第一章 课程导入：违约损失率模型与回收数据分析

欢迎进入《违约损失率模型与回收数据分析》课程。在信用风险管理的全流程中，违约概率（PD）、违约损失率（LGD）与违约风险暴露（EAD）构成了风险计量的三大支柱。其中，LGD 决定了违约事件发生后实际损失的严重程度，是风险加权资产（RWA）、经济资本计量、贷款定价与拨备计提的核心输入变量。本章作为课程导入，将明确学习目标、梳理课程结构，并深入剖析 LGD 在信用风险体系中的核心地位与典型应用场景，为后续章节的模型构建与数据分析奠定坚实基础。

1.1 学习目标与课程结构

本课程旨在帮助学员系统掌握违约损失率（LGD）模型的理论框架、构建方法、数据要求与实务应用。课程内容覆盖从基础概念到高级建模技术的完整知识链条，强调理论与实践的结合。通过本课程的学习，学员将能够独立完成 LGD 模型的开发、验证与部署，并理解模型在银行风险管理体系中的具体应用逻辑。

核心学习目标

• 理解 LGD 的本质定义：掌握 LGD 的经济含义、计算公式（LGD = 1 - 回收率）及其与 PD、EAD 的关系。
• 掌握数据要求与清洗方法：识别 LGD 建模所需的数据类型（回收现金流、担保品价值、处置成本等），处理数据缺失与幸存者偏差。
• 熟悉主流建模方法：包括历史均值法、回归分析法（Beta 回归、Tobit 回归）、决策树与机器学习方法（随机森林、XGBoost）。
• 了解监管要求：掌握巴塞尔协议对 LGD 估计的底线要求（如高级 IRB 法下无担保 LGD 底线为 25%）。
• 应用场景落地：能够将 LGD 模型输出应用于贷款定价、拨备计提、经济资本计量与不良资产估值。

课程结构概览

1.2 LGD 在信用风险中的核心地位

信用风险计量框架中，预期损失（EL）的计算公式为：EL = PD × LGD × EAD。这一公式揭示了 LGD 的关键作用——它决定了在违约事件发生的前提下，银行实际承担的经济损失比例。与 PD 相比，LGD 的波动性更大、数据获取难度更高、模型构建更为复杂，因此成为信用风险建模中最具挑战性的环节之一。

LGD 与 PD、EAD 的协同关系

• PD 衡量违约的可能性：反映借款人信用质量的变化，通常通过评级模型或评分卡估计。
• LGD 衡量损失的严重程度：受担保品、优先级、行业周期、清收效率等多重因素影响。
• EAD 衡量违约时的风险暴露：对于贷款而言通常等于账面余额，对于承诺类产品需考虑信用转换系数（CCF）。

三者共同决定了风险成本。例如，两笔 PD 相同的贷款，一笔有足额房产抵押，另一笔为纯信用贷款，其 LGD 可能分别为 30% 和 70%，导致预期损失相差两倍以上。因此，LGD 的精确估计直接关系到风险定价的合理性与资本配置的效率。

LGD 的波动性特征

与 PD 相对稳定的特性不同，LGD 受宏观经济周期影响显著。在经济衰退期，担保品价值下跌、清收周期拉长、处置成本上升，LGD 往往显著高于正常时期。研究表明，经济衰退期的 LGD 可能比繁荣期高出 20-30 个百分点。这一特征要求模型必须考虑宏观经济情景的调整，而非简单使用历史平均值。

1.3 典型应用场景详解

LGD 模型的应用范围远超监管合规需求，已深度嵌入银行经营管理的各个环节。以下从五个核心场景展开分析。

场景一：巴塞尔协议资本计量

在巴塞尔协议内部评级法（IRB 法）下，LGD 是计算风险加权资产（RWA）的关键参数。监管对 LGD 设定了明确的底线要求：

• 高级 IRB 法下，无担保优先级债权 LGD 底线为 25%，次级债权为 50%。
• 零售贷款中，住房抵押贷款 LGD 底线为 10%，合格循环零售贷款为 50%。
• LGD 估计必须基于足够长的历史数据（至少 7 年，过渡期可放宽至 5 年）。

资本计量的准确性直接影响银行的资本充足率水平。LGD 每低估 5 个百分点，可能导致 RWA 增加约 8-12%，进而影响资本充足率约 30-50 个基点。

场景二：内部评级与限额管理

银行在客户评级和授信审批中，不仅关注 PD 等级，还需结合 LGD 确定风险限额。例如，对于 LGD 较高的信用贷款，银行可能要求更低的 PD 门槛或更严格的额度控制。内部评级体系通常将 PD 与 LGD 组合成风险矩阵，用于差异化定价和授信决策。

