违约损失率模型研究

合集下载

论预期信用损失模型在一般企业的运用

论预期信用损失模型在一般企业的运用预期信用损失模型是企业在进行信用风险管理时的重要工具之一，它可以帮助企业更好地理解和预测未来可能发生的信用损失情况，从而有效地制定风险管理策略和措施。

在一般企业中，预期信用损失模型的运用对于提高企业的风险管理水平，保障企业的资金安全，降低信用风险损失具有重要的意义。

本文将从预期信用损失模型的概念和原理、在一般企业中的运用及其意义等几个方面对该主题进行分析和探讨。

一、预期信用损失模型的概念和原理预期信用损失模型是指企业通过对客户信用风险进行量化分析和评估，以确定未来一段时间内可能发生的信用损失额。

预期信用损失模型一般由历史数据分析、统计建模和风险参数计量等方法构建而成，其中包括违约概率、违约损失率和违约敞口等关键指标。

通过对这些指标进行测算和分析，企业可以得出客户信用风险的整体评估结果和预期信用损失额，从而为企业制定风险管理策略提供了有力的依据。

预期信用损失模型的核心原理是建立在对客户违约风险的量化评估基础之上的，其核心思想是通过客户的基本信息、历史交易数据、市场环境等多方面因素的综合考量，量化客户的违约风险水平，以确定未来可能发生的信用损失情况。

在预期信用损失模型中，违约概率是一个重要的指标，它反映了客户在未来一段时间内发生违约的可能性，是进行风险评估和预期信用损失估计的基础。

而违约损失率则是指一旦客户发生违约时，企业可能面临的损失比例，它主要由客户的信用状况、行业特性、经济环境等因素所决定。

违约敞口则是指企业在未来一段时间内可能受到的信用损失额，是通过违约概率和违约损失率的综合计算而得出的指标。

基于这些指标，企业可以更准确地确定客户信用风险，并进行相应的风险管理和控制。

二、预期信用损失模型在一般企业中的运用预期信用损失模型在一般企业中的运用主要体现在以下几个方面：1. 信用风险评估和授信决策通过预期信用损失模型对客户的信用风险进行量化评估，企业可以更全面地了解客户的信用状况和违约可能性，从而对客户的授信额度、信用期限、利率等进行科学、合理的授信决策。

