1703655883
图6-2所示的违约概率（PD）模型预测客户未来发生坏账损失的比率，PD模型预测的通常是未来一年客户发生违约的可能性。在实际开发中违约概率模型通常由申请模型和行为模型构成。违约率越高，表明客户的违约风险越高。
1703655884
1703655885
1703655886
1703655887
1703655888
图6-2 违约概率（PD）模型
1703655889
1703655890
违约风险暴露（EAD）模型预测客户未来发生违约时客户的风险敞口。违约风险暴露分两种情况：一是循环授信；二是非循环授信。非循环授信的情况下，根据巴塞尔协议的规定违约风险暴露不能小于当前风险暴露，故EAD通常指当前的风险暴露。循环授信的情况下，违约风险暴露考虑表内敞口的同时还要考虑表外敞口。EAD通常转化为表内敞口和CCF表外敞口（CCF≥0）之和。CCF称为信用风险转换系数，EAD通过估算CCF而获取。另外，违约风险暴露不仅包含客户的贷款余额，还包括客户的利息、逾期罚息、费用等各项欠款。
1703655891
1703655892
违约损失率（LGD）模型预测客户发生违约后的损失比率，通常通过1-回收率进行估算。在计算回收率时，不仅需要考虑客户的回款金额，同时要考虑催收的运营成本、人力成本等各项管理成本，同时还要考虑时间价值。违约损失率越高，表明客户违约后欠款金额回收的可能性越小。
1703655893
1703655894
1703655895
1703655896
1703655897
根据PD/LGD/EAD/M可以计算资产组合的预期损失和非预期损失，进而计算经济资本。
1703655898
1703655899
对于预期损失（EL）：
1703655900
1703655901
EL=PD×LGD×EAD
1703655902
1703655903
对于非预期损失（UL），非零售风险暴露：
1703655904
1703655905
1703655906
1703655907
1703655908
其中b是期限调整因子，R是相关系数。
1703655909
1703655910
零售风险暴露：
1703655911
1703655912
1703655913
1703655914
1703655915
互联网信贷风险与大数据：如何开始互联网金融实践 [:1703653524]
1703655916
三、原因分析
1703655917
1703655918
针对资产组合管理RAROC或者EVA的表现，需要进行数据分析，找出原因，并采取针对性的措施，达到优化资产组合的目的。如图6-3所示，可以通过抽丝剥茧的方式分析原因。
1703655919
1703655920
1703655921
1703655922
1703655923
图6-3 资产组合管理分析
1703655924
1703655925
例如，通过对收入、成本、风险等各方面分析，分析RAROC低的原因是由什么造成的？是由于收入低，还是运营成本高，抑或还是风险成本高？风险成本高是由于客户违约的概率高，还是回收率低，又或者是违约风险暴露高？是贷前引入客户问题，贷中客户管理问题，还是逾期客户管理的问题？利用层层递进的方式，找出资产组合较差的原因，落实到客户层面，从而采取相应的措施进行优化。
1703655926
1703655927
互联网信贷风险与大数据：如何开始互联网金融实践 [:1703653525]
1703655928
四、措施设计
1703655929
1703655930
通过原因分析，金融机构可以找到资产组合的“病因”，而措施设计则相当于医生对症下药。常见的措施包括通过市场促销、取现优惠（信用卡）、分期优惠（信用卡）等手段提高收入，通过提高客户准入门槛、限额控制、客户清退、调整催收策略等措施来降低风险成本和经济资本。
1703655931
1703655932
以信用卡产品为例，循环客户能给发卡行带来大量的利息收入，但循环客户的风险控制难度相对较高。为了平衡该类客户群的风险与收益，需要对循环客户进行细分管理，设计差异化的管理措施。例如，通过对循环客户的监测，发现循环客户可以根据其行为特征区分为习惯性循环客户和间歇性循环客户，其中习惯性循环客户会经常性、连续性地发生循环行为，而间歇性循环客户仅是偶尔发生循环。还可进一步分析习惯性循环客户和间歇性循环客户的风险特征，比如，分析结果显示习惯性循环客户虽然多次循环，但都没有发生严重的逾期行为，而间歇性循环客户则很有可能由于当前的偿付能力发生异常才出现循环，未来逾期的可能性较高。因此，在进行措施设计时，便可以培养和鼓励习惯性循环客户的用卡行为，对于间歇性循环的客户，则需要限制其循环次数，或控制授信敞口，避免产生较大损失。