📚 课程目录第1章课程导入

1. 课程导入

一、为什么LGD值得单独建模

在信用风险管理的三大核心参数中，PD（违约概率）、EAD（违约风险暴露）与LGD（违约损失率）共同决定预期信用损失：ECL = PD × EAD × LGD。过去很多机构的建模资源集中在PD上，因为PD的区分度容易用KS、AUC等指标衡量，而LGD长期被简化为“1减去抵押率”或直接采用监管底线值。但在实际业务中，LGD的波动往往比PD更剧烈，且直接决定回收现金流的分配与定价。

LGD的本质不是“损失比例”这个静态数字，而是一条回收现金流的时间路径。同样回收100万元，3个月收回与3年收回，其经济价值完全不同。因此，本课程把LGD建模拆成两条主线：一是回收现金流的预测与折现，二是Workout LGD（清收处置损失率）的实战建模。前者回答“能收回多少、什么时候收回”，后者回答“在清收处置场景下如何量化损失”。

核心定位：LGD是连接违约事件与最终经济损失的桥梁。没有回收现金流建模，LGD只是一个拍脑袋的比率；有了回收现金流建模，LGD才能成为可审计、可回溯、可驱动定价与拨备的工程化参数。

二、核心原理：回收现金流与Workout LGD的关系

回收现金流通常包括：借款人经营回款、抵押物处置变现、保证人代偿、诉讼执行回款、债务重组后的分期付款等。这些现金流具有三个特征：时间不确定、金额不确定、来源分散。Workout LGD则聚焦于违约后的清收处置过程，其经典公式为：

Workout LGD = 1 - (回收现金流现值 - 清收成本) / 违约风险暴露

其中：
回收现金流现值 = Σ [CF_t / (1 + r)^t]
CF_t：第t期回收现金流
r：折现率（通常采用合同利率或资金成本）
清收成本：诉讼费、律师费、评估费、处置税费等

这个公式看似简单，但实战中每个变量都需要建模：CF_t需要预测回收金额与回收时间，r需要选择合理的折现基准，清收成本需要按处置渠道分层估计。更重要的是，Workout LGD通常存在双峰分布——要么高回收（有抵押、有保证），要么低回收（信用类、无担保），这决定了建模方法不能简单套用线性回归。

三、方法流程：从数据到LGD的实战路线图

本课程的整体框架遵循“数据准备—回收现金流建模—Workout LGD建模—验证与落地”四步走。具体流程如下：

数据准备：整合违约账户、回收流水、抵押物信息、清收成本、处置时间等数据，构建违约-回收宽表。
回收现金流建模：预测回收金额、回收时间分布，计算回收现金流现值。
Workout LGD建模：选择模型（Beta回归、分数响应回归、决策树/随机森林等），处理双峰分布与零回收问题。
验证与落地：回溯测试、敏感性分析、监管资本与拨备应用、定价传导。

阶段	核心任务	关键输出	常见工具
数据准备	违约定义、回收口径、成本归集	违约-回收宽表	SQL、Python pandas
回收现金流建模	回收金额与时间预测、折现	回收现金流现值分布	生存分析、分位数回归
Workout LGD建模	LGD预测、双峰处理、零回收	LGD模型与评分卡	Beta回归、XGBoost
验证与落地	回溯、敏感性、监管应用	LGD参数体系	Python、BI报表

四、案例场景：一笔对公贷款违约后的回收路径

假设某银行向一家制造企业发放1000万元流动资金贷款，企业违约后进入清收处置。抵押物为厂房，评估值600万元，但处置周期长达18个月；保证人代偿200万元，分3期支付；诉讼与处置成本合计80万元。折现率采用合同利率6%。

回收现金流：
第6个月：保证人代偿 80万元
第12个月：保证人代偿 70万元
第18个月：厂房处置净回款 520万元
第24个月：保证人代偿 50万元

折现计算（简化按年折现）：
PV = 80/(1.06)^0.5 + 70/(1.06)^1 + 520/(1.06)^1.5 + 50/(1.06)^2
   ≈ 77.7 + 66.0 + 474.5 + 44.5
   ≈ 662.7万元

Workout LGD = 1 - (662.7 - 80) / 1000 = 1 - 0.5827 = 41.73%

这个案例说明：即使抵押物评估值600万元，由于处置周期长、成本高，最终LGD仍可能超过40%。如果忽略时间价值，直接用“1 - 600/1000 = 40%”会低估损失。回收现金流建模的价值正在于此。

五、误区与复盘：LGD建模中最容易踩的坑

常见误区：

把LGD当成静态比率：忽略回收时间与折现，导致经济损失被低估。
混淆监管LGD与Workout LGD：监管底线值用于资本计量，Workout LGD用于内部定价与拨备，两者口径不同。
零回收与高回收混合建模：不做双峰处理，模型预测值集中在中间，失去区分度。
清收成本归集不全：只算诉讼费，忽略内部人力、时间成本与税费。
样本偏差：只使用已结清清收案件，忽略仍在处置中的账户，导致回收率被高估。

复盘这些误区，核心原则是：LGD建模必须回到现金流本身。任何脱离回收时间、回收成本、回收不确定性的LGD数字，都只是会计口径的近似，无法支撑精细化管理。

学习目标：完成本章后，你应能理解LGD与回收现金流在信用风险管理中的定位，掌握Workout LGD的基本公式与建模路线图，识别常见误区，并为后续章节的数据准备、回收现金流建模与模型验证建立整体认知框架。

六、整体课程框架与实战路线图

本课程共30章，围绕“回收现金流—Workout LGD—验证落地”展开。前10章聚焦数据与回收现金流建模，中间10章深入Workout LGD模型开发与调优，后10章覆盖验证、监管应用与实战案例。每章都配有可运行的Python代码片段与业务场景，确保你不仅能理解原理，还能动手实现。

实战路线图：
第1章  课程导入与整体框架
第2-5章  数据准备、违约定义、回收口径、成本归集
第6-10章  回收金额预测、回收时间预测、折现与现金流现值
第11-15章  Workout LGD模型选择、Beta回归、分数响应回归
第16-20章  双峰分布处理、零回收建模、机器学习应用
第21-25章  模型验证、回溯测试、敏感性分析
第26-30章  监管资本、拨备、定价传导与综合案例

请记住：LGD建模不是一次性的统计练习，而是一个持续迭代的工程体系。从今天开始，我们将一步步把回收现金流变成可量化、可解释、可落地的LGD参数。