1. 课程导入
欢迎进入《PIT与TTC PD建模及校准实战》。在信用风险计量体系中，违约概率（PD）是最基础、也最容易被低估的环节。许多团队把大量精力放在模型算法上，却在PD口径、时点选择与校准逻辑上反复返工。本课程的目标不是再讲一遍逻辑回归，而是把PIT PD与TTC PD这两条主线彻底打通，从概念、建模、校准到落地验证，形成一套可复用的工程方法。
一、核心概念：PIT与TTC到底差在哪里
PD按观察视角可分为两类。PIT（Point-in-Time，时点）PD描述的是借款人在当前宏观经济与自身状态下、未来一段时间内的违约概率，它会随经济周期波动，具有明显的顺周期性。TTC（Through-the-Cycle，跨周期）PD则试图剥离周期影响，反映借款人在一个完整经济周期内的平均违约倾向，相对稳定。
理解二者差异，关键抓住三个维度：
- 时间视角：PIT是“此刻看未来”，TTC是“跨周期看平均”。
- 波动性：PIT随宏观变量显著波动，TTC平滑、低波动。
- 用途：PIT多用于IFRS 9预期信用损失、压力测试与内部风险预警；TTC多用于监管资本计量（如IRB）、授信准入与评级主标尺。
两者并非对立，而是同一风险在不同口径下的表达。实务中常见做法是：先建立TTC评级体系作为“锚”，再通过宏观映射或校准函数将其转换为PIT PD，从而同时满足资本计量与会计减值两类需求。
二、方法流程：从数据到双口径PD的完整链路
本课程将围绕一条端到端流程展开，每个环节都会配套可运行的代码与真实数据结构。整体流程如下：
- 数据准备：违约定义、观察期与表现期划分、样本去重与坏样本处理。
- TTC建模：以长期平均违约率为目标，构建评级主标尺与校准映射。
- PIT转换：引入宏观因子（GDP、失业率、利率等），建立TTC→PIT的映射函数。
- 校准与平滑：中心趋势校准、分段校准、单调性处理与过度拟合控制。
- 验证与监控：区分度、稳定性、校准精度与回溯测试。
为便于建立整体认知，下表给出两类PD在关键维度上的对照清单：
| 维度 | PIT PD | TTC PD |
|---|---|---|
| 时间视角 | 时点，反映当前状态 | 跨周期，反映长期平均 |
| 周期性 | 强，随宏观波动 | 弱，相对平稳 |
| 典型用途 | IFRS 9、压力测试、预警 | IRB资本、授信准入、评级 |
| 建模目标 | 预测未来12个月违约率 | 估计长期中枢违约率 |
| 校准重点 | 宏观映射与情景响应 | 主标尺与长期均值锚定 |
| 稳定性要求 | 允许合理波动 | 强调跨期稳定 |
在PIT转换环节，常见做法是构建如下形式的映射函数，用宏观因子驱动PD的周期变化：
# 伪代码：TTC PD 到 PIT PD 的宏观映射
# ttc_pd: 长期中枢违约率
# macro_z: 标准化后的宏观因子（如GDP增速、失业率）
# beta: 宏观敏感系数，由历史回归或专家校准确定
import numpy as np
def ttc_to_pit(ttc_pd, macro_z, beta=0.35):
# 使用logit空间做线性映射，保证输出在(0,1)
ttc_logit = np.log(ttc_pd / (1 - ttc_pd))
pit_logit = ttc_logit + beta * macro_z
pit_pd = 1 / (1 + np.exp(-pit_logit))
return pit_pd
# 示例：中枢PD为2%，宏观因子为+1.5个标准差
print(ttc_to_pit(0.02, 1.5)) # 输出约 0.033，即3.3%
这段代码体现了校准的核心思想：在logit空间做加法，既保证概率边界，又让宏观冲击以可解释的方式传导到PD。后续章节会详细讨论beta的估计、宏观因子的选择与情景设计。
三、案例场景：一个零售信贷组合的双口径需求
假设某银行零售信贷组合同时面临两类要求：监管资本计量需要TTC PD，IFRS 9减值需要PIT PD。团队最初只用一套PIT模型，结果在资本计量中因PD波动过大导致资本充足率剧烈起伏；后来改用纯TTC模型，又在减值计提中无法反映经济下行风险。
合理的做法是建立“双口径联动”体系：
- 以TTC评级主标尺作为客户风险排序的稳定基础；
- 通过宏观映射函数生成不同情景下的PIT PD；
- 在基准情景、乐观情景与压力情景下分别输出PD曲线；
- 用回溯测试检验PIT PD对实际违约的预测能力。
四、常见误区与复盘要点
在多年项目复盘中，以下误区出现频率最高：
- 混淆口径：把PIT PD直接当作TTC PD用于资本计量，导致顺周期性问题。
- 忽视违约定义：观察期与表现期划分不清，坏样本定义前后不一致。
- 过度拟合宏观因子：用过多宏观变量拟合历史，样本外表现急剧下降。
- 校准只做中心趋势：忽略分段校准与单调性，导致评级与PD不匹配。
- 缺少监控闭环：模型上线后不跟踪校准漂移，问题积累到审计才暴露。
五、学习目标与实战路线图
完成本课程后，你将能够：
- 准确区分PIT PD与TTC PD的口径、用途与监管要求；
- 独立完成从数据准备到TTC建模的完整流程；
- 构建并校准TTC到PIT的宏观映射函数；
- 使用区分度、稳定性与校准精度指标验证模型；
- 设计双口径PD的监控与回溯测试方案。
整体课程按“概念—建模—校准—验证—落地”五段式推进，共30章。前段夯实概念与数据基础，中段聚焦TTC与PIT建模及校准技术，后段进入验证、监控与真实项目复盘。每一章都配有可运行的代码片段、参数配置与检查清单，确保你不仅听懂，更能动手做出来。