场景三：贷款定价与风险溢价

风险定价的核心公式为：贷款利率 = 资金成本 + 运营成本 + 预期损失 + 资本成本 + 目标利润率。其中，预期损失部分直接由 PD × LGD × EAD 决定。LGD 越高，要求的风险溢价越高。例如，一笔 LGD 为 70% 的信用贷款，其风险溢价应显著高于 LGD 为 30% 的抵押贷款，否则银行将无法覆盖潜在损失。

场景四：拨备计提（IFRS 9）

国际财务报告准则第 9 号（IFRS 9）要求银行基于预期信用损失（ECL）模型计提拨备。ECL 的计算同样需要 LGD 作为关键输入。与巴塞尔协议不同，IFRS 9 要求 LGD 反映多情景加权（乐观、基准、悲观），且需考虑货币时间价值（折现回收现金流）。这意味着银行需要构建不同经济情景下的 LGD 估计，并赋予相应概率权重。

场景五：不良资产估值与处置

在不良资产转让或清收处置中，LGD 模型可用于评估资产的公允价值。通过预测不同处置策略（诉讼清收、债务重组、担保品拍卖）下的回收金额与时间，银行可以制定最优处置方案。例如，某笔不良贷款若通过司法拍卖处置，预计回收期 18 个月，回收率 45%；若通过债务重组，预计回收期 6 个月，回收率 38%。LGD 模型可以帮助决策者量化比较不同方案的净现值。

1.4 案例拆解：LGD 在贷款定价中的实际应用

为帮助学员直观理解 LGD 的应用价值，我们以一个中型企业信用贷款定价案例进行拆解。

案例背景

某股份制商业银行对一家制造业企业发放 5000 万元流动资金贷款，期限 1 年。该企业评级为 A-，对应 PD 为 1.2%。贷款为纯信用方式，无担保品。银行资金成本为 2.8%，运营成本率为 0.5%，目标利润率为 1.5%，资本成本率为 1.0%。

关键输入数据

分析过程

1. 计算预期损失率：EL = PD × LGD = 1.2% × 65% = 0.78%。
2. 计算风险溢价：风险溢价 = EL + 资本成本 = 0.78% + 1.0% = 1.78%。
3. 确定最低贷款利率：利率 = 资金成本 + 运营成本 + 风险溢价 + 目标利润率 = 2.8% + 0.5% + 1.78% + 1.5% = 6.58%。
4. 敏感性分析：若采用压力情景 LGD 75%，则 EL = 0.9%，最低利率升至 6.70%。

结果与决策

银行最终定价为 6.8%，覆盖了基准情景下的风险成本并留有一定缓冲。若 LGD 被低估为 50%，则定价可能降至 6.28%，导致银行在压力情景下无法覆盖实际损失。这一案例清晰展示了 LGD 估计偏差对定价决策的直接影响。

1.5 常见误区与总结复盘

在 LGD 模型开发与应用过程中，机构常陷入以下误区，需要引起重视。

误区一：将历史平均回收率直接作为 LGD 估计

历史平均法忽略了经济周期、行业差异和个体特征的影响。正确做法是建立多因素模型，纳入担保品类型、优先级、行业、宏观经济指标等变量。

误区二：忽视回收现金流的折现

LGD 的计算应基于回收现金流的现值，而非名义金额。回收周期越长，折现影响越大。例如，一笔回收期 3 年的贷款，若年折现率为 8%，则回收金额的现值仅为名义值的 79.4%。

误区三：数据样本存在幸存者偏差

如果建模样本仅包含已处置完毕的贷款，而忽略了仍在清收中的贷款，会导致 LGD 被系统性低估。应使用包含未完结案例的完整样本，并采用生存分析或区间回归方法处理截断数据。

误区四：模型验证流于形式

LGD 模型的验证不仅包括统计检验（如区分度、校准度），还应包括业务合理性检验。例如，模型输出的 LGD 是否与业务经验一致？不同担保品类型的 LGD 排序是否合理？

总结复盘

本章作为课程导入，明确了 LGD 在信用风险中的核心地位，梳理了五大典型应用场景，并通过案例展示了 LGD 对贷款定价的具体影响。后续章节将深入探讨 LGD 的数据基础、建模方法、验证技术及前沿趋势。学员应建立“LGD 是动态的、多维度的、需要精细建模的风险参数”这一核心理念，为后续学习奠定正确认知。