3、额度策略关键指标：PD、LGD、EAD 与预期损失计算

在信用额度策略中，风险量化是科学决策的基石。四个核心指标构成了风险计量的基本框架：违约概率（PD）、违约损失率（LGD）、违约风险暴露（EAD）以及由三者推导出的预期损失（EL）。理解并准确计算这些指标，是进行额度定价、准备金计提和风险限额设定的前提。

3.1 核心指标定义与业务含义

下表梳理了四个关键指标的定义、计算口径及其在额度策略中的典型应用场景：

3.2 预期损失（EL）计算逻辑

预期损失的计算并非简单的静态公式，在额度策略的实际应用中，需要根据数据切分和模型验证的结果进行动态调整。其标准计算流程如下：

1. 确定时间窗口： 通常选择12个月的表现期（Performance Window）作为观察周期。
2. 计算 PD： 基于训练集构建评分模型，输出每个样本的违约概率。
3. 估算 LGD： 根据历史清收数据，按产品类型、担保方式等维度统计平均损失率。
4. 确定 EAD： 对于循环额度产品，EAD通常等于当前已用额度加上一个“违约转换系数（CCF）”乘以未用额度。
5. 计算 EL： 将上述三个数值相乘，得到单笔授信的预期损失。

3.3 指标间的联动关系与SVG流程图

下图展示了从数据输入到EL输出的完整计算链路，以及PD、LGD、EAD三个输入变量如何汇聚成最终的预期损失：

3.4 训练集切分对指标计算的影响

在模型开发与验证过程中，训练集和验证集的切分方式直接影响PD、LGD、EAD的估算稳定性。以下是常见的切分策略及其对指标的影响：

3.5 实际业务中的EL计算示例

以下是一个简化的Python代码示例，展示如何在训练集和验证集上分别计算预期损失：

import pandas as pd
import numpy as np

# 假设已有训练集和验证集
train_df = pd.read_csv('train_data.csv')
valid_df = pd.read_csv('valid_data.csv')

# 定义计算EL的函数
def calculate_el(df, pd_col='pred_pd', lgd_col='lgd_rate', ead_col='ead_amount'):
    """
    计算预期损失
    pd_col: 违约概率列名
    lgd_col: 违约损失率列名
    ead_col: 违约风险暴露列名
    """
    df['expected_loss'] = df[pd_col] * df[lgd_col] * df[ead_col]
    return df['expected_loss'].sum()

# 计算训练集和验证集的EL
train_el = calculate_el(train_df)
valid_el = calculate_el(valid_df)

print(f"训练集预期损失总额: {train_el:,.2f}")
print(f"验证集预期损失总额: {valid_el:,.2f}")

# 计算偏差率
bias_rate = (valid_el - train_el) / train_el * 100
print(f"验证集与训练集偏差率: {bias_rate:.2f}%")

3.6 指标在额度策略中的综合应用

下图展示了PD、LGD、EAD三个指标如何协同作用于额度策略的制定与动态调整：

3.7 指标验证与校准

在模型上线前，必须对PD、LGD、EAD进行严格的验证与校准。以下是常用的验证方法：

• PD校准： 使用二项检验（Binomial Test）或Hosmer-Lemeshow检验，验证预测违约率与实际违约率的一致性。
• LGD校准： 对比预测LGD与实际清收损失率的偏差，按产品类型和担保方式分层验证。
• EAD校准： 验证CCF（信用转换系数）的稳定性，确保在额度使用高峰期EAD估算不出现系统性偏差。
• EL回测： 将验证集上的EL与实际发生的损失进行对比，计算偏差率并设定预警阈值。