2. ECL三要素总览
预期信用损失（Expected Credit Loss，ECL）并不是一个凭经验拍出来的数字，而是一个由三个核心参数共同驱动的结构化计算结果。这三个参数分别是违约概率（PD）、违约损失率（LGD）和违约风险暴露（EAD）。理解它们的定义、相互关系以及在ECL计算中的角色，是设计ECL计算引擎的第一块基石。如果把ECL引擎比作一台精密仪器，那么PD、LGD、EAD就是它的三个输入端口，任何一个端口的定义偏差或口径不一致，都会导致最终输出失真。
一、三要素的定义与业务含义
PD（Probability of Default，违约概率）是指在未来某一特定时间段内，债务人发生违约的可能性。这里的“违约”通常有明确的监管或内部定义，例如本金或利息逾期超过90天、债务人申请破产、或银行出于经济原因对债务进行重组等。PD是一个介于0和1之间的概率值，时间口径可以是1年、剩余期限或整个存续期。在ECL框架下，PD通常需要区分“12个月PD”和“生命周期PD”，以对应三阶段模型的不同要求。
LGD（Loss Given Default，违约损失率）是指在债务人违约后，债权人最终无法收回的损失占违约风险暴露的比例。它反映的是“违约后能挽回多少”。LGD = 1 - 回收率（Recovery Rate）。影响LGD的因素包括抵押品类型与价值、清偿顺序、行业惯例、宏观经济环境等。例如，有足额房产抵押的贷款LGD可能只有20%，而纯信用贷款的LGD可能高达70%以上。
EAD（Exposure at Default，违约风险暴露）是指债务人违约时，债权人实际面临风险的敞口金额。对于已提取的贷款，EAD通常等于本金余额加上应收利息；对于未提取的授信额度，EAD还需要考虑违约时借款人可能继续提取的部分，即信用转换系数（CCF）。EAD回答的是“违约时到底欠多少钱”这个问题。
核心公式：ECL = PD × LGD × EAD × 折现因子
在简化场景下，若忽略折现和时间价值，ECL可近似理解为“违约概率 × 违约损失率 × 违约敞口”。但实际引擎设计中，必须考虑多期折现、阶段划分和宏观情景加权。
二、三要素的相互关系与计算逻辑
PD、LGD、EAD并非三个独立无关的参数，它们在业务逻辑上存在深刻的联动关系。首先，PD与LGD往往正相关：当宏观经济恶化时，违约概率上升，同时抵押品价值下跌导致回收率下降、LGD上升。这种“双重恶化”效应意味着简单将三者相乘可能会低估极端情景下的损失。其次，EAD与PD也存在关联：对于循环授信，当借款人信用状况恶化时，其更可能在违约前集中提取额度，导致EAD高于正常预期。因此，在高级ECL引擎中，通常需要对这三者的相关性进行建模或至少进行压力测试调整。
从计算流程看，ECL引擎通常按以下步骤组织三要素：
- 确定风险分组与阶段划分：根据信用风险变化将资产分为阶段一、阶段二、阶段三，不同阶段使用不同的PD口径（12个月或生命周期）。
- 获取PD参数：从评级模型、历史违约数据或市场隐含信息中估计PD，并映射到对应期限。
- 获取LGD参数：基于抵押品估值、清偿顺序和历史回收数据估算LGD，必要时进行前瞻性调整。
- 计算EAD：对表内敞口取账面价值，对表外敞口应用CCF，并考虑应计利息。
- 多期折现与汇总：将各期PD、LGD、EAD相乘后按实际利率折现，加总得到ECL。
下面是一个简化的参数配置示例，展示引擎中三要素如何以结构化方式输入：
{
"asset_id": "LOAN_2024001",
"stage": 2,
"pd_term_structure": [0.012, 0.015, 0.018, 0.020],
"lgd": 0.45,
"ead": 1250000.00,
"discount_rate": 0.05,
"scenario_weight": {
"base": 0.5,
"optimistic": 0.2,
"pessimistic": 0.3
}
}在这个配置中，PD以期限结构形式给出，LGD和EAD为标量，折现率和情景权重用于后续加权计算。引擎设计时需要确保这些参数的口径一致，例如PD的时间单位与折现期数匹配，LGD与EAD的币种一致。
三、案例场景：一笔公司贷款的ECL计算
假设某银行向一家制造企业发放了一笔5年期贷款，当前处于阶段二，需要计算生命周期ECL。相关参数如下：
| 参数 | 值 | 说明 |
|---|---|---|
| EAD | 1,250,000元 | 本金余额+应收利息 |
| LGD | 45% | 有部分设备抵押，回收率约55% |
| 第1年PD | 1.2% | 边际违约概率 |
| 第2年PD | 1.5% | 边际违约概率 |
| 第3年PD | 1.8% | 边际违约概率 |
| 折现率 | 5% | 实际利率 |
简化计算第1年ECL：1,250,000 × 45% × 1.2% = 6,750元。第2年ECL：1,250,000 × 45% × 1.5% = 8,437.5元，折现后为8,035.7元。第3年类似处理。将各年结果加总，得到该笔贷款的生命周期ECL。这个案例说明，三要素中任何一个的微小变化都会线性影响ECL结果，因此参数治理是引擎设计的重中之重。
四、常见误区与复盘要点
误区一：将PD、LGD、EAD视为完全独立。在压力情景下，三者可能同时恶化，简单相乘会低估损失。引擎应支持相关性调整或至少提供情景联动配置。
误区二：PD口径与ECL阶段不匹配。阶段一应使用12个月PD，阶段二和阶段三应使用生命周期PD。混用会导致ECL高估或低估。
误区三：EAD忽略表外敞口和应计利息。只取本金余额会遗漏信用卡未使用额度、贷款承诺等风险敞口。
误区四：LGD未考虑前瞻性调整。历史回收率在宏观下行期可能显著恶化，引擎应支持LGD的情景化调整。
复盘建议：在设计ECL引擎时，建议为PD、LGD、EAD分别建立独立的数据校验规则和版本管理机制。每次参数更新都应记录变更原因、影响范围和回测结果。同时，引擎应输出三要素的明细分解，便于业务人员定位ECL波动的驱动因素，而不是只看到一个最终数字。
总结来说，PD、LGD、EAD是ECL计算的三根支柱。PD回答“会不会违约”，LGD回答“违约后损失多少”，EAD回答“违约时敞口多大”。三者相乘并经过折现和情景加权，最终形成预期信用损失。理解它们的定义、联动关系和计算逻辑，是后续设计参数管理、阶段划分、情景加权和结果归因等引擎模块的前提。