4. 传统PD估计方法

违约概率（PD）是信用风险计量的核心参数。在低违约组合中，样本中实际违约事件极少，传统PD估计方法虽然原理清晰、监管接受度高，但在数据稀疏条件下会暴露出系统性偏差。本节系统梳理四类传统方法：历史违约率法、评分卡模型、逻辑回归与迁移矩阵法，并分析它们在低违约场景下的失效机制。

4.1 核心原理：四类传统方法的定位

传统PD估计方法可按照“是否使用借款人特征”和“是否刻画状态转移”两个维度划分。历史违约率法属于纯经验方法，评分卡与逻辑回归属于特征驱动方法，迁移矩阵法则属于状态转移方法。理解这一分类，有助于判断不同方法在低违约场景中的适用边界。

方法	核心思想	数据要求	低违约场景主要问题
历史违约率法	用历史违约笔数/总笔数估计PD	长周期、足量违约样本	零违约或极少违约导致PD为0或极不稳定
评分卡模型	将特征映射为分数，再映射为PD	有标签样本、特征稳定	违约样本不足，分箱与校准不可靠
逻辑回归	用Sigmoid函数建模违约概率	特征维度适中、事件数充足	完全分离、系数估计偏差、过拟合
迁移矩阵法	用评级迁移频率估计违约概率	评级体系稳定、转移样本充足	低评级样本少，矩阵稀疏，长期违约率外推困难

4.2 方法流程与关键参数

历史违约率法通常按“样本期—违约定义—暴露口径—加权方式”四步执行。其核心公式为：PD = 违约笔数 / 总暴露笔数。若组合中违约笔数为0，则PD估计为0，这在监管资本计量中不可接受，因为零PD会低估风险并导致资本不足。

评分卡模型的流程包括：特征筛选、分箱、WOE编码、评分映射、PD校准。评分卡本身输出的是分数，不是PD，必须通过校准曲线或锚定法将分数转换为PD。低违约场景下，分箱后某些箱内违约数为0，WOE无法计算，通常需要合并箱或引入平滑。

逻辑回归是评分卡最常用的底层模型。其形式为：

logit(PD) = β0 + β1x1 + β2x2 + ... + βnxn
PD = 1 / (1 + exp(-logit(PD)))

在低违约场景中，逻辑回归面临“完全分离”问题：某个特征可以完美区分违约与非违约样本，导致系数趋于无穷大。此外，事件数过少时，最大似然估计不稳定，系数标准误很大。

迁移矩阵法通过评级迁移频率估计PD。假设评级分为AAA至D，则一年期迁移矩阵中最后一列为违约概率。低违约组合中，高评级借款人占绝大多数，低评级和违约样本极少，矩阵中大量单元格为0或接近0，导致矩阵稀疏且不稳定。

4.3 案例：某低违约组合的PD估计失败复盘

假设某银行小微企业组合共有12,000笔贷款，过去5年累计违约仅7笔。若直接使用历史违约率法，5年累计PD为7/12000=0.058%，年化PD约为0.012%。这一数值远低于监管底线，且置信区间极宽。

若使用逻辑回归建模，特征包括行业、区域、营收、负债率等。由于违约样本仅7笔，模型训练后出现以下问题：

• 负债率特征完全分离：7笔违约样本的负债率均高于80%，模型系数估计为-18.6，标准误为12.4，无法解释。
• 行业变量中，某行业仅1笔违约，WOE值为-3.2，但该行业样本量仅15笔，估计不可靠。
• 模型在训练集上AUC为0.91，但在测试集上AUC降至0.63，过拟合明显。

若使用迁移矩阵法，评级为BBB的企业有2,300家，一年内违约1家，迁移概率为0.043%；评级为BB的企业有180家，违约2家，迁移概率为1.11%。但BB评级样本量太小，1.11%的估计值波动极大，下一年可能变为0或3%。

4.4 常见误区与改进方向

在实践中，低违约组合PD估计常见以下误区：

1. 用零违约率代替PD。零违约不等于零风险，监管明确要求设置PD下限。
2. 过度依赖评分卡分数。评分卡分数是排序工具，不是PD，必须经过校准。
3. 忽略样本选择偏差。低违约组合往往经过风控筛选，历史违约率被系统性低估。
4. 用短窗口估计长期PD。低违约组合的违约事件具有厚尾特征，短窗口无法捕捉尾部风险。
5. 迁移矩阵不做平滑。稀疏矩阵直接使用会导致评级迁移概率为0，进而低估长期违约率。

针对上述问题，业界通常采用三类改进方向：一是引入外部数据或专家判断，扩充违约样本；二是使用贝叶斯方法，将先验信息与少量样本结合，得到后验PD；三是对迁移矩阵进行平滑处理，如使用Plackett-Luce模型或贝叶斯平滑。这些改进方向正是后续章节要展开的核心内容。

4.5 方法对比清单

• 历史违约率法：简单直观，但零违约时不可用，适合违约样本充足的组合。
• 评分卡模型：可解释性强，但低违约时分箱和校准不稳定，需配合平滑或贝叶斯方法。
• 逻辑回归：统计基础扎实，但完全分离和过拟合风险高，需正则化或贝叶斯先验。
• 迁移矩阵法：适合评级体系，但矩阵稀疏时需平滑，长期违约率外推需谨慎。

综上，传统PD估计方法在低违约场景下的核心矛盾是“数据稀疏”与“估计稳定”之间的冲突。解决这一矛盾，不能仅靠调整参数，而需要引入贝叶斯校准框架，将先验信息、外部数据和专家判断系统性地融入PD估计过程。