银行业的风险监测模型

银行业的风险监测模型银行业作为金融行业的核心组成部分，面临着各种风险，包括信用风险、市场风险、操作风险等。

为了更好地应对这些风险并确保金融稳定，银行业需要建立有效的风险监测模型。

本文将介绍银行业风险监测模型的重要性，并详细探讨几种常见的监测模型。

一、风险监测模型的重要性风险监测模型在银行业中具有重要的作用。

首先，它可以帮助银行识别、评估和管理各种风险。

通过建立风险监测模型，银行能够及时发现潜在的风险，预测可能的损失，并采取相应的措施来降低风险。

其次，风险监测模型可以提供有关银行业务的决策支持。

通过模拟和分析不同的风险情景，银行能够更好地制定战略，优化资本配置，并提高盈利能力。

此外，风险监测模型还可以为监管机构提供重要的信息，帮助其监督和监管银行业。

二、常见的风险监测模型1. VaR模型VaR（Value at Risk）模型是一种广泛应用于金融领域的风险监测工具。

该模型通过测量不同资产或投资组合的价值波动，评估其可能的损失。

VaR模型基于历史数据和统计方法，计算出在特定置信水平下的最大可能损失额。

银行可以利用VaR模型来控制投资组合的风险水平，制定合理的风险管理策略。

2. CVA模型CVA（Credit Valuation Adjustment）模型主要用于衡量银行在信用风险交易中的损失。

该模型考虑到债务人违约的可能性，并计算出相应的风险调整价值。

CVA模型通过对违约概率、损失率和预期违约损失等进行估计，帮助银行评估交易的信用风险，并进行资本和风险管理。

3. 市场风险模型市场风险模型广泛应用于金融市场中，帮助银行监测并管理与市场相关的风险。

这些模型通常使用历史数据和统计方法来衡量价格波动和价格相关性，通过计算风险价值（Risk Value）来评估投资组合的市场风险。

市场风险模型对于银行业来说尤为重要，因为银行的贷款、投资和资产负债管理都受到市场因素的影响。

4. 操作风险模型操作风险模型用于评估和管理与银行操作相关的风险，如人员错误、系统故障、欺诈和合规风险等。

预期损失模型对我国商业保理公司的影响及建议

预期损失模型对我国商业保理公司的影响及建议预期损失模型，即Expected Loss（EL）模型，是评估信贷风险的一种方法，用于计算预计损失的平均值。

它是根据债务人违约的可能性和违约时损失的预测值来确定的。

预期损失模型通常包含对历史违约率、违约损失率和追偿成功率等数据的估计。

在商业保理业务中，预期损失模型主要应用于信用风险管理和信用评估。

商业保理公司在决策是否接受某个债权时，可以通过预期损失模型对其信贷风险进行量化分析，从而减少损失风险。

首先，预期损失模型可以提高商业保理公司的风险管理水平。

商业保理公司可以通过建立预期损失模型，提高风险识别和评估的准确性，从而更好地规避不良债权和减少损失。

其次，预期损失模型可以调整商业保理公司的风险承受能力。

商业保理公司可以针对不同类型的债权，通过分析不同的债权特征和数据进行分类管理，提高风险管理的效率和精度，并根据不同的风险控制需求调整自身的风险承受能力。

最后，预期损失模型也会对商业保理公司的业务模式和服务方式产生影响。

商业保理公司需要根据预期损失模型的分析结果，调整自身的产品和服务策略，更好地满足客户需求，并适应市场的变化和发展。

综上所述，对于商业保理公司来说，预期损失模型的应用可以提高风险管理水平、调整风险承受能力、提高风险定价能力、调整业务模式和服务方式等方面产生积极影响。

但是，预期损失模型的运用也存在一些挑战，如数据质量问题、模型建立复杂度高等。

因此，建议商业保理公司在运用预期损失模型之前，应该充分考虑实际情况和业务需求，选择适合自身的模型和方法，同时加强数据管理和风险控制体系的建立和完善，从而更好地应对风险管理挑战。

PD、LGD在风险管理中的运用原理

PD、LGD在风险管理中的运用原理哎，说到风险管理，这可是个让人头大的话题。

不过，别担心，咱们今天就来聊聊PD（Probability of Default，违约概率）和LGD（Loss Given Default，违约损失率）这两个家伙，它们在风险管理中可是大有用处的。

首先，咱们得明白，PD和LGD是信贷风险管理中两个核心的指标。

PD，就是说，一个借款人在未来某个时间点违约的概率。

这就像是你借给朋友钱，你心里得有个数，这哥们儿会不会到时候还不上。

LGD呢，就是说，如果借款人真的违约了，你能收回多少钱。

这就好比，你朋友真还不上钱了，你还能从他那儿拿回多少。

咱们先说说PD。

这个指标，就像是天气预报，告诉你明天下雨的概率是多少。

在银行或者金融机构里，他们会用一大堆复杂的模型和数据来预测这个概率。

比如，他们会看借款人的信用记录、收入状况、工作稳定性等等。

这些因素就像是天气里的气压、湿度、风向，帮助他们预测违约的概率。

然后是LGD。

这个指标，就像是你买了保险，保险公司告诉你，如果出事了，他们能赔你多少钱。

在信贷领域，LGD就是说，如果借款人违约了，银行能从抵押品或者其他途径收回多少钱。

这个数字，通常比借款金额要小，因为总会有一些损失。

举个例子，比如说，你借给小张10万块钱，你觉得他违约的概率是1%，这就是PD。

如果小张真的违约了，你估计能从小张那儿收回5万块，这就是LGD。

所以，你预计的损失就是10万乘以1%，再减去5万，等于5千块。

但是，这事儿没那么简单。

因为PD和LGD都是动态变化的。

比如，小张突然失业了，他的PD可能就会上升。

或者，小张的抵押品价值下降了，你的LGD可能就会增加。

所以，风险管理就像是在玩一个不断变化的拼图游戏，你得时刻关注这些变化，调整你的策略。

最后，咱们得说，PD和LGD在风险管理中的作用，就像是汽车的刹车和方向盘。

PD帮你判断前方的风险，LGD帮你控制损失。

只有两者都控制好了，你才能在风险的道路上稳稳当当。

对于Credit Portfolio View模型的适用性分析及改进建议(1)

