📚 课程目录第1章课程导入

课程导入：学习目标、课程结构、信用债违约概率与回收率在信用风险管理中的核心地位

信用债投资与风险管理，本质上是在回答两个相互关联的问题：“这笔债会不会违约？”以及“如果违约了，我能拿回多少？”。前者对应违约概率（Probability of Default, PD），后者对应违约损失率（Loss Given Default, LGD）或回收率（Recovery Rate, RR）。两者共同决定了信用债的预期损失（Expected Loss, EL = PD × EAD × LGD），是信用风险定价、资本计量、组合限额与压力测试的基石。本章作为全课程的导入，将明确学习目标、梳理课程结构，并深入剖析PD与RR在信用风险管理体系中的核心枢纽地位。

1.1 学习目标：从模型输入到业务决策

本课程的目标不是培养纯粹的量化建模工程师，而是培养“懂业务、通模型、能落地”的信用风险专业人才。完成本课程学习后，学员应具备以下核心能力：

能力维度	具体目标	对应章节
理论认知	理解PD与RR的经济学含义、影响因素及在信用风险框架中的定位	第1-3章
模型构建	掌握结构化模型、简化模型、机器学习模型等PD估计方法	第4-10章
数据与校准	能够处理违约样本偏差、进行模型校准与验证	第11-15章
回收率分析	掌握回收率的影响因素、估计方法及LGD建模	第16-22章
应用与监管	将PD/RR应用于定价、资本计量、压力测试，并满足监管要求	第23-30章

  核心学习原则：本课程强调“从业务中来，到业务中去”。每个模型方法都会配套实际业务场景，帮助学员理解模型背后的业务逻辑，而非机械套用公式。

1.2 课程结构：四大模块递进式学习

全课程共30章，按照“基础认知 → 模型方法 → 深化应用 → 前沿实践”的逻辑分为四大模块：

模块一：信用风险基础（第1-5章）——建立信用风险分析框架，理解PD/RR的定义、数据基础与监管背景。
模块二：违约概率估计（第6-15章）——系统讲解从传统信用评分到机器学习模型的PD估计方法，涵盖模型开发、校准与验证全流程。
模块三：回收率与LGD建模（第16-22章）——深入分析回收率的影响因素、数据获取、建模方法及在预期损失计算中的应用。
模块四：组合管理与前沿实践（第23-30章）——将PD/RR应用于组合层面，包括压力测试、资本计量、信用衍生品定价及ESG信用风险等前沿议题。

1.3 PD与RR在信用风险管理中的核心地位

信用风险管理体系可以概括为“识别—计量—管理—报告”四个环节，而PD与RR正是计量环节的核心输入，也是连接各环节的关键枢纽。

1.3.1 核心原理：风险计量的“双引擎”

信用风险的本质是交易对手未能履行合约义务的可能性及其后果。PD与RR分别从“可能性”和“后果”两个维度刻画风险：

PD（违约概率）：指债务人在未来一定时期内（通常为1年）发生违约的可能性。它是信用风险“事前”评估的核心指标，直接影响信用评级、授信审批和风险定价。
RR（回收率）：指违约发生后，债权人通过清算、重组、诉讼等方式实际收回的金额占违约敞口的比例。它是信用风险“事后”损失的关键决定因素，直接影响损失分布和资本要求。

两者共同构成预期损失（EL）公式：EL = PD × EAD × LGD，其中LGD = 1 - RR。这一公式是信用风险计量的基石，贯穿于内部评级法（IRB）、预期信用损失（ECL）模型及信用衍生品定价等各类场景。

1.3.2 判断方法：从单笔到组合的传导路径

在实务中，PD与RR的估计结果会沿着以下路径传导至业务决策：

应用场景	PD的作用	RR/LGD的作用	业务决策
授信审批	判断是否准入、确定授信额度	决定担保/抵押要求	贷/投或不贷/不投
风险定价	确定信用利差的风险溢价部分	确定违约损失的风险补偿	票面利率/收益率
资本计量	计算风险权重（RW）	影响LGD参数，进而影响RWA	资本充足率管理
压力测试	情景下的违约率变化	情景下的回收率变化	资本缓冲与应急预案

1.3.3 案例拆解：从PD/RR到投资决策的完整链路

为帮助学员建立直观认知，我们以一个简化的信用债投资案例来说明PD与RR如何共同驱动决策：

  案例背景：某机构投资者正在评估两只信用债——A债（主体评级AA，无担保）和B债（主体评级BBB，有房产抵押）。两只债券期限相同，面值均为100元。

初始分析：

A债：评级较高，PD估计为1.5%（1年期），但无担保，预计RR仅为30%（LGD=70%）。
B债：评级较低，PD估计为4.0%（1年期），但有足额抵押，预计RR可达60%（LGD=40%）。

预期损失计算：

A债：EL = 1.5% × 100 × 70% = 1.05元
B债：EL = 4.0% × 100 × 40% = 1.60元

分析判断：虽然B债的PD远高于A债，但由于其回收率较高，两者的预期损失差距并不悬殊。若B债的收益率高出A债80个基点（0.8%），则B债经风险调整后的收益可能反而更优。

决策结果：投资者最终选择B债，并设定了抵押物动态监控条款。这一决策过程充分体现了PD与RR的“双引擎”作用——仅看评级（PD）可能错失机会，仅看抵押（RR）可能低估风险。

复盘经验：在信用债投资中，“高PD+高RR”的组合往往比“低PD+低RR”更具投资价值，但前提是RR的估计足够可靠。这要求投资者深入分析抵押物质量、法律环境和处置效率。

1.3.4 常见误区与总结复盘

常见误区一：将PD与评级简单等同。评级是序数指标，而PD是基数指标。同一评级内部不同发行人的PD差异可能很大，需结合财务数据、行业景气度等细化估计。

常见误区二：忽视回收率的波动性。回收率并非固定参数，受宏观经济周期、行业特征、抵押物类型、法律环境等多重因素影响。在压力情景下，回收率可能大幅低于历史均值。

实务经验：建议机构建立“双维度”风险视图——横轴为PD等级，纵轴为LGD等级，将信用债划分为九宫格，对不同格子采取差异化管理策略。例如，低PD+低LGD的债券可纳入核心持仓，高PD+高LGD的债券应严格限制或要求额外增信。

本章总结：PD与RR是信用风险计量的“双引擎”，二者缺一不可。理解两者的内涵、关系及应用场景，是掌握后续所有模型方法的前提。在接下来的课程中，我们将逐一深入探讨PD与RR的估计方法、数据要求、模型验证及业务应用，帮助学员构建完整的信用风险分析能力体系。