1. 课程导入

1.1 为什么需要IFRS 9 ECL

IFRS 9《金融工具》自2018年起在全球主要资本市场陆续生效，其最具变革性的内容之一，是用预期信用损失（Expected Credit Loss，ECL）模型取代了IAS 39下的已发生损失模型。旧模型只有在出现客观减值证据后才确认损失，具有明显的“滞后性”；而ECL要求企业在资产负债表日，基于未来可能发生的违约事件，提前确认信用损失。这一转变使拨备从“事后确认”变为“事前预判”，也让财务结果与宏观经济环境之间的联系变得空前紧密。

ECL的核心计量框架可以概括为三个要素：违约概率（PD）、违约损失率（LGD）和违约风险暴露（EAD）。三者的乘积构成某一时点上的预期损失，再经过折现与时间加权，形成整个存续期内的ECL。IFRS 9还引入了三阶段模型：阶段一按12个月ECL计提，阶段二和阶段三按存续期ECL计提。阶段划分的关键触发条件，正是信用风险是否显著增加（SICR）。

问题随之而来：前瞻性信息如何量化？宏观变量如何进入PD和LGD？不同情景如何加权？这正是宏观卫星模型要解决的核心问题。

1.2 宏观卫星模型的定义与定位

在银行和金融机构的ECL体系中，模型通常分为两层：核心模型与卫星模型。核心模型负责从客户特征、账龄、历史还款行为等维度估计基准PD和LGD；卫星模型则负责把宏观经济变量（如GDP增速、失业率、房价指数、利率、PMI等）映射到核心模型的参数上，使ECL能够随宏观情景动态变化。

因此，宏观卫星模型（Macro Satellite Model）可以定义为：一种以宏观经济变量为输入、以信用风险参数（PD、LGD、EAD或迁移率）为输出的辅助模型，用于将宏观情景传导至ECL计量结果。它不直接替代核心评分卡或违约模型，而是作为“翻译层”，把宏观预测转化为信用风险参数的调整量。

从工程视角看，卫星模型通常具备以下特征：

• 输入明确：输入为可获取、可预测、可审计的宏观变量序列。
• 输出可映射：输出为PD、LGD或迁移矩阵的乘数或调整项。
• 情景可切换：支持基准、乐观、悲观等多情景并行计算。
• 可回测：能够用历史数据检验宏观变量与违约率之间的解释力。
• 可治理：模型假设、变量选择、系数估计均需文档化并接受验证。

1.3 核心原理：宏观变量如何传导至ECL

宏观卫星模型的底层逻辑，是信用风险具有周期性。经济扩张期，企业盈利改善、居民收入稳定，违约率下降；经济收缩期，失业上升、资产价格下跌，违约率和损失率同时抬升。卫星模型要做的，就是用统计方法捕捉这种周期性关系。

常见的传导路径有三类：

1. PD传导：宏观变量直接影响违约概率。例如，失业率上升1个百分点，零售贷款组合的年度PD可能上升0.3个百分点。
2. LGD传导：宏观变量影响抵押品价值和回收率。例如，房价指数下跌会降低住房抵押贷款的回收金额，从而推高LGD。
3. EAD传导：宏观变量影响授信使用率。例如，经济下行时企业更倾向于提取循环授信额度，导致EAD上升。

在建模方法上，常用手段包括线性回归、逻辑回归、向量自回归（VAR）、误差修正模型（ECM）以及面板回归。选择哪种方法，取决于数据频率、样本长度、变量平稳性和业务可解释性要求。

示例：卫星模型参数配置片段
model:
  name: macro_satellite_pd
  target: pd_annual
  variables:
    - gdp_growth
    - unemployment_rate
    - policy_rate
  method: ols
  lag: 2
  scenario_weight:
    base: 0.5
    optimistic: 0.2
    pessimistic: 0.3

上述配置表达了一个典型思路：用滞后两期的GDP增速、失业率和政策利率解释年度PD，并在最终ECL中按情景权重加权。

1.4 方法流程：从宏观情景到ECL输出

一个完整的宏观卫星模型应用流程，通常包含以下步骤：

步骤	关键任务	典型输出
1. 情景设定	确定基准、乐观、悲观情景及宏观变量路径	多情景宏观数据表
2. 变量筛选	相关性分析、共线性检验、业务合理性判断	入选变量清单
3. 模型估计	回归、VAR或面板估计，检验显著性与稳定性	系数、拟合优度、残差诊断
4. 参数映射	将宏观输出映射为PD、LGD、EAD调整	情景化风险参数
5. ECL计算	结合核心模型与折现因子计算ECL	三阶段ECL结果
6. 情景加权	按概率权重汇总多情景ECL	最终拨备金额
7. 回测与治理	历史回测、敏感性分析、文档归档	验证报告与模型文档

这一流程的关键在于“可追溯”：每一个ECL数字，都应能追溯到具体情景、具体变量、具体系数和具体映射规则。

1.5 案例场景：一个简化的零售贷款示例

假设某银行零售贷款组合基准情景下年度PD为2.0%，LGD为45%，EAD为100亿元。卫星模型显示，在悲观情景下失业率上升导致PD乘数为1.4，房价下跌导致LGD乘数为1.15。则悲观情景下：

PD_悲观 = 2.0% × 1.4 = 2.8%
LGD_悲观 = 45% × 1.15 = 51.75%
ECL_悲观 ≈ 100亿 × 2.8% × 51.75% = 1.449亿元

若基准情景ECL为0.9亿元，乐观情景为0.6亿元，按50%、20%、30%加权，最终ECL为：

ECL_加权 = 0.9×0.5 + 0.6×0.2 + 1.449×0.3 = 1.0047亿元

这个例子说明，卫星模型的价值不在于单独给出一个数字，而在于让不同宏观情景下的ECL差异变得可量化、可解释、可审计。

1.6 常见误区与复盘要点

复盘时，应重点检查：变量选择是否有业务逻辑、系数符号是否符合经济直觉、模型在样本外是否稳定、情景传导是否单调、结果是否经过独立验证。

1.7 课程整体框架与学习目标

本课程共30章，围绕“理论—方法—实现—治理”四条主线展开。前段建立IFRS 9 ECL与卫星模型的概念基础；中段深入变量筛选、模型估计、情景设计与参数映射；后段聚焦代码实现、回测验证、监管合规与案例复盘。

完成本课程后，学员应能够：

• 准确解释IFRS 9三阶段模型与ECL三要素的计算逻辑。
• 定义宏观卫星模型在ECL体系中的位置与边界。
• 独立完成宏观变量筛选、模型估计与情景映射的基本流程。
• 识别卫星模型开发中的常见误区，并设计回测与治理方案。
• 将宏观情景转化为可审计的PD、LGD、EAD调整，并汇总为最终ECL。