对于Credit Portfolio View模型的适用性分析及改进建议黄小凤（哈尔滨工业大学建筑学院黑龙江哈尔滨150006）摘要：当今国际社会中，关于信用风险的评估分析主要使用KMV模型，Credit Metrics模型，Credit Risk +模型和Credit Portfolio View模型。

在这四个模型中，只有credit Portfolio View模型考虑了宏观经济因素对商业银行信用风险的影响。

笔者认为宏观经济因素对信用风险的影响是非常大的，比如在经济萧条期间，商业银行发生的违约事件明显多于经济良好的时间。

所以，认为Credit Portfolio View模型相比于其它模型更加合理。

但该模型也有其漏洞，所以提出了实际贷款过程中以Credit Portfolio View模型为主，混合使用另外其它模型的建议。

关键词：信用风险、Credit Portfolio View模型、违约、商业银行一．Credit Portfolio View模型概述1.1 Credit Portfolio View模型定义Credit Portfolio View模型是由麦肯锡开发的一个多因子模型，可以用于预测仿真既定宏观因素取值下各个信用等级对象之间联合条件违约分布和信用转移概率。

在观测到失业率、GDP增长率、长期利率水平、外汇水平、政府支出和国民储蓄率等宏观经济因子信息时，计算不同国家、不同行业、不同信用评级的违约和信用潜移概率的分布函数。

Credit Portfolio View模型将观测到的违约概率和信用潜移概率与宏观经济因素联系起来。

当经济处于衰退期时，各信用主体信用降级和违约概率增加；与此相反，当经济处于繁荣时期时，各信用主体信用降级和违约概率减少。

也就是说信用周期与经济周期密切相关。

假定能够得到相关的数据，这一框架可以应用到每一个国家，并可用到像制造业、金融业和农业等不同的部门和各种类型的信用个体。

违约率的计算公式

违约损失率计算公式：违约损失率（LGD）=1-回收率。

LGD是指债务人一旦违约将给债权人造成的损失数额，即损失的严重程度。

违约损失赔偿不得超过违反合同一方订立合同时预见到或者应当预见到的因违反合同可能造成的损失。

违约损失率LGD是指债务人一旦违约将给债权人造成的损失数额，即损失的严重程度。

回收率之定义为回收金额除以放款金额。

此处的回收金额，定义为该帐户违约，宣告无法偿债后，因拍卖担保品，强制执行借款人存款或其他催收方式所得回之金额。

因此，通常除非有担保品，回收比率大部份非常低。

也就是说违约损失率之大小，会取决于担保品的特性。

其特点是：违约损失率是针对交易项目--各笔贷款而言的，它与关键的交易特征有关，是与贷款的信用保障挂钩的，如是否有抵押品，银行的客户可能有多笔贷款，每笔贷款的违约损失率因其信用保障措施的不同而有所不同。

新金融工具准则下预期信用损失减值模型研究与运用

新金融工具准则下预期信用损失减值模型研究与运用2017年，财政部对《企业会计准则第22号——金融工具确认和计量》进行了修改，并对其进行了规定。

其中，新金融工具准则中提到的预期信用损失模式，对由金融工具、租赁和收入标准构成的相似组合的减值损失进行了规范。

（一）资产减值损失资产减值损失（asset impairment loss;Assets Devaluation）是指因资产的可回收金额低于其账面价值而造成的损失。

企业在资产负债表日，经过对资产的测试，判断资产的可收回金额低于其账面价值而计提资产减值损失准备所确认的相应损失。

企业所有的资产在发生减值时，原则上都应当对所发生的减值损失及时加以确认和计量，因此，资产减值包括所有资产的减值。

但是由于资产的性质不同，所适用的具体准则也不尽相同。

根据《企业会计准则第22号——金融工具确认和计量》(2017年)及其应用指南，对金融资产的减值损失计提信用减值损失。

（二）信用减值损失信用减值损失是指企业持有金融资产的账面价值，高于这项金融资产的可收回金额产生的损失。

预期信用损失，是指以发生违约的风险为权重的金融工具信用损失的加权平均值，该方法不同于与过去根据实际已发生减值损失确认减值准备。

在预期信用损失法下，减值准备的计提不以减值的实际发生为前提，而是以未来可能的违约事件造成的损失的期望值来计量资产负债表日应当确认的减值准备。

包括以摊余成本计量和以公允价值计量且其变动计入其他综合收益的金融资产、租赁应收款、合同资产、部分贷款承诺和财务担保合同。

（三）预期信用损失模型在新准则的预期信用损失框架下，机构的历史风险表现以及对于未来经济环境和风险的判断，都会被纳入模型作为综合考量要素。

通过信用风险损失的提前确认，新准则有效缓解了已发生损失模型在金融危机中暴露的损失确认“太少太迟”问题，使得预期信用损失的确认更为平缓，更加符合资产质量的实际变化情况。

