1. 课程导入
IFRS 9下的预期信用损失（Expected Credit Loss, ECL）模型，已经从“会计估计”演变为银行风险管理、资本规划与监管审查的交汇点。模型一旦上线，其参数、假设与宏观情景便持续暴露在经济周期、组合结构变化与监管预期更新之中。因此，回测、验证与敏感性分析不是一次性交付物，而是贯穿模型全生命周期的治理机制。本章作为课程导入，帮助学员建立统一的概念地图与监管语境，为后续30章的模型技术、数据治理、情景设计与审计应对打下基础。
一、学习目标：从“会算ECL”到“能证明ECL合理”
本课程的学习目标不是重复ECL三要素公式，而是让学员具备对ECL模型进行独立回测、有效验证与稳健敏感性分析的能力。具体包括：
- 理解监管逻辑：掌握IFRS 9、巴塞尔体系与监管审查（如TRIM、IFRS 9专题检查）对模型验证的不同要求与交叉影响。
- 掌握回测方法：能够区分违约概率（PD）、违约损失率（LGD）、违约风险暴露（EAD）与整体ECL的回测目标，选择合适统计检验与业务判断标准。
- 执行模型验证：从概念合理性、数据质量、方法论、参数校准、结果应用五个维度设计验证方案。
- 开展敏感性分析：识别关键假设与驱动因子，量化宏观情景、权重、期限结构、提前还款等变化对ECL的影响。
- 形成治理闭环：将回测与验证结果转化为模型监控指标、调整建议与审计证据。
二、核心概念：回测、验证与敏感性分析的边界
三个概念常被混用，但在模型治理中承担不同职责。回测（Backtesting）是“向后看”，用实际结果检验模型预测的准确性；验证（Validation）是“全面看”，独立评估模型设计、数据、方法、假设与治理是否合理；敏感性分析（Sensitivity Analysis）是“向前看”，测试关键输入变化对输出的影响。三者共同构成模型风险管理的证据链。
| 维度 | 回测 | 验证 | 敏感性分析 |
|---|---|---|---|
| 核心问题 | 模型预测是否准确？ | 模型是否合理、合规、可治理？ | 关键假设变化时结果是否稳健？ |
| 时间方向 | 向后看 | 当前与全周期 | 向前看 |
| 主要输出 | 统计检验、误差指标、分层结果 | 验证报告、问题清单、整改建议 | ECL波动区间、驱动因子排序 |
| 常见方法 | 二项检验、Hosmer-Lemeshow、AUC、迁移矩阵 | 独立复现、基准对比、专家判断 | 单因素、多因素、情景压力测试 |
| 监管关注 | 预测偏差与保守性 | 治理、文档、独立性 | 顺周期性与资本充足 |
三、整体框架：从数据到治理的闭环
ECL模型回测、验证与敏感性分析不是孤立的技术活动，而是一个闭环流程。典型框架包括：
- 数据与假设盘点：确认违约定义、观察期、宏观变量、情景权重与模型版本。
- 回测设计：按组合、评级、期限分层，选择PD、LGD、EAD与ECL层面的检验方法。
- 独立验证：复现核心计算，检查概念合理性、数据 lineage、参数校准与叠加调整。
- 敏感性分析：设置基准、乐观、悲观情景，测试宏观因子、权重、提前还款与期限结构变化。
- 结果解读与报告：区分统计显著性与业务重要性，形成问题分级与整改计划。
- 持续监控：将关键指标纳入模型监控仪表盘，触发再校准或重建。
四、监管背景：IFRS 9、巴塞尔与监管审查的交汇
IFRS 9要求主体基于合理且有依据的信息计量ECL，强调前瞻性信息与宏观情景。巴塞尔体系则从资本充足角度关注PD、LGD、EAD的审慎估计与压力测试。监管审查（如欧洲央行的TRIM、IFRS 9专题检查、审慎监管局模型风险管理要求）进一步要求银行证明模型治理的有效性。三者共同构成ECL模型验证的外部约束。
在监管沟通中，以下问题经常被追问：
- 违约定义是否与内部风险管理一致？
- 宏观情景与权重是否有充分依据？
- 模型叠加调整（overlay）是否经过治理审批？
- 回测结果是否触发再校准？
- 敏感性分析是否覆盖顺周期性与尾部风险？
五、案例场景：一次ECL回测为何被质疑
某银行在年度回测中报告PD模型AUC为0.78，整体ECL偏差为-3%，看似表现良好。但监管检查发现：回测样本集中在低风险零售组合，未覆盖疫情期间的高风险企业敞口；宏观情景权重仍沿用三年前设定；叠加调整未记录审批依据。最终该回测结论被认定为“不充分”。这个案例说明：回测设计必须覆盖关键风险分层，验证必须独立于模型开发，敏感性分析必须反映当前经济环境。
回测设计检查清单：
1. 样本是否覆盖所有重要组合与评级？
2. 观察期是否包含压力时段？
3. 违约定义是否与模型开发一致？
4. 检验方法是否匹配数据分布？
5. 结果是否区分统计显著与业务重要？
6. 是否触发再校准或叠加调整？
7. 文档是否可追溯、可复现？六、常见误区与复盘
初学者容易陷入以下误区：
- 只关注整体ECL偏差：整体偏差小可能掩盖组合层面的严重高估或低估。
- 忽视违约定义变化：定义调整会导致回测结果不可比。
- 敏感性分析只做单因素：宏观因子之间存在相关性，单因素分析可能低估联合影响。
- 验证缺乏独立性：模型开发人员自验难以发现系统性偏差。
- 叠加调整缺乏治理：随意叠加会削弱模型的可解释性与审计证据。
复盘时，建议将回测、验证与敏感性分析的结果统一纳入模型风险报告，明确问题等级、责任人与整改期限。只有形成“设计—执行—报告—整改—监控”的闭环，ECL模型才能在会计计量与监管审查中持续可信。