📚 课程目录第4章信贷组合基础

4. 信贷组合基础

压力测试不是对单笔贷款的简单加减，而是对“组合”在极端情景下的整体反应进行推演。要做好这件事，必须先建立一套统一的组合语言：我们到底在测什么、每一笔资产如何进入模型、损失由哪些参数驱动、不同资产之间为什么会一起恶化。本节围绕六个基础概念展开：组合分类、风险暴露、违约概率（PD）、违约损失率（LGD）、违约风险暴露（EAD）与相关性。它们是后续情景设定、损失分布和资本决策的公共底座。

一、核心原理：从“一笔贷款”到“一个组合”

信贷组合可以理解为若干信用资产的集合，但组合不是简单相加。组合层面的风险取决于三个层次：规模（有多少暴露）、质量（违约可能性与损失程度）、结构（资产之间的相关性与集中度）。压力测试的核心公式可以概括为：

预期损失 EL = PD × LGD × EAD
非预期损失 UL = f(PD, LGD, EAD, 相关性, 置信水平)
组合损失 = Σ 单笔损失 + 相关性带来的联合恶化效应

其中，EL 是“平均会亏多少”，UL 是“超出平均的波动有多大”。压力测试更关注 UL 在极端情景下的放大，而相关性正是放大的关键杠杆：当违约不再独立发生，损失分布的尾部会显著变厚。

二、六个基础概念逐项拆解

1. 组合分类

组合分类决定了后续建模口径。常见维度包括：

按产品：对公贷款、零售贷款、信用卡、同业资产、表外承诺。
按客户/交易对手：大型企业、中小企业、个人、金融机构、政府平台。
按风险特征：抵押方式、行业、区域、评级、期限。
按会计与监管口径：摊余成本、公允价值、表内/表外、是否违约。

分类不是越细越好，而是要与数据可得性和决策用途匹配。压力测试中，分类过粗会掩盖集中度风险，过细则会导致样本不足、参数不稳定。

2. 风险暴露与违约风险暴露（EAD）

风险暴露是“一旦违约，我们可能损失的本金规模”。EAD 是在违约发生时点上的实际暴露，通常需要考虑已提款金额、未提款承诺的转化率（CCF）以及还款计划。例如：

EAD = 已提款余额 + 未提款承诺 × CCF
CCF（信用转换系数）示例：
  循环授信：0.75
  不可撤销承诺：1.00
  可撤销承诺：0.00～0.20

压力情景下，EAD 本身也会变化：企业会加速提款、信用卡额度会被用满，因此压力测试不能只用当前余额。

3. 违约概率（PD）

PD 是借款人在一定期限内发生违约的概率。它可以是历史违约率、评级映射结果，也可以是模型输出的前瞻性指标。压力测试中，PD 需要从“当前时点”迁移到“压力时点”，常见做法是：

基于宏观因子（GDP、失业率、利率、房价）建立 PD 迁移模型；
使用评级迁移矩阵，将正常情景评级下调至压力评级；
对零售组合按账龄、逾期状态滚动率推算。

4. 违约损失率（LGD）

LGD 是违约后最终无法收回的比例，等于 1 减去回收率。它受抵押品价值、清偿顺序、处置周期和法律环境影响。压力情景下，抵押品价格下跌、处置周期拉长，LGD 会显著上升。例如：

LGD = 1 - 回收率
回收率 = 回收金额 / 违约时暴露
压力情景下：
  房地产抵押 LGD 从 25% 上升至 45%
  信用贷款 LGD 从 55% 上升至 75%

5. 相关性

相关性衡量不同借款人、行业或区域同时违约的倾向。它不直接出现在 EL 公式中，却决定了 UL 和尾部损失。相关性来源包括：共同宏观因子、产业链关联、区域经济联动、担保圈等。压力测试中，相关性上升意味着“分散化红利”下降，组合损失分布右尾变厚。

关键理解：PD、LGD、EAD 决定单笔资产的损失期望，相关性决定这些损失是否会在同一时间集中爆发。压力测试真正要回答的是：在极端情景下，组合尾部损失是否超过我们的资本与风险偏好承受能力。

三、方法流程：从组合分类到损失测算

确定测试范围与组合分类：明确纳入哪些资产、按什么维度分组。
计算基准 EAD：区分表内已提款与表外承诺，设定 CCF。
设定压力情景：宏观变量、房价、利率、失业率等。
映射 PD 与 LGD：将情景变量传导至 PD 迁移和 LGD 上升。
引入相关性结构：按行业、区域或因子模型设定相关系数。
计算组合损失分布：得到 EL、UL、VaR 或 ES。
复盘与决策：对比风险偏好，形成限额、资本与缓释决策。

概念	含义	压力情景下的变化方向	常见误区
组合分类	按产品、客户、行业等维度划分资产	分类口径需保持稳定，避免情景切换时不可比	分类过粗，掩盖集中度
EAD	违约时点的风险暴露	未提款承诺提用率上升，EAD 增加	只用当前余额，忽略表外
PD	违约发生概率	经济下行，PD 上升	用历史平均 PD 代替压力 PD
LGD	违约后损失比例	抵押品贬值，LGD 上升	假设 LGD 固定不变
相关性	资产同时恶化的倾向	压力下相关性上升，尾部损失放大	忽略行业与区域集中度

四、案例场景：一个对公组合的压力测试片段

假设某银行对公组合分为制造业、房地产、批发零售三个行业，基准数据如下：

行业         EAD(亿元)   PD      LGD     相关性(行业间)
制造业        120        1.5%    40%     0.35
房地产         80        2.0%    30%     0.45
批发零售       50        2.5%    50%     0.30

在压力情景下，GDP 增速下降 3 个百分点，房地产价格下跌 20%。模型输出：制造业 PD 升至 4.5%，LGD 升至 55%；房地产 PD 升至 6.0%，LGD 升至 50%；批发零售 PD 升至 5.5%，LGD 升至 65%。同时行业间相关性上升至 0.6。此时组合 EL 从约 2.1 亿元上升至约 6.8 亿元，而 UL 因相关性上升放大更明显。这个案例说明：压力测试的杀伤力往往不来自单一参数，而来自 PD、LGD、EAD 与相关性同时恶化。

实操提示：在数据有限时，可以先用“参数区间 + 敏感性分析”代替复杂模型。例如分别测试 PD 上升 50%、LGD 上升 20 个百分点、相关性上升 0.2 的组合影响，快速识别最脆弱的组合段。

五、误区与复盘

误区一：把 EL 当作压力损失。EL 是平均损失，压力测试更关注尾部 UL 和极端分位数。
误区二：PD 与 LGD 独立假设。现实中违约率上升时，回收率往往同时下降，两者存在正相关。
误区三：忽略 EAD 的动态变化。压力下授信额度提用率上升，EAD 会高于基准。
误区四：相关性设定过于随意。相关性是尾部风险的核心驱动，应有历史数据或因子模型支撑。
误区五：分类口径频繁变动。导致压力测试结果不可比，无法支持跨期决策。

复盘要点：每次压力测试后，应回看三个问题：第一，参数假设是否有业务依据；第二，相关性是否反映了真实的集中度；第三，测试结果是否真正进入了限额、资本和授信决策。如果答案是否定的，压力测试就只是报表，而不是管理工具。

掌握组合分类、EAD、PD、LGD 与相关性，是后续构建压力情景、测算损失分布和制定管理决策的前提。只有把每个参数的口径、联动关系和压力下的变化方向说清楚，压力测试才能从“数字演练”变成“决策依据”。