国际金融研究/
STUDIES OF INTERNATIONAL FINANCE
引 言
商业银行在实施巴塞尔新资本协议过程中，
模型开发是风险参数估算的重点， 银行针对各个
产品条线、 各种资产组合， 分别设计开发风险模
型， 这里的模型可以是打分卡模型， 也可以是违
约概率模型。 无论哪种模型， 都需要对模型进行
校准， 使其可以映射到所谓的 “真实” 违约概
率， 同时， 通过覆盖所有资产组合模型的主标
尺， 将违约概率和评级风险等级联系在一起。
模型校准独立于模型开发的过程， 可以不
涉及模型的开发过程， 其作用却十分重要。 模
型校准后的评级等级和违约概率直接关系到评
级业务， 并且和风险参数估算直接挂钩， 风险
计量计算和各个条线的评级业务需求都要在模
型校准后实现和融合， 自然给模型校准提出了
较高的要求。
模型校准有 3个要素： 主标尺、 中心违约趋
势和债务人评级分布。 主标尺覆盖多种资产组
合， 完成债务人评级和违约概率映射； 中心违约
趋势设定资产组合整体的长期违约率； 债务人评
级分布是来自评级业务应用部门的需求。
在不同条线资产组合的模型开发完成后，
必须通过统一的主标尺完成校准， 而校准结果
又受不同资产组合风险特征和业务需求的约束，
反映在中心违约趋势和客户分布。 所以， 模型
校准是一个多目标控制的优化问题。
本文将介绍商业银行风险管理主标尺的定
义、 特征和开发、 中心违约趋势的估计， 以及
模型校准的方法和相关问题。
一、商业银行非零售风险
管理中的主标尺
（一）主标尺的定义和基本特征
非零售风险暴露债务人风险评级的主标尺
是针对非零售类债务人信用风险评级等级和违
约概率之间的映射关系， 通过该映射关系， 风
险评级和风险度量构建在同一标尺上。 前者体
现风险排序能力的评级等级， 应用于债务人风
险评级的传统业务； 后者体现债务人风险量化
的违约概率， 可应用于定价、 资本计算等量化
测算的高级业务， 两者可以通过主标尺建立统
非零售类风险暴露信用风险模型的
校准和主标尺开发
曹 劲
内容摘要： 模型校准是将模型输出结果对应到真实的违约概率。 本研究通过一个以违约
概率为度量标准的主标尺， 映射得到风险等级的过程。 该过程引入了所有资产组合风险量化
的统一标准。 模型的校准和主标尺的设计开发是一个过程中相互联系的两个步骤， 该过程受
不同条件的约束， 是一个多目标优化的问题。 本文主要阐述了主标尺开发和模型校准的方法。
关键词： 信用风险 主标尺 模型校准 中心违约趋势
中图分类号： F831 文献标识码： A
作者简介： 曹劲， 博士， 中国银行 （香港） 风险管理部副总经理、 模型验证主管。
* 本文仅代表作者个人观点， 与中国银行 （香港） 有限公司的立场无关。
*
银行业研究
88
国际金融研究/
STUDIES OF INTERNATIONAL FINANCE
一的应用框架。 主标尺上同一个等级就意味着
同样的违约概率水平， 可以按照违约概率上下
限来定义风险等级， 每个风险等级都设定同一
违约概率， 这样设计的主标尺使债务人评级具
有等级含义并确保同一等级上的平均违约概率
一致。
在传统意义上， 银行内部针对不同的资产
组合或者产品条线类型， 一般会存在不同的评
级标尺， 由于没有统一的对比尺度， 不同资产
类型之间的风险无法比较。 而主标尺使不同的
资产组合的风险比较成为可能， 如通过覆盖公
司类客户和金融机构类客户的主标尺， 我们可
以了解甲公司和 A 银行之间谁的信用风险更
大。
根据上述主标尺的定义， 按照 《巴塞尔新
资本协议》 的要求， 结合相关的业务实际， 主
标尺应具备以下基本特征：
（1）主标尺应该以债务人真实的违约概率为
