2、信用风险基础：违约定义、违约事件、违约概率（PD）概念、信用评级体系简介
信用风险是金融风险中最古老也最核心的风险类型。无论是商业银行的信贷审批、债券投资者的定价决策，还是监管机构的资本计量，其逻辑起点都指向同一个问题：借款人会不会违约？违约的可能性有多大？本章作为《违约概率模型与迁徙矩阵估计》课程的基础模块，将系统梳理信用风险的底层概念——违约的精确定义、违约事件的识别标准、违约概率（PD）的经济含义，以及信用评级体系如何为PD估计提供结构化框架。理解这些基础概念，是后续构建量化模型、估计迁徙矩阵的前提。
2.1 违约定义：信用风险的逻辑起点
核心原理：违约（Default）不是一个模糊的“还不上钱”的概念，而是一个需要精确定义、可验证、可计量的法律与监管事件。在巴塞尔协议框架下，违约定义直接决定了风险加权资产（RWA）的计算口径，也决定了PD、LGD（违约损失率）、EAD（违约风险暴露）三大风险参数的触发条件。如果违约定义不统一，不同机构之间的PD估计将完全不可比。
巴塞尔II/III框架下的违约判定标准：监管机构（如银保监会、巴塞尔委员会）对违约的定义通常包含以下两条核心标准，满足其一即视为违约：
- 实质性信贷损失判断：债务人出现无法全额偿还债务本息的可能，且银行认为其无法通过正常经营现金流覆盖债务，例如债务人申请破产保护、被接管或清算。
- 逾期天数标准：债务人对银行集团的实质性信贷债务逾期超过90天（部分零售业务可延至180天）。逾期天数的计算需考虑宽限期、展期安排等具体合同条款。
2.2 违约事件：从定义到可操作的识别清单
判断方法或操作流程：违约事件（Default Event）是将抽象定义转化为具体可执行的操作标准。在信贷管理系统和风险计量模型中，通常需要建立一套标准化的违约事件清单，以便数据采集和模型校准。以下是典型的违约事件识别流程：
- 逾期触发：系统自动监控每笔贷款的还款状态，当本金或利息逾期超过90天（或180天，视产品类型）时，自动标记为违约事件。
- 非应计状态：当贷款被转入非应计（Non-accrual）状态，即银行停止确认利息收入时，视为违约事件。
- 债务重组/减免：因债务人财务困难，银行同意对原合同条款进行实质性让步（如减免本金、降低利率、延长期限），构成违约事件。
- 法律程序：债务人申请破产、被法院裁定重整、清算或资产被查封冻结，直接触发违约。
- 交叉违约条款：债务人在其他金融机构的债务发生违约，且合同中有交叉违约条款时，本笔债务也可能被认定为违约。
| 违约事件类型 | 识别标准 | 数据来源 | 常见误区 |
|---|---|---|---|
| 逾期90天 | 本金或利息逾期超过90天 | 核心信贷系统 | 未考虑宽限期或节假日顺延 |
| 非应计状态 | 贷款停止计息 | 会计系统 | 与“减值”概念混淆 |
| 债务重组 | 合同条款实质性让步 | 信贷审批档案 | 未区分“主动展期”与“被动重组” |
| 破产/清算 | 法院受理破产申请 | 法律公告/征信系统 | 未及时更新外部信息 |
2.3 违约概率（PD）：量化违约可能性的核心指标
核心原理：违约概率（Probability of Default, PD）是指在未来一定时期内（通常为1年），债务人发生违约的可能性大小，取值区间为[0,1]。PD是信用风险量化模型中最基础的输入参数，直接影响预期损失（EL = PD × LGD × EAD）的计算，也是监管资本计量的核心驱动因子。
PD的两种视角：
- 时点法（Point-in-Time, PIT）：反映债务人当前时点的违约可能性，受宏观经济周期、行业景气度影响较大。PIT-PD对风险变化敏感，适合信贷审批、定价和预警。
- 周期法（Through-the-Cycle, TTC）：平滑了经济周期波动，反映一个完整经济周期内的平均违约水平。TTC-PD更稳定，适合监管资本计量和长期评级。
PD估计的常用方法：在缺乏内部违约数据的情况下，可参考外部评级机构的累计违约率表；对于有内部评级体系的银行，则通过历史违约频率、Logistic回归、生存分析（Cox模型）、机器学习等方法建立PD模型。无论采用何种方法，都必须经过严格的模型验证，包括区分度（AUC/AR值）、校准度（卡方检验）和稳定性（PSI）检验。
