3. 宏观卫星模型基础

在IFRS 9预期信用损失（ECL）框架下，信用风险建模的核心任务是将“未来宏观经济的不确定性”转化为“可计量的违约概率（PD）、违约损失率（LGD）与违约风险暴露（EAD）”。然而，纯粹的统计模型往往只依赖历史违约数据，难以直接吸收GDP、失业率、房价指数等宏观变量。宏观卫星模型（Macro Satellite Model）正是为解决这一断层而设计的结构性组件：它不替代主模型，而是作为主模型的“外挂模块”，将宏观情景映射为信用风险参数的调整因子。

3.1 卫星模型的核心概念

卫星模型是一种“分层建模”策略。其基本思想是：将信用风险模型拆分为两个层次——核心模型负责刻画个体层面的违约机制（如Logistic回归、生存分析），卫星模型则负责建立宏观变量与核心模型输入参数之间的桥梁。卫星模型通常不直接预测违约，而是预测“违约驱动因子”，例如行业违约率、评级迁移矩阵或宏观敏感型财务比率。

从数学形式看，卫星模型可表示为：

Y_t = f(M_t, θ) + ε_t

其中：
Y_t：t期信用风险驱动因子（如行业违约率、PD中枢）
M_t：t期宏观变量向量（GDP增速、失业率、利率、房价指数等）
θ：待估参数
ε_t：残差项

卫星模型的关键特征在于可解释性与可审计性。监管机构要求ECL模型能够说明宏观情景如何传导至拨备，卫星模型恰好提供了这条传导链的显式表达。

3.2 与宏观计量模型的关系

卫星模型与宏观计量模型（如VAR、DSGE、ARIMA）并非竞争关系，而是上下游关系。宏观计量模型负责生成“情景路径”，即未来若干年GDP、失业率等变量的联合路径；卫星模型则负责将这些路径“翻译”为信用风险参数。两者的分工可概括为：

• 宏观计量模型：解决“未来宏观世界长什么样”的问题，输出情景路径。
• 卫星模型：解决“这样的宏观世界对信用风险意味着什么”的问题，输出PD/LGD调整因子。
• 核心信用模型：解决“给定调整因子后，每笔资产的ECL是多少”的问题。

3.3 在信用风险建模中的定位与优势

在ECL三要素（PD、LGD、EAD）中，卫星模型最常应用于PD的宏观调整，也可扩展至LGD（如抵押品价值随房价指数变动）和EAD（如授信额度使用率随经济周期变动）。其定位可总结为“情景传导器”：将宏观情景的冲击，按行业、区域或组合维度，差异化地传导至信用风险参数。

卫星模型的主要优势包括：

1. 监管合规性：满足IFRS 9对“前瞻性信息”的纳入要求，且传导逻辑可追溯、可解释。
2. 灵活性：可针对不同行业、地区或产品分别建立卫星模型，避免“一刀切”的宏观调整。
3. 稳健性：相比将宏观变量直接塞入核心模型，卫星模型的分层结构降低了过拟合风险。
4. 可维护性：当宏观情景更新时，只需重新运行卫星模型，无需重构核心信用模型。

下表对比了卫星模型与“直接嵌入法”的差异：

对比维度	卫星模型（分层）	直接嵌入法（单层）
模型结构	宏观→卫星→核心，两层映射	宏观与个体变量混合入一个模型
可解释性	高，传导链清晰	低，宏观变量系数难以业务解释
过拟合风险	较低，分层估计	较高，参数多且共线性强
维护成本	低，卫星模型可独立更新	高，每次情景更新需重估全模型
监管接受度	普遍接受	需额外论证

3.4 案例场景：失业率卫星模型

假设某银行零售组合需要将失业率情景纳入ECL。核心PD模型已包含“借款人收入负债比”等个体变量，但未包含宏观变量。此时可构建一个卫星模型：

卫星模型：行业违约率_t = α + β1 * 失业率_t + β2 * GDP增速_t + ε_t

估计结果（示例）：
α = 0.8%
β1 = 0.35（失业率每上升1%，行业违约率上升0.35%）
β2 = -0.12（GDP增速每上升1%，行业违约率下降0.12%）

情景输入：
基准情景：失业率 5.0%，GDP增速 4.5%
不利情景：失业率 8.0%，GDP增速 1.0%

卫星模型输出：
基准违约率 = 0.8% + 0.35*5.0 - 0.12*4.5 = 2.01%
不利违约率 = 0.8% + 0.35*8.0 - 0.12*1.0 = 3.48%

调整因子 = 3.48% / 2.01% ≈ 1.73

该调整因子随后被应用于核心PD模型的截距项或通过评分卡平移，最终影响每笔资产的ECL。整个过程清晰展示了“宏观情景→卫星模型→核心模型→ECL”的传导路径。

3.5 常见误区与复盘