标准划分；
（2）主标尺应该将违约概率连续且没有重叠
地映射到风险等级， 应该涵盖银行整体资产的
信用风险范围；
（3）风险等级的划分足够精细可以分辨不同
类型的风险等级， 相邻等级的违约概率值不能
变化过大， 各个违约概率区间跨度 （差值） 应
该是单调且最好是按几何级数方式增加；
（4）客户不能过于集中在单个风险等级， 每
个风险等级的客户数不能超过总体客户数的
30%；
（5）违约概率映射要照顾银行现有的评级和
客户分布， 不能显著偏离。
其中， 第一到第三个特征说明主标尺必须
按照违约概率为标准划分， 这里的违约概率是
绝对数值的概念， 而不是相对排序的概念； 主
标尺必须无重叠地覆盖所有可能的信用风险范
围； 各等级的风险程度应该呈逐渐稳定增长的
趋势。 第四个特征说明集中度的限制。 而最后
一个特征说明主标尺不能脱离银行现有业务应
用的期望。
显然， 主标尺风险等级的个数直接关系到
主标尺基本功能的实现， 更多的风险等级可以
实现更加精确的风险度量， 辨别更加细致的风
险水平， 避免过于集中的风险评级划分， 但并
不是风险等级越多越好， 风险等级必须有实际
的业务含义， 应能够使用容易理解的业务语言
描述， 同时， 评级迁徙矩阵的稳定性应该得到
保证， 这些都需要风险等级不能设置过多。 在
银行设定自己主标尺时， 必须从全局考虑主标
尺的风险等级个数问题。
（二） 评级机构的主标尺
评级机构对于各种金融债务产品的评级结
论体现在其评级结果中。 经过多年的评级实践
和数据收集， 评级机构采用积累的大量历史数
据来估算各个风险等级债务产品的实际违约率，
从而形成了以违约率为基础的主标尺。 由此来
看， 评级机构是先有评级结果， 再根据实际数
据给出参考主标尺。
穆迪公司采用的主标尺有 20 个等级， 与穆
迪公司的长期债券评级等级相对应。 图 1显示穆
迪公司主标尺各风险等级的违约率和区间跨度。
图中， 左图没有显示违约等级 D； 因 A1 以
上等级区间跨度过小， 右图没有显示； 两图中
的违约率尺度经过对数处理。
左图显示该主标尺界限值的对数呈近似线
性增长， 说明主标尺各风险等级的违约率近似
呈几何级数增长； 而如果各风险等级的违约率
值呈几何级数增长， 则其一阶导数 （区间跨度）
亦呈近似几何级数增长。 右图区间跨度的对数
也呈现近似线性增长， 说明了穆迪公司主标尺
各风险等级违约率和区间跨度同时呈几何级数
增长的特征。 分析该主标尺各风险等级的违约
率， 发现后一个等级违约率一般是前一个等级
的~倍。
（三） 主标尺的开发
很多商业银行都借用外部评级机构的主
标尺， 再根据自身资产组合的风险特征 、 业
银行业研究
图 1 穆迪公司主标尺各风险等级的违约率和
区间跨度
区间下限 PD值
风险级别
区间跨度
风险级别
违
约
率
违
约
率
89
国际金融研究/
STUDIES OF INTERNATIONAL FINANCE
务需求、 模型区分能力等建立银行自己的主
标 尺 ， 例 如 Cantor and Packer （ 1997） 、
AndréGuttler and Mark Wahrenburg （2005） 等。
构建银行内部应用主标尺的关键点在于：
结合银行资产组合的风险特征和评级业务的实
践， 建立覆盖所有资产组合的风险评级和量化
的映射关系， 使其具备风险评级的精确性和稳
定性。
主标尺开发存在着风险评级建设中常见的
“瓶颈” 问题： 业务解释性和计量显著性的矛
盾。 评级机构的主标尺是基于大量的历史数据
和多年的评级经验， 具备经济含义解释性和统
计显著性， 但银行内部积累的历史数据和评级
经验一般是有限的， 有限的历史数据和经验无