2.4 信用评级体系：从定性到定量的桥梁
核心原理：信用评级体系是将债务人或债项的信用质量划分为若干等级的结构化框架。评级体系的核心价值在于：将复杂的信用风险信息压缩为有序的等级符号，便于跨机构、跨产品比较风险水平，并为PD估计提供映射基础。
评级体系的类型：
| 维度 | 外部评级 | 内部评级 |
|---|---|---|
| 评级机构 | 标普、穆迪、惠誉等 | 银行内部风险部门 |
| 评级对象 | 公开发行债券、主权国家 | 银行授信客户、债项 |
| 数据基础 | 公开信息+发行人访谈 | 内部财务数据+行为数据+外部征信 |
| 更新频率 | 定期（年度/事件驱动） | 按月/按季动态更新 |
| 用途 | 债券定价、投资决策 | 授信审批、风险定价、资本计量 |
评级到PD的映射：内部评级体系通常设置10-20个非违约等级（如AAA、AA、A、BBB、BB、B、CCC等），每个等级对应一个PD区间。例如，某银行将BBB级客户的1年期PD区间设定为[0.5%, 1.5%]，映射的基准PD为0.8%。这种映射关系需要定期回测，确保评级等级与PD水平的一致性。
2.5 案例拆解：某城商行小微企业评级体系构建
背景与约束：某城市商业银行（资产规模约2000亿元）计划建立内部评级体系以符合监管要求并优化信贷决策。该行小微企业客户占比超过60%，但缺乏历史违约数据（仅有3年信贷数据，且违约样本不足50个）。约束条件包括：数据质量参差不齐、IT系统改造预算有限、监管要求必须在18个月内上线。
初始现象与目标：该行此前采用“打分卡+人工经验”的审批模式，不同审批人对同一客户的信用判断差异较大，不良率虽控制在1.8%左右，但风险定价缺乏精细化依据。目标：建立一套包含10个非违约等级和1个违约等级的评级体系，并实现评级到PD的初步映射。
关键输入数据与指标：
- 客户财务数据：资产负债率、流动比率、净利润率、销售收入增长率（近2年）
- 行为数据：在本行的结算流水、贷款逾期历史、存款日均余额
- 外部数据：企业征信报告中的查询次数、他行贷款余额、涉诉信息
- 行业分类：制造业、批发零售业、建筑业、服务业等
分析判断过程：由于违约样本不足，无法直接使用Logistic回归建模。项目组采用“专家判断+统计验证”的混合方法：首先由信贷专家基于经验设定各指标的权重和阈值，形成初版打分卡；然后利用该行存量客户的财务数据和行为数据计算得分分布，观察得分与逾期率（作为违约的代理变量）之间的单调性。经过三轮迭代，最终确定评级等级划分：得分≥85分为AAA级，75-84分为AA级，65-74分为A级，55-64分为BBB级，45-54分为BB级，35-44分为B级，<35分为C级（违约级）。
实际操作步骤：
- 清洗数据：剔除缺失关键字段的客户，对财务数据进行缩尾处理（1%分位数）。
- 构建初版打分卡：设定6个财务指标和4个行为指标，总分100分。
- 验证单调性：将存量客户按得分分为10组，计算每组的历史逾期率（逾期30天以上），确认得分越高逾期率越低。
- 映射PD：由于缺乏长期违约数据，参考外部评级机构的小微企业累计违约率曲线，将各等级的1年期PD设定为：AAA=0.2%，AA=0.5%，A=1.0%，BBB=2.0%，BB=4.5%，B=8.0%，C=100%。
- 系统上线：在信贷审批系统中嵌入评级模块，实现自动评级和人工复核双轨运行。
结果对比与复盘：上线6个月后，该行新发放贷款的评级分布与预期基本一致，BBB级及以上客户占比约55%，B级及以下客户占比约8%。通过评级结果与审批定价联动，高风险客户（B级）的贷款利率上浮了150个基点，低风险客户（AA级以上）利率下浮了50个基点。风险与代价：由于缺乏足够违约样本，PD映射的准确性仍有待验证，需在后续积累数据后逐步校准。复盘经验：在数据不足时，专家判断法可以快速搭建评级框架，但必须建立持续验证和优化的机制，避免“模型僵化”。