技能介绍

要解决什么问题

信用组合与单户评估往往散落在 Excel、零散脚本和不同数据源里：你要对齐财报口径、估计违约距离、再看组合层面的尾部损失，中间任何一步假设不一致，结论就很难复现。本技能把 A 股上市公司 场景下从取数到报告的一条链路收进同一套 Python 模块，方便做相对风险排序、组合压力分析和可交付的可视化输出。

技能如何工作

数据层通过 data.py 调用 akshare 拉取资产负债表、利润表与行情，为后续模型提供统一输入。核心建模包括：

KMV-Merton（kmv_model.py）：在结构化违约框架下用 Black-Scholes 与牛顿/ Brent 迭代反推资产价值与 EDF（违约概率）
Copula（copula.py）：用 Gaussian / t / Clayton 刻画违约依赖，配合 Kendall's tau 与 MLE 估计相关结构
信用风险度量（var.py）：Credit VaR、预期损失 EL / 非预期损失 UL、经济资本，支持解析近似与蒙特卡洛
信用评分（scoring.py）：Altman Z-Score 五因子及综合评分变体
报告（report.py）：matplotlib 图表并以 base64 嵌入 HTML，输出 CSV 与 credit_risk_report_*.html

典型流程是：选定股票代码 → 跑 KMV / 评分 → 多主体时做 Copula 与组合 portfolio_credit_assessment()（可自定义 EAD、LGD）→ 生成风险贡献与 VaR 结果文件。

适用边界与注意点

标的范围：仅 A 股（6 位代码），不支持港股、美股与债券；akshare 版本与网络会影响数据完整性。
KMV 假设：Merton 到期违约、几何布朗运动；股权价值极低、波动率极端或违约点异常时可能 converged=False，EDF 更适合排序而非绝对违约预测。
Copula：Clayton 仅双变量；多元 t-Copula 的 CDF 用蒙特卡洛近似；公司数建议 3～10 家做相关估计。
VaR：非完整 CreditMetrics；随机场景固定 random_state=42 以保证可复现。
Z-Score：系数来自美国制造业历史样本，对 A 股非制造业的 X5（营收/总资产）可能失真，可切换非制造业或综合评分。无风险利率默认中国 1 年期国债，失败时用 2.5%；波动率取近 252 个交易日对数收益年化标准差。