法从计量显著性上支持主标尺的开发。 一种解
决方法是借用外部经验， 例如借助评级机构的
主标尺来建立映射关系， 但外部评级是否和银
行内部评级的需求相一致， 则是不易证明的问
题， 这给主标尺的业务应用和监管合规带来了
隐患。
在实际的主标尺开发过程中， 面对银行自
身有限的历史数据和评级经验， 常见的方法是
在一个合理框架下， 结合专家经验和历史数据
的混合解决方案。
主标尺开发的另外一个难题是主标尺必须
具备资产组合覆盖的全面性。 主标尺应全面覆
盖资产组合类型和产品条线， 而在一般情况下，
某个模型的开发是针对某种资产组合类型的。
当不同模型开发完成时， 必须通过一个主标尺
将模型结果映射到统一的风险等级和违约概率。
不同模型的排序结果可以有不同标准， 但映射
后的风险等级和违约概率必须有统一标准。 显
然， 如何在一个主标尺上实现不同资产组合的
要求是开发的一个严峻挑战。
二、中心违约趋势
（一） 中心违约趋势的功能
中心违约趋势是特定资产组合的长期平均
违约率。 经过模型校准的违约概率结果应该等
于中心违约趋势， 即模型结果的违约概率平均
值应和对应资产组合的长期平均违约率相符。
可见， 中心违约趋势控制模型输出结果的
总体平均违约概率水平， 直接关系到资产组合
的总体违约率， 是债务人评级模型的重要指标。
按照风险管理保守性的原则， 中心违约趋势的
估计应包括经济衰退期的违约率数据， 计算应
基于一个或者几个经济周期的数据。
（二） 中心违约趋势的估计
如果有充分的历史违约数据， 银行可以依
靠自己的数据来计算中心违约趋势。 例如 Mark
Carey and Mark Hrycay （2001） 提出采用具有同
等风险特征债务人的违约概率样本， 通过计算
平均值或者中位值来计算中心违约趋势。
然而， 很多银行尚处在内部评级法实施的
初期， 认定和管理违约的水平比较落后， 或者
因为系统的限制， 没有长期违约数据， 无法计
算可靠的中心违约趋势； 还有一些低违约的资
产组合， 例如金融机构、 项目融资等， 因为缺
乏统计显著性， 单纯依赖现有数据来计算中心
违约趋势可能会出现很大的偏差。
我们可以采取综合评估多种信息源的方法
来估算长期违约率。 这里可以考虑的来源包括：
（1） 银行自己的数据集合， 虽然具有代表
性， 但可能数据量比较有限， 可能没有覆盖一
个或者多个经济周期；
（2） 中国境内其他银行或者周边国家银行
的经验和数据， 应考虑和银行资产组合风险特
征的相似性；
（3） 借用外部数据， 例如评级机构有大量
违约数据， 并定期发行违约研究报告， 可以借
鉴其研究成果。
在数据有限的情况下， 也可以基于经验性
的违约率， 再结合当前的违约数据样本， 在假
定一些统计分布的前提下， 采用统计方法估计
违约率的置信区间， 定义一定置信度下的置信
区间上限作为长期平均违约率， 该方法实际上
是根据有限违约样本进行违约率的保守估计。
三、模型校准
（一） 模型校准的约束条件和定义
巴塞尔委员会在其工作说明文件 （Working
Paper No. 14， 2005） 中指出， 违约概率模型的
银行业研究
90
国际金融研究/
STUDIES OF INTERNATIONAL FINANCE
验证需要两个步骤： 第一步是验证评级排序的
区分能力； 第二步是验证违约概率量化的准确
性能力， 即校准的过程。 在实际的模型校准中，
不仅需要考虑违约概率的准确性问题， 还要同
时照顾银行评级分布的要求， 甚至涉及评级模
型时点/跨周期特性的调整。
1.违约率
一般说来， 不管是打分卡形式的开发方法，
还是违约概率模型形式的开发方法， 评级模型
结果只具风险排序能力 （rank ordering）。 即使