新准则下的预期信用损失（Expected Credit Loss，下称“ECL”）模型以历史数据及宏观经济因子为基础，其公式为：ECL=PD×LGD×EAD其中，ECL代表预期信用损失，是企业对某个信用事件中会遭受的损失的估计；PD为违约概率，LGD为违约损失率，EAD为满足准则要求的违约风险敞口。

聚合信用风险模型的改进和研究

摘要：近年来的研究发现，违约损失率的分布呈现一种双峰特征。文章对传统聚合信用风险模型进行改进，用具有双峰特征的双ｂｅｔａ分布来刻画违约损失率的变化，给出全部贷款组合信用风险概率生成函数的解析式，利用数值模拟的结果验证了模型的有效性
Ａｂｓｔｒａｃｔ：Ｔｈｅｓｔｕｄｙｉｆｎｄｓｔｈａｔｔｈｅｄｉｓｔｒｉｂｕｔｉｏｎｏｆｔｈｅｄｅｆａｕｌｔｒａｔｅｉｓｂｉｍｏｄａｌｉｎｒｅｃｅｎｔｙｅａｒｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ｔｈｅｔｒａｄｉｔｉｏｎａｌｃｒｅｄｉｔｒｉｓｋｍｏｄｅｌｉｓｉｍｐｒｏｖｅｄｂｙｕｓｉｎｇｈｅｔｄｏｕｂｌｅｂｅｔａｄｉｓｔｒｉｂｕｔｉｏｎｔｏｄｅｐｉｃｔｈｅｔｃｈａｎｇｅｏｆｔｈｅｄｅｆａｕｌｔｌｏｓｓｒａｔｅ．Ｔｈｅａｎａｌｙｔｉｃｅｘｐｒｅｓｓｉｏｎｏｆｔｈｅｆｕｌｌｌｏａｎｐｏｒｆｔｏｌｉｏ＂ｓｃｕｍｕｌａｎｔｇｅｎｅｒａｉｔｎｇｆｕｎｃｔｉｏｎｉｓｇｉｖｅｎａｎｄｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｌ１ｅｍｏｄｅｌｉｓｄｅｍｏｎｓｔｒａｔｅｄｂｙｔｈｅｉｒｓｅｏｆｎｕｍｅｒｉｃｌａｓｉｍｕｌａｔｉｏｎ

