1. 课程导入

欢迎进入《CreditRisk+信用组合损失分布建模实战》。在正式动手建模之前，我们需要先回答三个问题：CreditRisk+从哪里来？它到底在算什么？学完这门课，你应该具备哪些能力？这一章不涉及复杂公式推导，而是帮你建立一张“认知地图”，让后续30章的学习有明确的坐标。

一、历史背景：从精算视角切入信用风险

CreditRisk+最早由瑞士信贷第一波士顿（CSFB）于1997年发布，是信用风险量化领域最早被广泛采用的组合模型之一。它与CreditMetrics、KMV、CreditPortfolioView并称为“四大信用风险组合模型”。理解它的出身非常关键：CreditRisk+并不是从企业资产结构或违约相关性出发，而是借鉴了财产保险中的精算损失模型——把贷款组合看作一份保单组合，把违约看作保险赔付事件。

这一视角带来了两个直接结果。第一，模型只关注“违约”与“不违约”两种状态，不涉及信用评级迁移，因此结构轻、参数少、计算快。第二，它用泊松分布刻画违约事件的发生频率，用违约损失暴露刻画单笔损失的严重程度，从而把组合损失分布的计算转化为可解析、可递推的问题。正因如此，CreditRisk+在银行经济资本计量、贷款定价和组合限额管理中长期占有一席之地。

二、核心思想：用频率与严重度合成损失分布

CreditRisk+的核心思想可以用一句话概括：组合损失分布 = 违约频率分布 × 违约损失严重度分布。具体而言，模型假设每笔债务在给定时间内违约次数服从泊松分布，违约概率由债务人所属风险因子的违约率决定；一旦违约，损失金额等于违约暴露乘以违约损失率。由于不同债务的违约事件被假设为相互独立（在给定风险因子条件下），组合损失分布可以通过概率生成函数和递推算法高效求解。

这里有一个容易被忽视但非常重要的点：CreditRisk+并不直接模拟每笔债务的违约相关性，而是通过风险因子间接引入相关性。例如，同一行业内的企业共享一个行业违约率因子，当该因子波动时，行业内多笔债务会同时趋向违约。这种“条件独立”的处理方式，既保留了相关性来源，又避免了高维联合分布的复杂性。

三、方法流程：从数据到损失分布的五步法

在实战中，CreditRisk+的建模流程可以归纳为五个步骤。理解这个流程，有助于你在后续章节中把每个模块放到正确的位置。

1. 数据准备：整理债务敞口、违约率、违约损失率、风险因子映射关系。数据质量直接决定模型可信度。
2. 风险因子划分：按行业、区域或评级将债务分组，确定每组对应的违约率均值和波动率。
3. 频率与严重度参数化：将每笔债务的违约概率转换为泊松强度，将损失金额按“损失单位”离散化。
4. 组合损失分布递推：利用概率生成函数和递推公式，从单笔债务逐步合成整个组合的损失分布。
5. 结果解读与应用：计算预期损失、非预期损失、经济资本和风险贡献，用于定价、限额和资本配置。

四、案例场景：一笔贷款组合的快速估算

假设某银行有一个包含100笔企业贷款的组合，总敞口为10亿元。按照行业划分为制造业、批发零售和信息技术三个风险因子。制造业违约率均值为1.2%，波动率为0.4%；批发零售违约率均值为0.8%，波动率为0.3%；信息技术违约率均值为0.5%，波动率为0.2%。每笔贷款的违约损失率统一假设为45%。

在CreditRisk+框架下，我们不需要逐笔模拟100笔贷款的联合违约状态，而是先将每笔贷款的损失金额按“损失单位”离散化，例如以100万元为一个单位，然后利用递推公式计算组合损失为0、1、2……个单位的概率。最终可以得到一条完整的损失分布曲线，并据此计算99.9%置信水平下的经济资本。

# 伪代码示意：CreditRisk+递推核心逻辑
loss_unit = 1_000_000  # 每个损失单位100万元
exposure = [50_000_000, 30_000_000, ...]  # 各笔敞口
lgd = 0.45
pd_by_factor = {"制造": 0.012, "批发": 0.008, "IT": 0.005}

# 将每笔损失转换为整数个损失单位
loss_units = [round(e * lgd / loss_unit) for e in exposure]

# 递推计算组合损失分布
prob = [0.0] * (sum(loss_units) + 1)
prob[0] = 1.0
for i, units in enumerate(loss_units):
    new_prob = [0.0] * len(prob)
    for j in range(len(prob)):
        if prob[j] == 0:
            continue
        # 未违约
        new_prob[j] += prob[j] * (1 - pd_by_factor[factor[i]])
        # 违约，损失增加units个单位
        if j + units < len(new_prob):
            new_prob[j + units] += prob[j] * pd_by_factor[factor[i]]
    prob = new_prob

# 输出99.9%分位数对应的损失
cum = 0.0
for k, p in enumerate(prob):
    cum += p
    if cum >= 0.999:
        print(f"99.9%经济资本对应损失单位: {k}, 金额: {k * loss_unit}")
        break

五、常见误区与复盘要点

初学者在学习CreditRisk+时，最容易陷入以下误区。提前了解它们，可以让你在后续实战中少走弯路。

• 误区一：把CreditRisk+当成评级迁移模型。它只处理违约/不违约两状态，不输出评级迁移矩阵。如果你需要迁移风险，应转向CreditMetrics等模型。
• 误区二：忽略风险因子的波动率。只输入平均违约率而不输入波动率，会严重低估尾部损失，导致经济资本不足。
• 误区三：损失单位划分过粗。损失单位过大，递推结果分辨率不足；过小则计算量爆炸。需要在精度和效率之间做权衡。
• 误区四：把条件独立当成完全独立。CreditRisk+的相关性来自风险因子，若因子划分不合理，组合分散化效果会被高估或低估。

六、学习路径：从理解到实战的路线图

本课程共30章，整体遵循“先建认知、再学方法、后做实战”的路径。第1章帮你建立历史背景和核心思想；第2至第8章深入讲解泊松分布、概率生成函数、风险因子建模和递推算法；第9至第18章进入参数估计、数据清洗、损失单位选择和数值稳定性处理；第19至第26章通过完整案例演示从数据到经济资本的全流程；第27至第30章讨论模型验证、压力测试、监管应用和常见陷阱。

如果你希望从这门课中获得最大收益，建议按以下方式学习：每章先理解核心概念，再动手运行代码，最后用自己的数据做一次小规模复现。CreditRisk+是一个“看起来简单、细节很多”的模型，真正的掌握来自反复调试和结果对比，而不是记住公式。

现在，你已经有了这张认知地图。接下来，我们将从泊松分布和违约频率建模开始，逐步拆解CreditRisk+的数学内核。