2. 宏观变量基础
在组合违约率压力模型中，宏观变量不是装饰性的背景数据，而是驱动违约率迁移的“输入信号”。理解每个指标的经济含义、发布频率与数据来源，决定了后续建模时能否正确选择变量、对齐时间窗口并解释压力情景。本节从建模视角梳理七类常见宏观指标，并给出可落地的数据管理方法。
一、核心原理：宏观变量如何传导至违约率
宏观变量对组合违约率的影响，通常通过三条路径传导：偿债能力路径（收入、就业、利率成本）、现金流路径（价格、汇率、需求）和预期路径（PMI、景气指数）。例如，GDP增速放缓会削弱企业营收与居民收入，失业率上升直接降低零售信贷借款人的还款能力；利率上行则抬高浮动利率债务的利息支出，压缩企业自由现金流。压力模型要做的，是把这些宏观冲击量化为违约率的上行幅度。
建模要点：宏观变量与违约率之间往往存在滞后。GDP、CPI等季度或月度指标需要先确定“观测期—传导期—违约暴露期”的对应关系，再进入回归或情景映射，否则会出现“用未来数据预测过去违约”的错位。
二、七类核心宏观指标详解
下表从含义、频率、常见来源和建模用途四个维度进行归纳，便于在数据字典中统一管理。
| 指标 | 核心含义 | 常见频率 | 典型数据来源 | 建模用途 |
|---|---|---|---|---|
| GDP | 一定时期内经济产出总量，反映整体经济景气与增长动能 | 季度（部分高频估算为月度） | 国家统计局、央行、国际组织数据库 | 刻画经济周期，作为系统性压力情景的基准变量 |
| CPI | 居民消费价格指数，衡量终端通胀与购买力变化 | 月度 | 国家统计局、央行 | 影响实际收入与消费信贷违约，辅助判断货币政策方向 |
| PPI | 工业生产者出厂价格指数，反映生产端价格与利润压力 | 月度 | 国家统计局、行业协会 | 判断企业成本转嫁能力与制造业信用风险 |
| 利率 | 资金价格，包括政策利率、市场利率与贷款利率 | 日度/月度 | 央行、银行间市场、商业银行 | 直接影响利息负担与再融资能力，是压力情景的关键杠杆 |
| 汇率 | 本币对外币比价，影响进出口、外债与跨境资本流动 | 日度 | 央行、外汇交易中心 | 评估外向型企业与外币债务敞口的违约敏感性 |
| 失业率 | 劳动力市场闲置程度，反映居民收入稳定性 | 月度/季度 | 国家统计局、人社部门 | 零售信贷、信用卡与消费贷违约率的核心解释变量 |
| PMI | 采购经理指数，基于企业调查的景气先行指标 | 月度 | 国家统计局、行业协会、市场机构 | 领先于GDP与工业产出，适合作为压力预警与拐点识别 |
三、方法流程：从数据获取到建模可用
宏观数据进入模型前，需要经过一套标准流程，避免“拿到就用”带来的频率错配与口径混乱。
- 明确建模频率：若违约率按月观测，则优先选择月度指标；季度GDP需通过插值或混频模型转换为月度序列。
- 统一口径与单位：同比、环比、季调与非季调不可混用；利率需区分名义与实际、政策与市场。
- 对齐时间窗口：确定每个宏观变量的滞后期，例如失业率滞后1—3个月影响违约率。
- 缺失值与异常值处理：对停更、修订频繁的序列建立版本记录，避免回测时使用修订后数据造成前视偏差。
- 变量筛选与共线性检验：GDP、PMI、PPI之间高度相关，需通过相关性矩阵或方差膨胀因子筛选代表性变量。
# 示例：宏观变量数据字典片段（YAML）
gdp:
name: 国内生产总值同比增速
frequency: quarterly
source: 国家统计局
lag_months: 2
transform: yoy
unemployment:
name: 城镇调查失业率
frequency: monthly
source: 国家统计局
lag_months: 1
transform: level
pmi:
name: 制造业PMI
frequency: monthly
source: 国家统计局
lag_months: 0
transform: level
四、案例/场景：制造业组合的压力情景
假设某银行制造业对公组合需要构建轻度、中度、重度三档压力情景。可选取PPI同比、利率、汇率和PMI作为驱动变量：轻度情景下PPI小幅回落、利率持平；中度情景下PPI转负、利率上行50个基点、本币贬值3%；重度情景下PMI跌破荣枯线、PPI深度负增长、利率上行150个基点。将上述冲击代入违约率映射模型，即可得到不同情景下的组合违约率上升幅度。这里的关键不是变量越多越好，而是每个变量都能对应到一条清晰的传导逻辑。
实操建议：在情景设定中保留一个“宏观变量—行业敞口—违约率”的映射表，便于向业务与风控委员会解释压力结果的来源，而不是只给出一个孤立的违约率数字。
五、误区与复盘
- 误区一：频率混用。把季度GDP直接与月度违约率做回归，样本量骤减且滞后关系失真。应使用混频模型或月度代理变量。
- 误区二：忽视数据修订。GDP、PMI等指标常被修订，回测若使用最终修订值，会高估模型的历史预测能力。
- 误区三：变量堆砌。把七类指标全部放入模型，导致多重共线性，系数不稳定且难以解释。应按传导路径分组筛选。
- 误区四：只看水平值，不看变化率。违约率对宏观变量的“边际变化”往往比对绝对水平更敏感，例如利率的快速上行比高利率本身冲击更大。
复盘提醒：每次压力测试后，应记录宏观变量的实际取值与模型假设的差异，并评估违约率预测偏差。长期积累可形成机构内部的“宏观—违约”敏感度库，提升后续情景设定的合理性。