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Moody’s的LossCalcTM模型（Gupton and Stein, 2002）包括了债务类型和
优先级、资本结构、行业和宏观经济四个方面的九个自变量，如下表。
变量类型
变量名称
变量数目
债务类型和优先级别
债务类型和优先级别对应的 LGD 历史平 X1 均值
债务的相对级别
X2
资本结构
资产负债率
至时间点，如图中的 24 月份，24 月份以后的回收现金流忽略不计。
图 1 有效催收窗口实际操作中，是分逾期的时间段对银行历史催收数据分别进行分析，以保证分析结果的稳健性，如图 1，在贷款逾期后的第 24 个月，曲线变得比较平坦，而且不同年份违约客户的情况都是如此，则可以确定 24 个月为该产品的有效催收窗口。图 1 中，不同时间段的累积回收率曲线如同一层层逐渐成熟的葡萄架，故英文中也把这个方法叫做 Vintage。在我国，零售敞口的核销较为困难，大量违约贷款长期挂在账上，这样，有效催收时点的确定，对于 LGD 计量而言就非常重要。催收成本新资本协议规定催收成本包括直接成本和间接成本，但对于直接成本和间接成本的具体内涵未做详细界定。欧盟认为，“清收成本包括与清收相关的重要直接成本和间接成本。此类清收成本源于运营清收部门的成本、由回收直接引起的外部资源服务成本，如法律成本，一定比例的其它运行成本，如公司日常开支等”。银监会的相关指引在此基础上，对直接成本和间接成本做了进一步的明确，指出 “直接损失或成本是指能够归结到某笔具体债项的损失或成本，包括本金和利息损失、抵押品清收成本或法律诉讼费用等。间接损失或成本是指商业银行因管理或清收违约债项产生的但不能归结到某一笔具体债项的损失和成本。商业银行应
在非违约帐户和违约帐户的分组中，LGD 模型建设都只使用违约样本，但是其观察期和表现期的构造并不一致。非违约帐户分组中，所有样本在观察点之前还没有发生违约，而是在表现期内都发生违约，发生违约后的帐户回收率决定于有效催收窗口的分析，所以 LGD 模型的建设对于历史数据的时间长度要求比较高，在下图的例子中，需要四年的历史数据。违约帐户分组中，所有样本在当前观察点之前都已经发生违约，有效催收窗口在观察点之前已经开始（一般选择在观察期内发生违约的样本，这样，有效催收窗口在观察期内开始，容易分析），在下图的例子中，需要三年的历史数据。
违约损失率模型研究
梁世栋《投资研究》2009 年第 6 期 liangshidong@
巴塞尔新资本协议内部评级法的三个核心参数，违约概率（Probability of Default, 简称 PD）、违约损失（Loss Given Default，简称 LGD）、违约风险敞口（Exposure at Default，简称 EAD），构成了信用风险现代风险计量技术的基本框架。其中，违约损失率是指当客户发生违约后债项损失的程度，新资本协议强调“估计违约损失率的损失是指经济损失”，而不是会计上的账面损失，经济损失要考虑回收成本和资金的时间价值，也就是利用合适的折现率计算扣减回收成本后回收现金流的现值。由于数据缺失等原因，LGD 计量模型研究较少，本文结合实践经验从数据特征、模型方法选择等角度专门对其进行专门的讨论。
统计分析等几个方面的情况。特别的，违约损失率 LGD 模型必须要进行非违约帐户和违约帐户的分组，因
为已经违约的客户包括了逾期后回收的更新数据，信息量远大于非违约帐户，可以构造更多的自变量，预测也更为准确。实际上，对于已违约客户分组，LGD 模型是在当前已经回收金额的基础上预测未来能继续回收的部分，而不是整体回收率
映回收和清收成本现金流风险的溢价之和；将回收和清收成本转化为确定性等价现金流，并采用无风险利率对等价
现金流折现；同时对折现率、回收率和清收成本进行风险调整，且前后调整原则一致。银监会的相关监管指引对折现率的要求与欧盟相同，但对于折现率的具体选择标准没有界定。总结来说，欧盟和银监会监管指引的主导思想就是折现率同时包括资金的时
换一个角度，让我们从实际可供选择的利率出发。目前可供选择的利率包括央票、国债利率、存款利率、合同利率、贷款基准利率、贷款执行利率、加权平均资本成本(WACC)、内部转移利率(ITR) 等。
央票、国债利率、存款利率等属于无风险利率类，不符合监管规定；加权平均资本成本(WACC)、内部转移利率(ITR)等属于银行内部利率类，从成本角度出发，其作为折现利率有一定的合理性，但是不符合监管规定。剩下的合同利率、贷款基准利率、贷款执行利率应该说属于无风险利率加溢价类，当然其风险溢价不仅仅包括了回收现金流的不确定性，还包括了客户是否违约、是否提前还款等所有该笔贷款相关联的风险补偿，从审慎的角度来说，选择这些利率，没有违反监管规定。
二、预测变量构造
预测变量数据，包括了债项类型、债项的优先级别、抵质押品、抵债资产的
