2. 信用风险基础：违约概率、回收率、信用利差的决定因素
信用债投资，说白了就是跟“借钱不还”的风险打交道。你想想看，买国债几乎不用担心还不上，但买企业债就得掂量掂量——这家公司会不会暴雷？万一暴雷了能拿回多少？市场又给它定价了多少“风险补偿”？
这三个问题，正好对应了信用风险的三大核心要素：违约概率（PD）、回收率（RR）、以及信用利差（CS）。我个人习惯把这三点称为“信用风险三角”，搞懂它们，你就拿到了信用债投资的入门钥匙。
核心公式：预期损失 = 违约概率 × (1 - 回收率) × 风险敞口
信用利差 ≈ 预期损失 + 风险溢价 + 流动性溢价
2.1 违约概率：谁更容易“暴雷”？
违约概率，就是一家公司在未来一段时间内（比如1年）还不上钱的概率。我刚开始做信用研究时，总觉得这玩意儿是玄学，后来发现其实有章可循。
2.1.1 影响PD的核心因素
- 财务健康度：资产负债率、利息覆盖倍数、现金流稳定性。说白了，就是看它赚的钱够不够还利息。
- 行业周期：强周期行业（钢铁、煤炭）在经济下行时PD飙升。我记得2015年那波产能过剩，多少煤企债直接变“废纸”。
- 公司治理：大股东掏空、财务造假、关联交易。嗯，这里要注意，有些公司财报看着漂亮，但一查实控人背景就露馅。
- 宏观环境：利率上行、信用收缩、政策突变。比如2020年疫情初期，很多企业的PD模型直接失效。
2.1.2 量化PD的常用方法
我个人最常用的是Merton模型的简化版——把公司股权看作看涨期权，债务看作执行价。当公司资产价值低于债务时，就触发违约。
# 简化版Merton模型计算PD
import numpy as np
from scipy.stats import norm
def calc_pd(equity_value, debt_value, equity_vol, risk_free_rate, maturity=1):
# 资产价值估算（简化处理）
asset_value = equity_value + debt_value * 0.5
# 违约距离
distance_to_default = (np.log(asset_value / debt_value) +
(risk_free_rate - 0.5 * equity_vol**2) * maturity) / (equity_vol * np.sqrt(maturity))
# 违约概率
pd = norm.cdf(-distance_to_default)
return pd
# 示例：某公司股权市值100亿，债务50亿，波动率30%，无风险利率3%
pd_example = calc_pd(100, 50, 0.3, 0.03)
print(f"隐含违约概率: {pd_example:.2%}")
避坑指南：我曾经用Merton模型算出一只城投债PD只有0.1%，结果半年后它展期了。后来我才意识到——模型假设资产价值是连续变化的，但现实中“黑天鹅”事件会让资产价值瞬间跳崖。所以，模型输出只能当参考，不能当圣旨。
2.2 回收率：暴雷后能拿回多少？
违约概率告诉你“会不会出事”，回收率告诉你“出事之后损失多大”。你想想看，同样违约，有抵押品的债和纯信用债，回收率天差地别。
2.2.1 回收率的决定因素
| 因素 | 影响方向 | 说明 |
|---|---|---|
| 抵押品质量 | 正相关 | 房产、设备等硬资产回收率高，无形资产几乎为零 |
| 优先级结构 | 正相关 | 有担保债 > 优先级无担保 > 次级债 > 永续债 |
| 行业特征 | 差异大 | 公用事业回收率约60%，科技公司可能只有20% |
| 法律环境 | 正相关 | 破产制度完善的国家回收率更高 |
我在项目中遇到过一只地产债，抵押物是某二线城市的商业地产。当时觉得回收率至少50%，结果真违约了才发现——那栋楼根本卖不掉，最后只拿回18%。所以，抵押品的流动性比账面价值更重要。
2.2.2 回收率的量化估算
业界常用历史平均法和市场隐含法。我个人偏好后者——从信用违约互换（CDS）价格反推回收率。
# 从CDS价差反推回收率
def implied_recovery(cds_spread, hazard_rate, risk_free_rate):
