4. 信用评级体系
在CreditMetrics框架中，信用迁徙矩阵是全部计算的起点。而迁徙矩阵的每一行、每一列，都对应着一个评级状态。因此，评级体系是否可靠、评级符号是否可对齐、映射关系是否稳定，直接决定了迁徙矩阵乃至后续VaR、经济资本计量的可信度。本节聚焦评级体系的四个关键问题：外部评级与内部评级的分工、评级符号体系、评级映射方法、评级一致性治理。
一、核心原理：评级是信用风险的离散化刻度
信用评级本质上是对债务人未来违约概率（PD）的等级化表达。它把连续的信用质量压缩为有限个离散状态，使迁徙分析成为可能。外部评级由专业机构（如标普、穆迪、惠誉）发布，具有跨机构可比性和市场公信力，但覆盖对象以公开发债主体为主，更新频率低、颗粒度粗。内部评级由银行或金融机构自行构建，覆盖全部授信客户，能够纳入财务数据、行为数据、专家判断，更新频率高，但需要自行承担模型验证与治理成本。
在CreditMetrics实战中，两者并非替代关系，而是互补关系：外部评级用于校准和基准对照，内部评级用于覆盖全量组合并支撑日常风险计量。核心挑战在于——如何把内部评级结果映射到外部评级符号体系，从而复用公开的迁徙矩阵与违约率数据。
关键结论：评级映射不是简单的“等级对等级”，而是PD区间对齐。映射质量取决于内部评级PD估计与外部评级历史违约率的可比性。
二、评级符号体系与映射方法
主流外部评级符号体系如下表所示。不同机构的符号命名不同，但大致可建立对应关系。理解这些符号的排序和含义，是构建映射表的前提。
| 大致风险等级 | 标普 | 穆迪 | 惠誉 | 典型PD区间（1年，参考） |
|---|---|---|---|---|
| 最高质量 | AAA | Aaa | AAA | < 0.02% |
| 高质量 | AA | Aa | AA | 0.02% – 0.05% |
| 中上质量 | A | A | A | 0.05% – 0.15% |
| 中等质量 | BBB | Baa | BBB | 0.15% – 0.50% |
| 投机级 | BB | Ba | BB | 0.50% – 2.0% |
| 高投机级 | B | B | B | 2.0% – 8.0% |
| 接近违约 | CCC及以下 | Caa及以下 | CCC及以下 | > 8.0% |
| 违约 | D / SD | C / D | D / RD | 100% |
评级映射的常用方法有三种：
- 符号直接对应法：按评级符号名称直接建立映射，如内部1级对应AAA，2级对应AA。实现简单，但忽略了不同体系PD分布差异，容易产生系统性偏差。
- PD区间对齐法：先估计内部每个等级的1年期PD，再与外部评级的历史平均PD区间进行匹配。这是CreditMetrics实践中推荐的方法，映射结果更稳健。
- 统计映射法：利用有序Probit或累积Logit模型，以财务指标为解释变量，估计内部等级与外部等级的条件概率分布，取最大概率对应关系。适合数据积累充分的机构。
以下是一个PD区间对齐映射的配置示例，用于将内部10级映射到标普8级体系：
internal_rating_mapping:
- internal_grade: "IG1"
pd_1y: 0.0001
mapped_sp: "AAA"
- internal_grade: "IG2"
pd_1y: 0.0003
mapped_sp: "AA"
- internal_grade: "IG3"
pd_1y: 0.0008
mapped_sp: "A"
- internal_grade: "IG4"
pd_1y: 0.0020
mapped_sp: "BBB"
- internal_grade: "SG1"
pd_1y: 0.0080
mapped_sp: "BB"
- internal_grade: "SG2"
pd_1y: 0.0300
mapped_sp: "B"
- internal_grade: "SG3"
pd_1y: 0.1200
mapped_sp: "CCC"
- internal_grade: "DF"
pd_1y: 1.0000
mapped_sp: "D"三、评级一致性：从映射表到治理机制
评级一致性包含三个层面：横向一致性（同一时点不同业务条线对同类客户的评级标准一致）、纵向一致性（同一客户在不同时间点评级变动反映真实风险变化，而非标准漂移）、跨体系一致性（内部评级与外部评级映射关系稳定，不随经济周期剧烈摆动）。
在CreditMetrics实战中，评级不一致会直接污染迁徙矩阵。例如，若内部评级标准在一年内放松，大量客户从BB上调至BBB，则计算出的“上调概率”被高估，迁徙矩阵失真，进而低估经济资本。因此，必须建立评级一致性监控机制，常见做法包括：
- 定期比较内部评级分布与外部评级分布的差异，设置偏离阈值。
- 对映射表进行回溯测试，检验映射后PD与实际违约率是否吻合。
- 建立评级迁移监控看板，识别异常迁移集中度。
- 对评级上调设置更严格的审批流程，防止评级通胀。
实战提示：在CreditMetrics参数配置中，建议将映射表版本化。每次调整映射关系时，记录版本号、生效日期和调整原因，确保迁徙矩阵可复现、可审计。
四、案例与误区复盘
某商业银行在首次实施CreditMetrics时，直接将内部10级评级按顺序映射到标普10级（含细分），未做PD校准。结果发现：内部评级为“3级”的客户群，实际1年期违约率为0.35%，而标普BBB的历史平均违约率约为0.20%，映射后高估了该等级的信用质量。由此计算的迁徙矩阵中，BBB→BB的迁移概率被低估，组合VaR被低估约12%。后改用PD区间对齐法重新映射，并引入外部评级作为校准锚点，VaR估计恢复至合理区间。
常见误区：①把评级映射当作一次性工作，忽略定期校准；②直接用外部评级覆盖内部评级，导致大量客户无评级可用；③映射时只看等级名称，不看PD定义口径（如是否包含担保、是否跨周期）；④忽略评级符号中的“+/-”修饰符，导致颗粒度损失。
复盘要点：评级体系是CreditMetrics的地基。外部评级提供基准和公信力，内部评级提供覆盖和频率，映射方法决定两者能否有效衔接，一致性治理决定长期可靠性。四者缺一不可。只有在评级符号、PD口径、映射逻辑和治理流程全部对齐之后，迁徙矩阵才具备实战意义。