一、信用风险：到底在管什么？
信用风险，说白了就是借钱的人不还钱了。
你想想看，银行放了一笔贷款出去，最怕什么？最怕借款人到期不还。这个「不还」的可能性，就是我们常说的违约概率（PD）。
我个人习惯把信用风险拆成三个维度来看：
- 违约概率（PD）：借款人会不会违约？可能性多大？
- 违约损失率（LGD）：一旦违约，我能拿回多少？损失多大？
- 违约风险敞口（EAD）：违约时，我到底有多少钱暴露在外面？
这三个东西组合起来，就是银行最常用的预期损失公式：
预期损失（EL） = PD × LGD × EAD嗯，这里要注意：PD 是这三个里面最难算的。为什么？因为违约是个小概率事件，数据少、信号弱。我在项目中遇到过很多次，明明模型跑出来挺好，一上线就翻车——原因往往是 PD 估计偏了。
核心观点：PD 模型不是算「会不会违约」，而是算「违约的可能性有多大」。这个概率值，才是风险定价、资本计量的基础。
二、PD 模型在巴塞尔协议中的地位
巴塞尔协议，搞风控的人应该都不陌生。它就像银行业的「交通规则」——告诉你资本金该留多少，怎么算才合规。
巴塞尔协议从第一版到第三版，对 PD 模型的态度越来越「较真」。
| 版本 | 对 PD 模型的要求 | 我的感受 |
|---|---|---|
| 巴塞尔 I | 基本不管 PD，统一用标准法 | 简单粗暴，但不够精细 |
| 巴塞尔 II | 引入内部评级法（IRB），银行可以自己算 PD | 这是 PD 模型真正「起飞」的时候 |
| 巴塞尔 III | 对 PD 模型验证、数据质量、回测要求更严 | 说白了，就是怕你乱调参数 |
我个人觉得，巴塞尔协议对 PD 模型最大的贡献，是逼着银行把「拍脑袋」变成了「用数据说话」。以前很多银行放贷靠客户经理的经验，现在不行了——你得有模型、有验证、有文档。
避坑指南：我曾经见过一家银行，为了满足巴塞尔合规要求，硬凑了一个 PD 模型。结果监管一检查，发现数据回溯期不够，模型被直接打回。所以，数据质量永远是第一位的。
三、模型开发全生命周期：从想法到落地
PD 模型不是写个代码就完事的。它有一套完整的生命周期，我把它总结成六个阶段：
- 需求定义：你要解决什么问题？是零售贷款还是对公？是申请评分还是行为评分？
- 数据准备：收集历史数据、清洗、特征工程。这一步最耗时，也最容易出问题。
- 模型开发：选算法、训练、调参。逻辑回归、决策树、XGBoost 都行，但监管更偏爱可解释性强的模型。
- 模型验证：用独立数据集测试，看区分度、校准度、稳定性。这一步不能自己骗自己。
- 模型部署：把模型嵌入到业务流程中，比如信贷审批系统。
- 监控与迭代：模型上线后要持续监控，发现 drift 就及时调整。
下面这张图，是我自己画的一个 PD 模型开发全生命周期流程图，你可以对照着看：
你看，这个流程不是线性的。模型部署之后，监控发现效果变差了，就得回到数据准备甚至需求定义阶段重新来。我见过最惨的一个项目，模型上线三个月就失效了，原因是客户群体变了，但模型没跟上。
警告：很多团队在模型开发阶段花了大把时间，却忽略了验证和监控。结果模型一上线就「见光死」。记住：开发只占 20% 的工作量，验证和监控才是大头。
四、PD 模型的核心输出：不只是概率
PD 模型最终输出的是一个 0 到 1 之间的概率值。但实际业务中，我们很少直接用这个原始概率。
我个人习惯把 PD 输出做两件事：
- 分档：把连续的概率映射到等级上，比如 AAA、AA、A、BBB... 这样业务人员更容易理解。
- 校准：确保模型预测的 PD 和实际违约率一致。比如模型说某批客户 PD=2%，那这批客户实际违约率应该在 2% 左右。
举个例子：
# 假设模型输出了一批客户的 PD
raw_pd = [0.01, 0.03, 0.08, 0.15, 0.25]
# 分档规则（简单示例）
def assign_rating(pd):
if pd < 0.02: return 'AAA'
elif pd < 0.05: return 'AA'
elif pd < 0.10: return 'A'
elif pd < 0.20: return 'BBB'
else: return 'BB'
ratings = [assign_rating(p) for p in raw_pd]
print(ratings) # ['AAA', 'AA', 'A', 'BBB', 'BB']
这段代码很简单，但实际项目中分档要复杂得多。我记得有一次，我们分档后回测发现 BBB 档的实际违约率比模型预测高了 30%。后来一查，是数据里混入了大量「僵尸企业」——它们还没违约，但已经快不行了。
关键提醒：PD 模型不是「算完就完」的东西。它需要持续校准、持续验证。你想想看，经济周期一变，客户行为一变，模型可能就不准了。
五、总结：PD 模型到底值不值得做？
说实话，PD 模型开发很累。数据清洗能让你崩溃，模型验证能让你怀疑人生。但它的价值也是实打实的——没有 PD 模型，银行就像在黑暗中开车，全凭感觉。
我个人觉得，做 PD 模型最重要的不是算法多牛，而是：
- 数据要干净：垃圾进，垃圾出。
- 验证要严格：别自己骗自己。
- 监控要持续：模型上线只是开始。
嗯，这一章就聊到这里。PD 模型的世界很大，后面我们会一步步深入进去。