1. 课程导入

在信用风险管理体系中，PD、LGD、EAD是三大核心参数。相比PD（违约概率）和LGD（违约损失率），EAD（违约风险暴露，Exposure at Default）常被低估，却在授信额度类产品中直接决定风险加权资产的规模。EAD模型回测与额度使用行为验证，正是检验EAD估算是否可靠、额度策略是否被客户真实行为支撑的关键环节。本章作为全课程导入，帮助学员建立整体认知地图。

一、学习目标：从"会算"到"会验"

本课程的学习目标分为四个层次，逐层递进：

• 概念层：准确理解EAD、CCF（信用转换系数）、额度使用率、违约暴露等术语的监管定义与业务含义，区分已提用余额与未提用承诺的暴露差异。
• 方法层：掌握EAD回测的常用方法，包括预测偏差分析、区分度检验、稳定性检验，以及额度使用行为验证的漏斗分析、迁移矩阵与行为评分验证。
• 工具层：能够使用Python/SQL完成数据准备、指标计算与可视化，独立产出一份可交付的回测报告。
• 决策层：能够根据回测结论判断模型是否需要重新校准、额度策略是否需要调整，并向业务与监管方清晰解释验证结果。

二、核心概念：EAD与额度使用行为

EAD指客户违约时银行实际面临的风险暴露金额。对于一次性贷款，EAD近似等于本金余额；对于循环授信、信用卡、透支等额度类产品，EAD等于已提用余额加上违约时未提用额度中可能被提取的部分，即：

EAD = 已提用余额 + CCF × 未提用额度

其中：
  已提用余额：违约时点客户实际占用的资金
  未提用额度：授信总额度 - 已提用余额
  CCF：信用转换系数，衡量违约前客户额外提款的比例

额度使用行为验证，关注的是客户在授信周期内如何使用额度：使用率分布、提款频率、额度调升后的响应、临近违约前的额度使用变化等。这些行为直接决定CCF的合理性，也决定EAD估算是否贴近真实风险。

三、整体框架：回测与验证的闭环流程

EAD模型回测与额度使用行为验证并非孤立动作，而是一个闭环流程，可概括为"数据—计算—检验—归因—行动"五步：

1. 数据准备：抽取观察期与表现期数据，明确违约定义、观察时点、额度变动记录，处理缺失与异常。
2. 指标计算：计算预测EAD、实际EAD、CCF实际值、使用率分布等核心指标。
3. 回测检验：开展偏差分析、区分度检验（如基尼系数）、稳定性检验（如PSI），并做分层验证。
4. 归因分析：定位偏差来源，是数据问题、模型假设问题，还是额度策略或客群变化导致。
5. 行动建议：输出校准、重训、策略调整或监控加强等结论，并跟踪后续表现。

四、实战价值：为什么这门课值得学

EAD回测与额度使用行为验证的实战价值体现在三个层面：

• 监管合规：巴塞尔协议及国内监管要求对内部评级体系进行定期验证，EAD作为核心参数必须接受回测，验证能力直接关系资本计量合规性。
• 资本节约：EAD估算偏高会推高风险加权资产，占用资本；估算偏低则低估风险。精准回测有助于在合规前提下优化资本使用效率。
• 业务决策：额度使用行为验证能揭示客户真实用信需求，为额度调升、调降、定价和催收策略提供数据支撑。

五、常见误区与复盘提示

初学者在EAD回测中常陷入以下误区，提前识别可少走弯路：

• 误区一：把EAD回测等同于PD回测。EAD关注金额暴露，PD关注违约概率，二者数据结构和检验方法差异明显。
• 误区二：忽略额度变动。授信额度在观察期内可能多次调整，若只用期末额度计算，会严重扭曲CCF。
• 误区三：样本选择偏差。仅用违约客户验证EAD，忽略未违约客户的使用行为，导致CCF估计不具代表性。
• 误区四：只看总体指标。总体偏差合格不代表各客群合格，必须做分层验证，避免"平均正确、局部失效"。