信贷风险模型：违约概率、违约损失率与风险暴露

FreeGuideOnline 最新 2026-06-23

信贷风险模型核心概念

信贷风险模型是金融机构量化借款人无法履约可能性的数学框架。它的根基由三个关键参数构成：违约概率 (Probability of Default, PD)、违约损失率 (Loss Given Default, LGD) 和违约风险暴露 (Exposure at Default, EAD)。这三个参数共同计算出一笔信贷资产的预期损失 (Expected Loss, EL)。

预期损失公式

[ \text{预期损失 (EL)} = \text{PD} \times \text{LGD} \times \text{EAD} ]

该公式是监管资本计算 (如巴塞尔协议) 和内部风险管理的基本逻辑。理解这三个参数，就等于掌握了信贷风险量化的核心语言。

违约概率 (PD)

违约概率指借款人在未来一定期限内 (通常为一年) 无法按合同约定履行还款义务的可能性。它是模型中最核心的输入，直接反映借款人的信用资质。

判定违约的典型标准

  • 逾期天数：最常见的定量标准，如逾期超过90天。
  • 破产或重组：借款人申请破产保护或被迫进行债务重组。
  • 不大可能偿还：银行有充分证据认定借款人已无能力全额还款，即使未实质逾期，也可认定为违约 (如借款人死亡、失去收入来源等)。

PD 的建模方法

开发 PD 模型本质上是一个二分类问题 (违约/非违约)，常用方法包括：

  1. 逻辑回归 (Logistic Regression)
    经典且解释性强的统计模型。通过历史违约样本拟合特征与违约概率之间的S型曲线关系，输出可直接转化为PD。

  2. 评分卡模型 (Credit Scorecards)
    将借款人的特征 (如收入、负债、信用历史) 分组赋分，最终总分映射到PD。广泛用于零售信贷 (信用卡、个人贷款)。

  3. 机器学习模型
    梯度提升树 (XGBoost, LightGBM)、随机森林等可捕捉复杂非线性关系，提升区分能力，但需要付出更多解释成本。

PD 校准与验证

无论使用何种模型，输出的原始分数必须经过校准，使其成为真实世界里可观察的违约概率。常用指标是ROC曲线下面积 (AUC) 评估模型排序能力，并用基尼系数或K-S统计量检验区分度。校准则保证预测PD与实际违约率的偏差在容忍范围内。

违约损失率 (LGD)

违约损失率指一旦借款人违约，债权人实际损失的金额占风险暴露的比例。它衡量的是违约发生后的损失严重程度。

[ \text{LGD} = 1 - \text{回收率 (Recovery Rate)} ]

若一笔贷款的EAD为100万元，违约后通过处置抵押品、追讨等手段回收了40万元，则回收率为40%，LGD为60%。

影响LGD的关键因素

  • 抵押与担保：抵质押品的类型、价值、流动性及法律执行效率。不动产抵押的回收率通常高于信用贷款。
  • 债权的优先级：在企业破产清偿中，有担保的优先级债务回收率远高于次级债务。
  • 借款人特征与行业：借款人的资产结构、所在行业景气程度会影响清收难度。
  • 宏观经济环境：经济下行期，资产贬值同时买家稀少，LGD往往显著上升，这称为LGD的顺周期性。

LGD建模方法

LGD数据有两个典型特征：严重偏态 (大部分违约损失可能很低，但少数极高) 和边界值 (LGD=0%或100%的情况常见)。因此建模手段更为特殊：

  • 分段建模：先预测回收概率，再预测回收金额，最后合成LGD。
  • 贝塔回归 (Beta Regression)：适用于取值在(0,1)之间的比率变量，并可扩展为零一膨胀贝塔模型处理边界值。
  • 决策树或回归树：配合剪枝策略，可直观划分不同风险段下的平均LGD。

监管框架通常要求银行估算经济低迷时期的LGD (Downturn LGD)，以对抗顺周期效应，确保计提的损失准备金充足。

违约风险暴露 (EAD)

违约风险暴露指借款人违约时，债权人面临实际风险的资产头寸总额。对于一笔固定期限的贷款，EAD就是合同剩余本金。但对于循环信贷额度 (如信用卡、企业授信额度)，EAD具有不确定性，需用模型预测。

表内项目的EAD

  • 定期贷款：等于违约发生时的未偿还本金余额。
  • 已计提利息：已发生但未支付的部分通常也计入EAD。

表外与循环信贷的EAD

这是EAD建模的真正难点。借款人可能随着自身状况恶化而大量提用原先未使用的授信额度，导致违约时的实际敞口远高于当前已用额。

EAD的构成可表示为：

[ \text{EAD} = \text{当前已用额度} + \text{信用转换系数 (CCF)} \times \text{未使用额度} ]

信用转换系数 (CCF)

CCF是一个预测比例，表示未使用授信额度中预期会转化为表内风险的比率。建模时通常分析历史上违约客户在违约时点前的提用模式，回归预测CCF。

  • 低风险客户：CCF可能较低，因为提用行为稳定。
  • 临近违约的高风险客户：CCF通常急剧上升，出现“争相提款”行为，模型必须捕捉这种动态。

EAD模型可以使用回归分析、分位数回归或机器学习方法，目标是给出对每笔限额的保守但不过度夸大的敞口估计。

模型应用与挑战

准备金与资本计量

预期损失 (EL = PD × LGD × EAD) 直接决定信贷损失准备金计提。更为复杂的非预期损失 (Unexpected Loss, UL) 则驱动监管资本需求，需要借助风险参数构建内部评级法 (IRB) 模型。

压力测试

将极端宏观场景 (GDP骤降、失业率飙升) 映射到PD、LGD和EAD上，模拟资产组合损失，评估银行能否承受严重冲击。这是模型价值的终极压力检验。

模型风险治理

由于参数模型直接影响利润报告和资本充足率，必须建立严格的开发、验证、监控与迭代流程。重点关注：

  • 模型区分度下降：特征有效性随时间衰减。
  • 样本偏差：训练数据未能覆盖新客群或新经济环境。
  • 数据质量：违约标记错误、EAD观测不完整直接颠覆模型准确性。

总结

信贷风险模型的终极产品看似只是一个简单的三类参数乘积，但每个参数背后都对应着一套严谨的数据工程、统计建模和业务研判体系。对初学者而言，牢固掌握PD、LGD、EAD的定义、计量逻辑和局限，是进入风险量化领域的基石。以此为起点，你便可以深入探索信用组合管理、资产证券化估值及监管资本优化等更广阔的领域。