信用风险基础：从定义到量化
大家好，我是老张。今天咱们聊聊信用风险的基础知识。
说实话，我刚入行那会儿，觉得信用风险就是“借钱不还”。后来做了几个项目才发现，这事儿远没那么简单。你想想看，一个企业从正常经营到违约，中间有多少坑？
信用风险的定义与分类
信用风险，说白了就是交易对手不履约的风险。我习惯把它分成三类：
- 违约风险：最直接的风险。对方直接不还钱了。
- 信用利差风险：信用状况恶化导致的市场价值变化。
- 评级迁移风险：信用评级变动带来的影响。
我在项目中遇到过一家企业，评级从AA降到BBB，债券价格直接跌了15%。这就是典型的信用利差风险。
违约概率（PD）
PD是信用风险建模的起点。它回答一个问题：这个对手在未来一年内违约的可能性有多大？
我个人习惯用Logistic回归来建模PD。为什么？因为它输出的是0到1之间的概率值，天然适合做违约预测。
import pandas as pd
import numpy as np
from sklearn.linear_model import LogisticRegression
# 假设我们有历史数据
X = df[['资产负债率', '流动比率', 'ROA', '营收增长率']]
y = df['是否违约']
model = LogisticRegression()
model.fit(X, y)
# 预测新客户的违约概率
new_customer = [[0.65, 1.2, 0.08, 0.15]]
pd_pred = model.predict_proba(new_customer)[0][1]
print(f'预测违约概率: {pd_pred:.2%}')避坑指南：我曾经用全量数据训练PD模型，结果发现样本不平衡问题严重。违约样本只占1%，模型直接学成了“永远不违约”。后来用了SMOTE过采样，效果才正常。
违约损失率（LGD）
LGD衡量的是：一旦违约，我们会损失多少？
举个例子：一笔100万的贷款，抵押物价值80万，回收成本5万。那么回收率是75%，LGD就是25%。
嗯，这里要注意：LGD不是固定的。经济好的时候回收率高，经济差的时候回收率低。我见过一个极端案例，2008年金融危机时，某些次级贷款的LGD高达80%。
| 抵押品类型 | 典型LGD范围 |
|---|---|
| 现金/国债 | 0% - 10% |
| 房地产 | 20% - 40% |
| 应收账款 | 40% - 60% |
| 无抵押 | 60% - 100% |
违约风险敞口（EAD）
EAD就是违约时我们暴露在风险中的金额。听起来简单，但实际计算时有很多坑。
比如授信额度1000万，客户只用了600万。违约时EAD是多少？不是600万，也不是1000万。我习惯用“信用转换系数”来处理：
def calculate_ead(limit, drawn_amount, ccf=0.75):
"""
limit: 授信额度
drawn_amount: 已使用额度
ccf: 信用转换系数 (Credit Conversion Factor)
"""
undrawn = limit - drawn_amount
ead = drawn_amount + undrawn * ccf
return ead
# 例子
ead = calculate_ead(1000, 600, 0.75)
print(f'EAD = {ead}万') # 输出: EAD = 900万注意：CCF不是拍脑袋定的。我建议用历史数据回测，不同行业、不同产品类型的CCF差异很大。曾经有个项目，我们直接用0.5的CCF，结果资本计提严重不足。
预期损失（EL）与非预期损失（UL）
这两个概念是信用风险管理的核心。我习惯这样理解：
- EL：平均来看，我们会亏多少？
- UL：最坏情况下，我们会亏多少？
EL的计算公式很简单：
EL = PD × LGD × EAD举个例子：
pd = 0.02 # 2%
lgd = 0.4 # 40%
ead = 100 # 100万
el = pd * lgd * ead
print(f'预期损失: {el:.2f}万') # 输出: 0.80万UL的计算就复杂多了。它需要知道损失分布的标准差。我一般用蒙特卡洛模拟：
import numpy as np
def simulate_ul(pd, lgd, ead, n_simulations=100000):
losses = []
for _ in range(n_simulations):
# 模拟违约事件
default = np.random.binomial(1, pd)
# 模拟损失率
loss_rate = np.random.beta(2, 3) * lgd
loss = default * loss_rate * ead
losses.append(loss)
losses = np.array(losses)
el = np.mean(losses)
ul = np.std(losses)
return el, ul
el, ul = simulate_ul(0.02, 0.4, 100)
print(f'EL: {el:.2f}万, UL: {ul:.2f}万')关键点：EL是定价的基础，UL是资本计提的依据。银行赚的是EL以上的钱，但必须为UL准备足够的资本。
知识体系总览
下面这张图是我自己整理的信用风险基础框架，你看一眼就能明白各要素之间的关系：
这张图把信用风险的几个核心要素串起来了。从PD、LGD、EAD出发，计算出EL和UL，最后应用到定价、资本计提和压力测试中。
我个人觉得，理解这张图比背公式重要得多。你想想看，如果连风险从哪来、怎么传导都不清楚，算出来的数字再漂亮也没用。
实战建议：刚开始做信用风险建模时，别急着上复杂模型。先把PD、LGD、EAD这三个基础要素搞清楚。我见过太多人一上来就搞机器学习，结果连基础逻辑都没理顺。
好了，这一章就到这里。信用风险的基础框架已经搭好了，后面我们会一步步深入每个要素的具体建模方法。
公众号:蓝海资料掘金营，微信deep3321