2. LGD基础回顾
在信用风险计量体系中，PD、EAD与LGD共同决定预期损失。很多团队在PD模型上投入大量精力，却低估了LGD的复杂度。PD回答“会不会违约”，EAD回答“违约时欠多少”，而LGD回答“违约后到底能收回多少”。这一章为后续的回测、分层验证与偏差分析打地基，重点把LGD的定义边界、驱动因素、监管约束、建模流程和模型谱系讲清楚。
一、核心原理：LGD的定义与计量口径
违约损失率（Loss Given Default，LGD）是指债务人违约后，风险暴露中最终无法收回的比例。其基本关系为：LGD = 1 − 回收率（Recovery Rate）。若以金额表达，则 LGD = (EAD − 回收金额现值) / EAD。这里的“回收”不仅包括现金回收，还包括抵押物处置、担保代偿、债务重组后的继续履约、诉讼执行回款等。
理解LGD必须抓住三个口径问题。第一是时间口径：回收往往跨越数年，必须把未来现金流按适当折现率折现到违约时点，否则会高估回收、低估LGD。第二是成本口径：处置抵押物、诉讼、催收产生的直接与间接成本应从回收中扣除。第三是违约定义口径：LGD以“已发生违约”为前提，违约认定的边界直接决定样本集合，进而影响LGD分布。
二、影响因素：从债项特征到宏观环境
LGD的驱动因素可分为四层。第一层是债项与担保结构，包括抵押物类型、抵押率、担保方式、清偿顺序。第二层是债务人特征，包括行业、规模、财务杠杆、经营稳定性。第三层是处置与法律环境，包括破产制度效率、司法执行周期、催收能力。第四层是宏观周期，经济下行时抵押物贬值、回收周期拉长，LGD通常上升。
| 因素层级 | 典型变量 | 对LGD的方向性影响 |
|---|---|---|
| 债项与担保 | 抵押率、抵押物流动性、担保人评级 | 抵押率越低、流动性越强，LGD越低 |
| 债务人特征 | 行业、规模、杠杆率、现金流波动 | 高杠杆、弱现金流通常推高LGD |
| 处置与法律 | 破产回收率、执行周期、催收成本 | 周期越长、成本越高，LGD越高 |
| 宏观周期 | GDP增速、房价指数、失业率 | 经济下行期LGD普遍上升 |
需要警惕的是，这些因素并非独立作用。例如房地产抵押贷款中，房价下跌既直接降低抵押物价值，又延长处置周期，还会提高借款人负资产概率，形成叠加效应。因此LGD建模不能只做单变量筛选，而要关注交互与非线性。
三、监管要求：巴塞尔框架下的LGD约束
在巴塞尔协议框架下，LGD是内部评级法（IRB）的核心参数之一。监管对LGD的要求主要体现在：一是区分初级法与高级法，初级法下部分LGD由监管给定，高级法下银行可自行估计；二是要求LGD估计覆盖完整经济周期，不能只反映景气期；三是要求数据历史长度、样本代表性和保守性调整；四是要求对违约样本的回收现金流进行折现与成本扣除。
此外，监管还强调LGD的“违约加权”与“长期平均”概念。若某组合近期回收率异常高，不能简单外推为长期LGD。实践中常见做法是设定LGD下限（floor），并对抵押物价值采用保守估值。对模型验证而言，这意味着回测不仅要看区分度，还要看LGD预测的保守性与稳定性。
四、建模流程：从数据准备到模型落地
LGD建模流程通常包括六个步骤：
- 定义违约与回收：明确违约时点、回收现金流边界、折现率与观察期。
- 构建样本：以违约债项为分析单元，整理回收金额、成本、时间与债项特征。
- 计算LGD：按现金流折现法计算每笔违约债项的实际LGD。
- 特征工程：构造抵押率、担保强度、行业、区域、宏观变量等特征。
- 模型训练与选择：根据LGD分布特征选择线性、非线性或两阶段模型。
- 验证与监控：进行区分度、校准、稳定性与偏差分析，并持续监控。
其中第3步是很多团队容易出错的地方。若回收现金流记录不完整，或折现率选择随意，后续模型再精细也无法弥补。建议在数据准备阶段就建立回收现金流台账，明确每笔现金流的日期、金额、来源与成本。
示例：单笔违约债项LGD计算
EAD = 1,000,000
回收现金流（折现后）：
第1年：200,000
第2年：150,000
第3年：100,000
折现回收合计 = 450,000
LGD = (1,000,000 - 450,000) / 1,000,000 = 0.55
即该笔债项LGD为55%。五、常见模型类型与适用场景
LGD模型大致可分为四类。第一类是线性回归模型，如OLS或Beta回归，适合LGD分布相对集中、解释变量线性关系明显的场景。第二类是两阶段模型，先预测“是否回收”，再预测“回收多少”，适合大量零回收或全额回收的样本。第三类是树模型与集成模型，如随机森林、XGBoost，能捕捉非线性与交互，但可解释性较弱。第四类是机器学习与神经网络，适合数据量大、特征维度高的场景，但监管接受度需谨慎评估。
选择模型时，不能只看预测精度。LGD建模还要考虑可解释性、稳定性、监管合规性与业务可落地性。例如，在监管报送场景中，线性模型或Beta回归往往更容易解释；在内部管理场景中，集成模型可能提供更好的排序能力。常见误区是盲目追求复杂模型，却忽视了LGD样本量小、分布双峰、回收周期长等固有难点。
六、案例场景：抵押贷款与信用债的LGD差异
以住房抵押贷款和信用债为例。住房抵押贷款有明确抵押物，回收主要依赖房产处置，LGD对房价指数和处置周期高度敏感；信用债无抵押，回收依赖债务人持续经营与破产清偿，LGD对行业景气与清偿顺序更敏感。两者在建模时，特征体系、样本定义和验证重点都不同。若把两类样本混在一起建模，容易掩盖结构性差异，导致分层验证时出现系统性偏差。
因此，在后续章节的回测与分层验证中，必须按组合、按担保类型、按违约年份进行分层。只有先理解LGD的基础逻辑，才能在偏差分析中准确判断：偏差究竟来自数据、模型、还是业务环境变化。
本章回顾了LGD的定义、影响因素、监管要求、建模流程与模型类型。这些内容将直接支撑后续的回测设计、分层验证与偏差分析。掌握这些基础，才能让LGD模型不仅“算得出来”，更“说得清楚、验得扎实”。