用途：面向量化金融风险建模，覆盖市场风险、信用风险、压力测试与监管资本分析，适合金融工程研究与合规风险分析。
主要能力： 一、市场风险 VaR。介绍四种方法：历史模拟（无分布假设但假定历史重演）、方差-协方差（快速解析但低估尾部风险）、蒙特卡洛模拟（分布灵活但计算昂贵）、过滤历史模拟（GARCH+历史残差，捕捉波动聚集但更复杂）。示例函数 historical_var 用滚动求和缩放至持有期，取分位数得 VaR，超出部分均值得 Expected Shortfall；parametric_var 支持正态与 Student-t 分布，给出解析 ES；monte_carlo_var 基于 GBM 模拟，返回 VaR 与 ES。 二、信用风险。build_pd_model 用逻辑回归估计违约概率（PD），输出特征系数、优势比与 AUC；compute_expected_loss 按 EL = PD × LGD × EAD 计算期望损失，并以 2.33 倍标准差估算非预期损失。常用特征包括债务收入比、信用利用率、还款历史、就业年限、贷款金额。 三、压力测试。run_stress_test 以宏观因子敏感度（利率、GDP、失业率、股市、信用利差）对情景冲击加权计算组合影响，示例含轻度衰退、严重衰退与利率冲击三类情景。 四、监管框架。列出 Basel III 资本要求：市场风险用 FRTB（97.5% ES，压力校准），信用风险用 SA 或 IRB（基于 PD、LGD、EAD 的风险权重），操作风险用基本指标/标准化法，流动性风险用 LCR 与 NSFR。
使用方式：依赖 numpy、pandas、scipy、scikit-learn；安装命令未提供。函数以数组或 DataFrame 为输入，返回字典或 DataFrame 结果，可按需调用。
适用场景：金融工程研究、监管风险分析、组合风险评估。
限制：教程示意代码，因子敏感度系数为示例值，实际需用历史回归估计；结果不构成投资或合规建议；更多依赖与工具细节暂未提供。
相关工具：QuantLib、riskfolio-lib、arch、pyfolio、OpenGamma Strata，以及 Moody's Analytics、Bloomberg PORT 等商业平台。