4、描述性统计与探索性分析：违约率分布、评级迁移初步观察、数据可视化方法
在构建违约概率（PD）模型与迁徙矩阵之前，我们面对的首要任务并非直接套用复杂的计量模型，而是通过描述性统计与探索性数据分析（EDA）来“感知”数据的温度与结构。这一阶段的核心目标是理解样本的违约率分布形态、识别评级迁移的初步规律，并通过可视化手段发现数据中的异常值、缺失模式与潜在的业务逻辑。本章将系统讲解如何从原始信贷数据中提取关键统计量，绘制有洞察力的图表，并为后续的模型校准与矩阵估计奠定坚实的认知基础。
4.1 核心原理：为什么探索性分析是模型质量的基石
描述性统计与探索性分析（EDA）并非简单的“画图看数”，而是连接原始数据与复杂模型之间的桥梁。在违约概率建模中，我们面对的数据往往具有高维、不平衡、时序相关等特征。如果不先进行充分的探索，直接进入模型训练阶段，极易陷入“垃圾进，垃圾出”的困境。其核心原理可归纳为三点：分布认知、关系发现与假设检验。
首先，分布认知要求我们回答“违约率到底长什么样”。是服从正态分布？还是呈现明显的右偏（大多数客户违约率极低，少数客户极高）？这种分布形态直接决定了后续应使用Logistic回归还是极值理论。其次，关系发现关注评级迁移的初步规律——例如，评级为BBB的客户在一年后有多大比例迁移至A级或BB级？这种迁移是否具有对称性？最后，假设检验帮助我们验证数据是否满足模型的基本前提，比如评级迁移是否具有马尔可夫性（即未来状态仅依赖当前状态）。
4.2 判断方法与操作流程：从原始数据到统计指标的标准化路径
为了确保分析结果的可复现性与可比性，我们需要遵循一套标准化的操作流程。该流程通常包含五个步骤：数据清洗、单变量分析、双变量分析、分组对比与初步结论输出。
- 数据清洗与口径统一：首先定义“违约”的明确标准（如逾期90天或破产），并剔除重复记录与明显错误数据。此阶段需特别注意左截断（left-truncation）与右删失（right-censoring）问题，即样本中可能只包含存活至今的贷款，而违约贷款已被移除。
- 单变量描述性统计：计算核心变量的均值、中位数、标准差、偏度与峰度。对于违约率（0-1之间的比例），建议使用Beta分布拟合；对于评级（有序分类变量），则计算各评级的频数与占比。
- 双变量交叉分析：将违约率与关键解释变量（如杠杆率、现金流覆盖率）进行交叉分组，观察违约率是否随变量变化呈现单调趋势。例如，将客户按资产负债率分为五档，计算每档的违约率均值。
- 评级迁移初步观察：构建“期初评级×期末评级”的列联表（Contingency Table），计算迁移频率。此步骤是后续迁徙矩阵估计的雏形，需注意样本量是否足够支撑每个单元格的估计。
- 可视化与异常检测：利用直方图、箱线图、热力图等工具，识别离群点与缺失模式。例如，若某行业客户的违约率显著高于其他行业，需进一步调查是否因样本选择偏差所致。
| 分析维度 | 核心统计量 | 可视化工具 | 业务解读 |
|---|---|---|---|
| 违约率分布 | 均值、方差、偏度 | 直方图、核密度图 | 判断数据是否极度不平衡 |
| 评级分布 | 频数、占比、累计占比 | 条形图、帕累托图 | 识别评级集中度风险 |
| 评级迁移 | 迁移频率、净迁移率 | 热力图、Sankey图 | 初步判断评级稳定性 |
| 变量与违约关系 | 分组均值、相关系数 | 箱线图、散点图 | 筛选潜在预测变量 |
4.3 案例拆解：某商业银行对公客户违约率分布与迁移初探
为具体说明上述方法的应用，我们以某股份制商业银行的5,000笔对公贷款数据为例（数据区间：2019-2023年）。该数据集包含客户评级（AAA至D）、年末财务指标及违约标签（1表示违约，0表示正常）。初始目标是通过EDA判断数据是否支持后续构建多期迁徙矩阵。
第一步：违约率分布观察。计算全样本违约率均值为2.8%，但绘制直方图后发现分布呈明显的右偏形态——约70%的行业违约率低于2%，而房地产与批发零售行业的违约率分别高达8.5%和6.2%。这一发现提示我们，在建模时需引入行业哑变量或采用分层模型。
第二步：评级迁移初步观察。我们构建了2019年至2020年的评级迁移列联表（仅展示部分）：
| 期初评级 | 期末AAA | 期末AA | 期末A | 期末BBB | 期末违约 | 样本量 |
|---|---|---|---|---|---|---|
| AAA | 92% | 6% | 1% | 0.5% | 0.5% | 400 |
| AA | 5% | 85% | 7% | 2% | 1% | 800 |
| A | 1% | 8% | 80% | 8% | 3% | 1,200 |
| BBB | 0.5% | 2% | 10% | 75% | 12.5% | 600 |
第三步：可视化与异常检测。通过箱线图发现，违约客户的“利息保障倍数”中位数仅为0.8，远低于正常客户的3.2，且存在大量极端低值。同时，热力图显示评级迁移主要集中在相邻评级之间（如A→BBB），跨级跳跃（如AAA→CCC）极为罕见，这符合信用评级“惯性”特征。
第四步：结论与行动。基于上述分析，我们决定：①在PD模型中引入行业哑变量与利息保障倍数的非线性变换；②在迁徙矩阵估计中，采用“相邻迁移限制”假设以降低参数估计方差；③对BBB级客户进行重点压力测试，因其12.5%的违约率显著推高整体风险。
4.4 常见误区与总结复盘
在实践教学中，学员常犯以下四类错误，需特别警惕：
- 误区一：忽视样本选择偏差。仅使用当前存续贷款样本，导致违约率被系统性低估。正确做法是采用“队列法”（Cohort Approach），追踪同一时点发放的贷款全生命周期表现。
- 误区二：混淆“违约率”与“违约概率”。违约率是历史频率（事后统计），违约概率是模型估计的预期值（事前预测）。EDA只能提供前者，后者需依赖模型外推。
- 误区三：过度依赖单一可视化图表。例如，仅看直方图可能忽略时间趋势。应结合时间序列图与截面图进行多角度验证。
- 误区四：忽略评级迁移的“非马尔可夫性”。初步观察发现，若客户在过去两年内连续下调评级，其未来一年违约概率显著高于仅当期评级相同的客户。这提示我们可能需要引入“评级路径依赖”变量。