4. 额度模型核心指标:PD、LGD、EAD、预期损失与非预期损失

在额度模型中,风险量化是决策引擎的核心输入。信用风险计量体系围绕四个关键指标展开:违约概率(PD)、违约损失率(LGD)、违约风险暴露(EAD),以及由此推导的预期损失(EL)与非预期损失(UL)。本节将逐一拆解这些指标的定义、计算逻辑及其在额度决策中的集成方式。

4.1 核心指标定义与业务含义

指标 英文全称 定义 额度决策中的角色
PD Probability of Default 借款人在未来一定时期内(通常为12个月)发生违约的概率 评估客户信用等级,决定是否授信及利率定价
LGD Loss Given Default 违约发生时,银行或机构无法收回的损失比例(1 - 回收率) 影响风险定价与拨备计提
EAD Exposure at Default 违约发生时,借款人在该笔授信下的未偿还本金及潜在提款额 确定风险敞口大小,直接约束额度上限
EL Expected Loss 预期会发生的平均损失金额(PD × LGD × EAD) 用于风险定价、拨备计提与资本成本计算
UL Unexpected Loss 超出预期损失的潜在损失波动(基于损失分布的标准差或分位数) 决定经济资本占用与风险缓冲
关键认知: PD、LGD、EAD 是风险计量的“三驾马车”,三者相乘得到预期损失(EL)。非预期损失(UL)则衡量损失的不确定性,是资本充足管理的核心。

4.2 预期损失(EL)的计算与业务应用

预期损失是信用风险中最直观的量化指标,其公式为:

EL = PD × LGD × EAD

在额度模型中,EL 通常被用作:

  • 风险定价基准: 贷款利率必须覆盖 EL,否则业务亏损。
  • 拨备计提依据: 按照 IFRS 9 或新资本协议,EL 对应预期信用损失(ECL)的计提。
  • 额度调整因子: 当 EL 超过机构风险容忍度时,系统自动降低额度或拒绝授信。
实战案例: 某客户 PD=2%,LGD=45%,EAD=100,000 元,则 EL = 0.02 × 0.45 × 100,000 = 900 元。这意味着该笔授信在统计意义上预期损失为 900 元,需在定价中体现。

4.3 非预期损失(UL)与资本计量

非预期损失衡量的是实际损失偏离预期损失的程度,通常基于损失分布的标准差或特定置信水平(如 99.9%)下的分位数计算。其简化公式为:

UL = EAD × √(PD × σ²_LGD + LGD² × σ²_PD)

其中 σ²_PD 和 σ²_LGD 分别表示 PD 和 LGD 的方差。在实际工程中,UL 的计算更依赖蒙特卡洛模拟或资产组合模型。

UL 在额度决策中的核心作用:

  • 经济资本分配: 每笔授信占用的经济资本 = UL × 资本乘数。
  • 风险限额设定: 机构根据总 UL 上限,向下分解至各产品线、区域或客户群。
  • 压力测试输入: 在极端市场条件下,UL 的放大效应决定机构是否需要补充资本。
常见误区: 许多初级模型仅关注 EL 而忽略 UL,导致在风险波动加剧时资本准备不足。UL 是区分“可预期风险”与“极端风险”的关键指标。

4.4 指标间的联动关系与决策引擎集成

在决策引擎中,PD、LGD、EAD 并非孤立计算,而是通过规则链联动输出额度决策。下图展示了核心指标在额度模型中的集成流程:

额度模型核心指标集成流程 额度模型核心指标集成流程 PD 违约概率 评分卡 / 行为模型 LGD 违约损失率 抵押品 / 回收模型 EAD 违约风险暴露 额度使用率 / CCF EL = PD × LGD × EAD 预期损失计算 UL 非预期损失 损失波动 / 资本计量 额度决策输出 授信 / 调额 / 拒绝 说明:PD、LGD、EAD 分别从不同维度量化风险,汇聚后生成 EL 与 UL,最终驱动额度决策

4.5 决策引擎中的指标集成规则

在决策引擎(如 Drools、FICO Blaze、自研规则引擎)中,上述指标通过以下规则链实现自动化额度决策:

  1. 规则 1:准入过滤 — 若 PD > 阈值(如 15%),直接拒绝。
  2. 规则 2:额度上限计算 — 基于 EAD 模型输出最大敞口,结合 LGD 调整。
  3. 规则 3:风险定价 — 利率 = 资金成本 + 运营成本 + EL + 资本成本(UL 驱动)。
  4. 规则 4:动态调额 — 当 PD 或 LGD 发生显著变化时,触发额度重算。
工程实现要点: 在决策引擎中,PD、LGD、EAD 通常作为“风险因子”输入,EL 和 UL 作为“派生指标”实时计算。建议将指标计算封装为独立的函数或微服务,便于规则复用与性能优化。

4.6 指标校准与模型验证

为确保指标在额度决策中的有效性,需定期进行以下校准:

指标 校准方法 频率 决策影响
PD 对比预测违约率与实际违约率(二项检验、卡方检验) 季度 调整评分卡切分点或拒绝阈值
LGD 跟踪回收率与模型预测值的偏差(MAE、RMSE) 半年度 修正抵押品折扣率或回收曲线
EAD 监控额度使用率(CCF)的稳定性 月度 调整额度测算系数
EL / UL 回测损失分布与资本覆盖比率 年度 影响机构整体风险偏好与资本规划
最佳实践: 建议建立“指标监控仪表盘”,实时展示 PD、LGD、EAD 的分布变化,当指标出现显著漂移时自动触发模型重训或规则调整。