlation」效應。

### 韌性評分框架

| 評分 | 含義 | 組合特徵 |
|---|---|---|
| A（90-100） | 堡壘級 | 最差情境回撤 < 15%，防禦層有效對沖 |
| B（75-89） | 堅固 | 最差情境回撤 15-25%，有部分對沖 |
| C（60-74） | 脆弱 | 最差情境回撤 25-40%，防禦不足 |
| D（< 60） | 危險 | 最差情境回撤 > 40%，集中風險極高 |

### Output template

```markdown
## 🔬 Portfolio Stress Test — <YYYY-MM-DD>

### 組合快照
- 總市值：<TWD/USD>
- 標的數量：<N>
- 最大單一標的權重：<ticker> (<X%>)
- 最大單一產業權重：<industry> (<X%>)

### 情境定義
| # | 情境名稱 | 敘事 | 關鍵假設 | 參考機率 |
|---|---|---|---|---|
| S1 | <名稱> | <描述> | 油價 $XX, 利率 X.X%, S&P XXXX | XX% |

### 逐標的影響估算
| Ticker | 權重 | S1 影響 | S2 影響 | S3 影響 | 方法 | 信心度 |
|---|---:|---:|---:|---:|---|---|
| <TICKER> | X.X% | ±X%~±X% | ±X%~±X% | ±X%~±X% | <方法> | H/M/L |

### 組合級別匯總
| 指標 | S1 | S2 | S3 |
|---|---:|---:|---:|
| 加權平均報酬 | ±X.X% | ±X.X% | ±X.X% |
| 估計最大回撤 | -X.X% | -X.X% | -X.X% |
| 防禦層對沖效果 | ±X.X% | ±X.X% | ±X.X% |
| 淨影響（含對沖） | ±X.X% | ±X.X% | ±X.X% |

### 集中風險識別
- <識別到的集中風險>

### 韌性評分
- 總分：<X / 100> — 等級 <A/B/C/D>
- 最薄弱環節：<描述>
- 最強防禦點：<描述>

### 風險緩解建議
1. <具體建議>（目標：將最差情境回撤從 X% 改善至 Y%）
2. <具體建議>
```

## Error handling

- 若缺乏歷史類比數據，使用因子敏感度法並將信心度降至 Low。
- 若持倉數據不完整（缺少股數或成本），標記受影響的標的並使用可得數據估算。
- 若情境過於極端且無歷史先例（如全球核戰），標記為「尾端風險——無法可靠量化」並改用定性評估。
- 若不同估算方法得出差異極大的結果，報告區間而非點估計。

## Resources

- `scanning-macro-news`（上游技能：提供當前宏觀環境作為情境基礎）
- `monitoring-geopolitical-risk`（上游技能：提供地緣風險情境）
- `collecting-market-data`（上游技能：提供最新價格作為壓力測試基準）
- `analyzing-macro-regime`（協同技能：提供體制判斷以校準情境機率）
- `managing-long-term-investment-policy`（下游技能：確保壓力測試建議符合長期投資政策）