4. 宏观卫星模型的理论框架
在IFRS 9预期信用损失（ECL）框架下，宏观卫星模型（Satellite Model）承担着将宏观情景转化为违约概率（PD）、违约损失率（LGD）或违约风险暴露（EAD）调整因子的桥梁作用。它并非独立的风险模型，而是依附于核心信用风险参数模型的“卫星”组件，通过宏观因子的系统性变动驱动ECL在中性情景与乐观、悲观情景之间迁移。理解其理论框架，是确保ECL对宏观情景敏感、可解释、可审计的前提。
一、宏观因子选择：从经济逻辑到统计显著性
宏观因子选择是卫星模型的第一道关口。选择不当，后续的传导机制、模型形式与滞后结构都无从谈起。实践中应遵循“经济逻辑先行、统计验证辅助、业务可解释”的三重原则。
- 经济逻辑先行：因子必须与目标组合的信用风险存在可论证的因果或领先关系。例如，出口导向型制造业组合应关注外部需求指标（如PMI新出口订单、主要贸易伙伴GDP增速），而非单纯依赖国内消费指标。
- 统计验证辅助：在逻辑筛选后，通过相关性分析、Granger因果检验、VIF共线性诊断等确认因子的解释力与独立性。避免仅因统计显著而纳入缺乏业务含义的“黑箱”变量。
- 业务可解释：每个因子都应能向业务部门、审计与监管清晰说明“为什么它会影响违约率”。这是模型治理与IFRS 9披露要求的基本底线。
常见宏观因子可分为五类：经济增长类（GDP增速、工业增加值）、价格与成本类（CPI、PPI、大宗商品价格）、货币与利率类（政策利率、市场利率、M2增速）、就业与收入类（失业率、居民可支配收入）、外部与市场情绪类（汇率、股指波动率、PMI）。选择时需注意因子与组合的匹配度，避免“一刀切”地使用全国性总量指标覆盖所有行业与区域。
二、传导机制：从宏观冲击到信用参数的路径
传导机制回答的是“宏观因子如何影响PD/LGD”这一核心问题。常见的传导路径包括：
- 现金流路径：宏观下行导致企业营收下降、现金流紧张，偿债能力恶化，PD上升。
- 抵押品路径：资产价格下跌（如房地产、大宗商品）导致抵押品价值缩水，LGD上升。
- 再融资路径：利率上升或信贷收紧导致企业再融资困难，短期违约概率跳升。
- 信心与预期路径：市场波动率上升、PMI持续低于荣枯线，企业投资与居民消费收缩，形成自我强化的信用收缩。
在建模时，传导机制决定了因子的符号方向、转换形式与滞后结构。例如，现金流路径通常对应PD与GDP增速的负相关，且可能存在1～2个季度的滞后；抵押品路径则对应LGD与资产价格指数的负相关，滞后可能更短。若忽略传导机制，直接做“因子—PD”的统计拟合，容易得到符号相反或经济上无法解释的系数。
三、线性与非线性模型：形式选择与适用边界
卫星模型的核心建模形式可分为线性与非线性两大类。线性模型以多元线性回归、面板回归为代表，优点是解释性强、参数估计稳定、易于审计；缺点是对阈值效应、尾部非线性关系捕捉不足。非线性模型包括逻辑回归、分段回归、样条回归、门限回归以及机器学习方法，能更好地刻画“宏观因子在特定区间才显著影响PD”的现实。
| 模型形式 | 典型方法 | 优势 | 局限 | 适用场景 |
|---|---|---|---|---|
| 线性模型 | OLS、面板固定效应 | 可解释、稳定、易审计 | 无法捕捉阈值与尾部效应 | 因子与PD关系平稳、样本充足 |
| 广义线性模型 | Logistic、Probit | 输出有界、符合PD定义 | 对极端值仍敏感 | PD作为因变量、需概率解释 |
| 分段/门限模型 | Threshold Regression | 刻画区间差异 | 门限估计需大样本 | 经济周期不同阶段影响不同 |
| 样条/非线性 | GAM、样条回归 | 灵活拟合曲线关系 | 解释成本较高 | 因子影响存在明显非线性 |
选择模型形式时，应优先考虑监管接受度与业务可解释性。在IFRS 9审计中，过于复杂的“黑箱”模型往往需要额外的验证与披露成本。一个实用策略是：以线性或Logistic模型为基准，仅在残差诊断明确显示非线性结构时，才引入分段或样条项，并确保每个非线性项都有经济逻辑支撑。
四、滞后效应与动态调整：让模型跟上经济节奏
宏观因子对信用风险的影响很少是即时的。滞后效应体现在两个层面：一是因子本身的发布滞后（如GDP季度数据滞后1～2个月），二是经济传导的时滞（如利率上升后6～12个月才反映到违约率）。卫星模型必须显式处理这两类滞后。
常用方法包括：
- 分布滞后模型：将因子当期与多期滞后项同时纳入，估计各期系数，观察影响的时间分布。
- 移动平均或累积效应：用因子的滚动均值或累积变化量替代单期值，平滑短期波动。
- 动态调整机制：在ECL计算中引入“卫星模型输出—核心模型参数”的映射规则，并设置调整上限与下限，防止宏观情景导致PD出现不合逻辑的极端值。
动态调整还涉及情景权重的时变处理。在基准、乐观、悲观三情景下，卫星模型输出的PD调整因子应随宏观情景的严重程度单调变化。若出现“悲观情景PD反而低于基准”的反常结果，通常意味着因子符号、滞后结构或模型形式存在设定错误，需要回溯检查。
五、案例与复盘：一个制造业组合的卫星模型设定
假设某银行对制造业企业组合建立PD卫星模型。候选因子包括：PMI新订单指数、PPI同比、1年期LPR、工业增加值增速。经过经济逻辑与统计筛选，最终纳入PMI新订单（领先1季度）与PPI同比（同步），模型形式为Logistic回归，并加入PMI低于50时的门限项。
卫星模型设定示例（伪代码）：
logit(PD_adj) = β0 + β1 * PMI_new_order(t-1)
+ β2 * PPI_yoy(t)
+ β3 * max(0, 50 - PMI_new_order(t-1))
+ ε
约束条件：
- β1 < 0（PMI上升，PD下降）
- β2 > 0（PPI上升，成本压力推升PD）
- β3 > 0（PMI低于荣枯线时，额外推升PD）
- PD_adj 最终映射回核心PD模型，调整幅度限制在[0.5x, 2.0x]复盘要点：第一，检查因子符号是否符合经济逻辑；第二，检验门限项是否在样本外稳定显著；第三，验证调整后的PD在历史压力期是否合理上升；第四，确认模型输出能被业务与审计人员理解。若发现某因子在近两年失效，应优先考虑结构性变化（如行业转型、政策干预），而非简单删除因子。