# 简化模型：CDS价差 ≈ (1 - RR) × 违约强度
recovery_rate = 1 - cds_spread / hazard_rate
return max(0, min(1, recovery_rate))
# 示例：某公司5年期CDS价差300bp，隐含违约强度4%
cds_spread = 0.03
hazard_rate = 0.04
rr = implied_recovery(cds_spread, hazard_rate, 0.03)
print(f"隐含回收率: {rr:.1%}")
注意：回收率不是固定的！同一只债在不同时间点违约，回收率可能差30个百分点。我见过最极端的案例——某公司第一次违约回收率45%，第二次违约只剩12%。所以做压力测试时，一定要给回收率加个“悲观情景”。
2.3 信用利差：市场给的“风险补偿”
信用利差，就是企业债收益率比同期限国债高出的部分。说白了，就是市场让你多赚的那点钱，用来补偿你承担的信用风险。
2.3.1 信用利差的构成
很多人以为信用利差就等于预期损失，其实不然。我拆解一下：
- 预期损失补偿：PD × (1 - RR)，这是最基础的部分
- 风险溢价：投资者承担不确定性要求的额外回报。你想想看，如果预期损失是1%，但利差是2%，多出来的1%就是风险溢价
- 流动性溢价：信用债流动性差，买卖价差大，这部分是补偿你“想卖时卖不掉”的风险
- 税收因素：部分信用债有税收优惠，会影响利差
2.3.2 影响信用利差的宏观因素
| 因素 | 典型影响 | 我的观察 |
|---|---|---|
| 经济周期 | 衰退期利差走阔 | 2008年利差从100bp飙到600bp |
| 货币政策 | 宽松时利差收窄 | 2020年美联储放水，利差迅速回落 |
| 市场情绪 | 恐慌时利差飙升 | 2022年理财赎回潮，信用债利差一天跳升50bp |
| 供给冲击 | 新债发行量大时利差走阔 | 每年3-4月信用债供给高峰，利差通常承压 |
2.3.3 信用利差的量化分解
我个人习惯用回归分析法把利差拆成不同成分。举个例子：
# 信用利差分解（简化版）
import statsmodels.api as sm
# 假设我们有历史数据
# y: 信用利差
# X1: 违约概率（PD）
# X2: 回收率（1-RR）
# X3: 流动性指标（买卖价差）
# X4: 市场波动率（VIX）
def decompose_cs(cs_data, pd_data, lgd_data, liquidity_data, vix_data):
X = sm.add_constant(np.column_stack([pd_data, lgd_data, liquidity_data, vix_data]))
model = sm.OLS(cs_data, X).fit()
return model.params
# 示例输出（假设数据）
# const: 0.5% (基础利差)
# PD: 0.8 (每1%的PD贡献0.8%利差)
# LGD: 0.3 (每1%的LGD贡献0.3%利差)
# Liquidity: 0.4 (流动性溢价)
# VIX: 0.02 (每1单位VIX贡献0.02%利差)
实战技巧：我建议你关注利差的“异常值”。当一只债的利差远高于模型预测值时，往往意味着市场在定价一些你没看到的风险——比如大股东质押爆仓、或者行业政策突变。这时候，别急着抄底，先查查有没有隐藏的雷。
2.4 知识体系总览
下面这张图，是我梳理的信用风险分析框架。你可以把它当作一个检查清单——每次分析信用债时，按这个框架过一遍，基本不会漏掉关键点。
嗯，到这里信用风险的基础框架就搭好了。记住，这三个要素不是孤立的——违约概率上升时，回收率往往也会下降（因为资产贬值），信用利差则会同步走阔。做量化建模时，一定要考虑它们之间的联动关系。
核心要点回顾：
- 违约概率看“会不会出事”，回收率看“出事损失多大”，信用利差看“市场要多少补偿”
- 量化PD别迷信模型，要结合定性判断
- 回收率的关键是抵押品流动性和法律保护
- 信用利差 = 预期损失 + 风险溢价 + 流动性溢价，别只看预期损失
公众号:蓝海资料掘金营，微信deep3321