今天的介绍主要分为两个部分，一是债务周期下的违约风险和预测偏离，二是针对预测偏离的模型校准和改进。

一、债务周期下的违约风险和预测偏离

（一）评级模型框架。

       商业银行的评级模型框架一般分为两个部分：一是对于客户自身风险的评估，一般包括定量模型、定性模型两个方面。定量模型主要是财务危机分析，核心是看客户经营对银行本金和利息的保障程度；定性模型主要是管理评价，核心是看客户的管理现状、市场地位、发展前景等。二是对于系统性风险的评价，一般包括地区风险、行业风险等。地区风险的考虑因素包括：资源禀赋、基础设施、信用环境等，行业风险的考虑因素包括：行业壁垒、成本结构、盈利模式等。上述两个部分相结合，可以得到模型得分。

（二）评级模型校准及违约预测偏离。

       在对客户进行评分后，会形成对客户风险的排序，之后再进行违约概率（PD）校准。校准实质上是以长期违约中心趋势（CT）为目标，将不同时期模型预测的违约概率进行“拉伸”。相比实际违约率，商业银行模型校准后的预测违约概率（PD）往往会产生一定偏离，典型的情况是：在经济下行期，模型预测的违约概率（PD）低于实际违约率；在经济上升期，模型预测的违约概率（PD）高于实际违约率。

（三）模型预测PD与实际违约率的偏离原因。

       模型预测PD与实际违约率的偏离原因，主要是由于不同阶段，发生违约的原因结构有所不同。经济上行期，经营性风险（经营不善）产生的违约占比较高；而经济下行期，经营性风险产生的违约占比下降，投融资风险（过度扩张、超出承载能力和多头融资）产生的违约占比升高。

       客户自身风险因素、系统性风险因素，在不同经济阶段对违约风险的影响均有所不同。从客户自身风险因素来看，通常PD模型中，在经济上行期，主要考虑企业生产经营性因素。例如，规模、融资渠道等因素作为正向影响因素（即规模越大、融资渠道越广，PD越低）。综合排名靠后的企业，违约风险相对更大。但在经济下行期，企业在非生产经营领域、偏离主业的投资（如房地产、矿产、港口投资）增多，项目期限长、风险大，对外担保、多头融资等负向影响加大，企业现金流与还款之间产生错配，流动性风险加大。这些因素在通常PD模型中考虑不足，造成违约风险低估。

       从系统性风险因素来看，在行业风险方面：经济上行期，更多关注行业的盈利水平、资产负债水平等；而经济下行期，行业内总体违约风险加大，但企业分化加剧。行业成本结构、融资结构等因素影响加大。前期负债少、固定成本低、价格优势明显的企业风险较低；前期负债高、重资产的企业风险较大。区域风险方面：经济上行期，更多关注地区经济发展水平、经济活跃程度；而经济下行期，区域产业结构、信用环境、行政干预程度、法治环境等软性因素影响加大。信用环境差、行政干预程度强的地区，企业风险更容易积聚、爆发。

二、针对预测偏离的模型校准和改进

（一）整体框架。

       在进行预测偏离的校准和改进之前，一般要进行两项工作：一是检验样本代表性，即实际客户组合是否与建模样本发生了较大变化。二是检验预测PD和实际违约率是否发生系统性偏差。如果产生了系统性偏差，则需要采用一些模型化的手段进行校准。

银行在实践中发现，完全依靠模型参数校准来捕捉风险，难度较大。如前所述，一方面，经济下行期，企业之间经营、担保、股权等关联关系更加复杂，影响违约的因素更多且不断变化；另一方面，不同企业所属行业、区域不同，风险属性不一样，在经济下行期，违约率受系统性因素影响的幅度不同。

       因此，要保持评级体系的准确性较好：一方面，需要及时对模型参数进行校准，以反映违约率的变化；另一方面，也需要充分考虑对违约具有重要影响，但又不宜固化纳入模型的风险信号，将其作为调整项，并进行有效管理活动，以弥补模型的固有不足。

（二）具体实施。

       在具体开展模型校准和改进时，一方面，需要及时校准模型本身的参数。客户自身风险因素方面，可采取的措施包括：更新跨周期调整因子、补充纳入最新违约数据等。不同模型敞口下，校准的幅度会有所不同。系统性风险因素方面，一般会定期更新行业、区域风险参数结果。从银行实践看，近几年经过校准，主要模型的平均PD有所提高，审慎性进一步提高。

       另一方面，根据经济上行期、下行期的不同特点，除修正模型因子或调整因子权重外，可加入模型外调整项。客户自身风险因素方面，可考虑现金流匹配程度、担保、多头融资等定性因素，设置评级上限等。系统性风险因素方面，可考虑设置行业评级上限，或充分考虑区域环境、政府干预程度等因素的影响。此外，对于一些当年或者短期内的违约风险苗头，我们也会提醒评级审批人员重点关注。比如在中美贸易摩擦背景下，电子行业波动变大，可能需要对该类企业评级设置上限；对一般企业，则需要加入对现金流、负债匹配程度的评估等等。

       另外，实践中非常重要的一点是，商业银行还应加强评级结果的动态更新和管理。核心是，不能仅仅每年开展一次年度评级，而应该及时评级更新，以反映客户违约风险的变化。例如，强化系统逾期批处理，对于财务恶化、逾期等风险客户，系统自动触发违约预警；加强人工管理，主动进行评级调整；下半年，针对最新风险变化、财务变动，集中组织开展评级重检等。

（三）校准效果。

       根据我们的经验，进行上述模型校准和改进之后，模型的预测能力和准确性均会有所提高。数据测算显示，如果不进行校准和改进，模型整体预测能力只有0.38，改进后，模型预测能力会提升到0.53；如果不进行校准和改进，部分高等级客户违约率会较高，甚至突破主标尺预测值，改进后，高等级违约率会有所下降，有利于提高评级准确性。