优先求偿权、破产相关法律因素、行业因素、违约概率、商业周期、信贷历史、
宏观经济等方面，其中，商业银行对于抵质押品的管理一直比较薄弱，数据积累
也非常差，目前，各大商业银行正在建设抵质押品市值重估和管理系统，有望在
未来的一段时间内得到改善。
X3
行业因素
行业回收率平均值 X4
银行业指标
X5
RiskCal 模型计算的
上市公司一年期违 X6
约概率中位数
宏观经济因穆迪破产企业债券
X7
素
指数
投机级债券 12 个月 X8
平均违约概率
经济领先指数
X9
表 1 Moody’s的LossCalcTM模型变量
三、模型分组和样本选择
违约损失率 LGD 模型的分组基本上与客户违约概率评级模型的分组原则比较类似，一般可以从行业、规模、区域、产品等维度进行分组，具体应该选择几个维度，在每个维度如何分组，应该考察经济学直觉、业务管理情况、数据来源、
首先，应该选择实际执行利率，那么贷款执行利率比贷款基准利率合理；其次，应该选择回收现金流对应的期限，也就是说应该选择贷款执行利率期限结构中回收现金流期限对应的利率，而不是贷款合同期限对应的贷款执行利率，回收现金流期限可以通过上述的催收有效窗口得到。以房贷为例子，合同期限一般 10－30 年，而回收现金流期限一般是 3 年左右，折现利率应该选择 3 年期的贷款执行利率。
折现率折现率反映的是银行资金的时间价值，即计算由于客户拖欠所造成的资金占的成本。在中国的金融市场，可以选择的折现率有贷款基准利率、合同贷款利率、资本要求回报率、存款利率、国债利率、银行内部资金成本等。新资本协议要求要考虑“折扣效应”，但是如何考虑，即采用一个什么样的折现率，未做详细规定。欧盟相关文件认为，“估计 LGD 所采用的回收率应当反映清收期间持有违约资产的成本，包括适当的风险溢价。如果回收现金流不确定，涉及无法分散的风险，则净现值计算应反映货币的时间价值以及无法分散风险的适当溢价。”银行在确定该风险溢价时“应重点关注经济下滑时出现的与违约率相关的回收现金流的不确定性。”“如果回收现金流没有不确定性，则净现值计算仅需要反映货币的时间价值，此时，可采用无风险折现率”。折现率的计算可以采用以下几种方法：采用风险调整后折现率对回收现金流折现，该折现率为无风险利率与反
间价值（无风险利率）和回收现金流不确定性的风险补偿。风险补偿可以有两种方法来处理，一种是如欧盟规定的体现在折现利率中，另一种是体现在回收现金流的计算中，例如选择最为谨慎的经济萧条期的历史回收现金流。
从理论上讲，通过对回收不确定性现金流进行建立金融学模型，是可以计量出相对应的风险补偿的，期权调整利差（Option-Adjusted Spread）模型可能是比较合适的选择，但是，如何描述回收现金流的不确定性是无法回避的难题。
进一步，合同利率、贷款基准利率、贷款执行利率三者中，哪个最为合适呢？他们三者的关系是这样的，贷款基准利率由人行规定，而银行一般按照人行的规定和产品的情况，在贷款基准利率的基础上，适当的上下浮动，得到贷款实际执行利率，贷款基准利率和贷款执行利率都是一个利率期限结构；而合同利率是合同期限对应的贷款执行利率，是利率期限结构中某个期限的具体利率。
采用合理方式分摊间接损失和成本。” 催收成本计量是一个各国银行面临的一个普遍问题，国外银行的问题在于催
收成本的分摊，而对于中国的商业银行，相关 IT 系统建设相对落后，成本信息没有记录，因此，问题的关键在于没有记录，更无从谈起分摊。
为此，银行需要对该部分数据进行补录，补录的方式可以采用问卷的形式。由于没有数据可查，数据补录只能依靠专家经验，因此，补录数据项的设计不宜过于精细，但应覆盖以下几个维度：不同产品的催收成本；不同时间/年份的催收成本；不同催收手段的成本；不同逾期程度客户的催收成本。
图5 Beta分布拟和回收率更多的实证发现，LGD 呈现的是双峰分布（bimodal distribution），商业银行的信贷业务，双峰的情况比较严重，如图 6，从直觉上也比较容易理解，如果债务人主观上原意还钱，无论时间长短，最终会归还大部分的金额，也即违约损失率 LGD 比较低，呈现为低端的峰；如果债务人主观上没有意愿还钱，既然都是违约，不如违约彻底，也即违约损失率 LGD 比较高，呈现为高端的峰。庆幸的是，如图 6 所示，这个世界上还是好人多，LGD 低端的峰值比较高。特别对于中国的商业银行，因为国内坏帐核销等法规和信用环境的影响，双峰分布更为极端，LGD 取值 0 和 1 的情况占比非常大，也就是说，很多债务在催收后能全额还款，而有些债务则一分钱都没能回收。
一、历史违约损失率估计来自违约损失率 LGD 公式如下：
∑ LGD = 1 −
(回 [
收金额 −回收成 (1 + 折现率)t
本
) t
]
违约敞口
其中，计算历史 LGD 比率的三大关键点，回收现金流（有效催收窗口）、回收成本、折现率。