LGD 与 EAD 验证：常见陷阱

如果你问大多数信用风险团队哪个模型最重要，他们会说是 PD。如果你问一位资深的验证人员，他们会说 LGD 和 EAD 难分伯仲——因为这些模型没有人关注得足够细致，而其中任何一个的微小偏差对 ECL 和 RWA 的影响都超过一个经过良好标定的 PD。

LGD 不仅仅是一个数字

违约损失率 (LGD) 通常被报告为每个等级或每个产品的单一百分比。这掩盖了三个截然不同的组成部分：

1. 治愈率 (Cure rate)。有多少比例的违约客户会在不产生清收损失的情况下恢复为履约状态？治愈率高度依赖于治愈定义（90 天？12 个月？），此处的细微变化会大幅移动 LGD 头条数字。
2. 未治愈违约的回收率。回收的折现现金流扣除清收成本后的净额。
3. 经济下行附加值 (Downturn add-on)。在长期 LGD 基础上增加的边际，以反映压力环境下的回收情况——这是 IRB 下的要求，并且也正逐渐渗入 IFRS 9 的压力叠加项中。

验证通常会在两个地方发现问题：治愈率在历史标定与当前应用之间不一致，或者下行附加值是一个生硬的百分比叠加，而不是基于数据的调整。这两者中的任何一个都能使 LGD 变动 5-15 个百分点，而担保账簿上 10 个点的 LGD 变动意味着巨大的 ECL 数字。

EAD 是隐藏风险所在

对于定期产品，违约风险敞口 (EAD) 接近于未偿余额，模型很大程度上是机械性的。对于循环信用——卡片、透支、未提用的公司贷款——EAD 取决于信用转换系数 (CCF)：即从今天到违约发生之间，预期会被提用的未提用承诺份额。

EAD 模型出错的地方：

• 在景气时期估算的 CCF。2015-2019 年的历史 CCF 与真实压力时期的实际行为完全不同。对于某些细分群体，平均提用率为 30% 的额度在 2020 年期间移动到了 70% 或更高。
• 样本混合 (Cohort mixing)。将低使用率的优质客户与高使用率的次贷客户混在同一个 CCF 等级中，掩盖了真实的离散性。
• 违约时间假设。12 个月的 CCF 并不是 3 个月的 CCF。某些框架在报告后者时会悄悄使用前者。

回溯检验：实际应测试的内容

有意义的 LGD 和 EAD 回溯检验会将模型估计值与来自闭合样本（很久以前发生的违约，以至于清收已基本完成）的已实现损失和提用余额进行比较。

有三项测试可以捕捉到大多数真实问题：

• 集中趋势测试。按等级、产品和年份比较已实现 LGD 的加权平均值与预测 LGD。持续的单向偏差是最大的单一警示信号。
• 区分能力。使用 Somers' D 或类似的排序度量，检查模型是否能区分高损失和低损失违约，而不只是平均值正确。
• 已实现 CCF 分布。对于循环产品，绘制已实现 CCF 的直方图并与模型点估计值对比。长右尾通常是模型失效的地方。

基准测试：不要跳过它

外部 LGD 和 EAD 基准比 PD 基准更零散，但它们确实存在——监管研究（EBA 基准测试练习、美联储 CCAR 公开披露）、评级机构的历史回收研究（穆迪 Ultimate Recovery 数据库、标普 LossStats）以及行业数据池。如果一个模型在高级无担保公司债上的 LGD 比行业平均水平低 15 个百分点，则需要一个非常合理的解释。

治理层

模型风险框架标准（美国的 SR 11-7、欧盟的 TRIM 发现、英国的 PRA SS1/23）都将 LGD 和 EAD 视为一级模型，要求与 PD 相同的概念审查、实施测试和结果分析。在实践中，资源往往偏向 PD 工作，而 LGD/EAD 的验证则较为表面。这一差距正是监管机构往往能发现问题的地方。

优秀的验证是什么样的

• 治愈定义、回收计算和下行附加值均有记录，且可从原始清收数据中复现。
• 按产品细分的 CCF 具有可见的样本离散性——而不仅仅是点估计。
• 对真正的闭合样本进行回溯检验，每个周期发布并解释差异。
• 明确引用外部基准，并对任何重大差距进行调查。
• 独立的第二道防线验证意见，能够区分“概念严谨但标定保守”与“概念缺陷且存在重大偏差”。

LGD 和 EAD 并不光鲜，它们永远不会像 PD 模型那样成为头条新闻。但它们承载着同样多的 ECL 和 RWA 权重——往往更多。任何放任它们“滑行”的模型风险框架都在低估信用账簿真实的模型风险概况。