违约概率模型使用了逻辑回归的方法， 也只能
保证模型输出结果的平均值等于模型开发数据
集的 “坏样本” 比率， 不能证明模型的 “准确
性”。 模型校准是将模型直接的输出结果校正到
“准确” 的违约概率。
这里 “准确” 的含义是模型的违约概率反
映了对应资产组合的真实违约率， 即满足：
条件一： 在总体上， 模型违约概率结果的
平均值等于对应资产组合的长期平均违约率。
条件二： 在每个风险等级上， 设定违约率
和实际违约率没有显著差异。
条件一和条件二是指在整个资产组合和每
个风险等级的角度分别满足准确性的要求。 满
足了上述条件， 模型得到的违约概率则是 “准
确” 的模型结果， 该结果才可以用作资本、 拨
备、 定价等量化测算的基础。
条件一的要求比较严格， 银行也可以从审
慎性的角度， 使模型的违约概率平均值适当高
于中心违约趋势。 由于违约数据样本是有限的，
在每个风险等级上的实际违约率计算将缺乏显
著性， 所以， 条件二的满足体现在： 各等级的
实际违约率在设定违约率的置信区间内， 一般
使用二项式检验的方法。 同样， 银行可以从审
慎性的角度， 控制实际违约率不要超过置信区
间上限， 但对下限不作严格要求。
2.债务人评级分布
模型校准需要从违约概率估计准确性的角
度来考虑， 而银行在评级业务应用中， 更关心
债务人评级的等级结果。 主标尺是将评级等级
和违约率连接起来的纽带， 当模型结果校准到
违约概率上时， 主标尺可以将其映射到某个评
级等级， 当所有客户样本经过这样的处理， 会
形成按照评级等级划分的客户分布。
评级应用部门会关心模型校准导致的客户
分布情况， 它们认为客户的评级分布应该符合
信贷组合的基本风险特征和业务管理需求， 即
模型给出的评级结果应该和这些部门对于该资
产组合的评级期望基本一致。 如一些特定等级
的资产组合应该不超过或者不少于一定的比例，
甚至期望模型产生的评级分布和现有客户的分
布基本相同， 以保持评级业务的有效性和连续
性。
主标尺应覆盖所有资产组合， 所以最终的
主标尺应同时满足不同资产组合的客户分布期
望。 例如， 在同一个主标尺下， 金融机构的评
级分布， 和一般公司类债务人相比， 应该更加
偏向低风险等级； 小型企业的评级分布， 和大
中型企业相比， 应该更加偏向高风险等级。
同时， 为了提高评级的敏感度， 减少评级
过于集中的情况， 监管机构要求每个评级等级
的债务人分布不超过一定的比例， 这也是银行
应该避免的。
显然， 来自评级应用部门和监管机构的要
求给模型结果提出了更多约束条件， 这些条件
主要是关于债务人评级等级的分布：
条件三： 主标尺下所有资产组合的债务人
分布应该符合评级业务的要求。
条件四： 每个等级下的债务人占比不超过
一定的比例。
3.模型校准定义
综上所述， 模型校准涉及 3 个主要因素：
主标尺、 中心违约趋势和债务人评级分布。 围
绕着这 3 个要素， 模型校准的定义可描述为：
模型校准是将债务人风险模型的结果对应到真
实的违约概率， 经过主标尺的映射得到债务人
的评级等级。
违约概率和评级结果必须符合下列约束条
件：
（1） 违约概率的平均值等于对应资产组合
的真实违约率 （中心违约趋势）；
（2） 每个风险等级设定违约率和实际违约
率没有显著差异；
（3） 主标尺下所有资产组合的债务人评级
分布应该符合评级业务的要求；
银行业研究
91
国际金融研究/
STUDIES OF INTERNATIONAL FINANCE
（4） 每个等级下的债务人占比不超过一定
的比例。
可见， 模型校准是从违约概率的角度实现
评级的 “准确性”， 辅之以债务人评级分布要求
的实现。 校准前的模型结果是实现债务人风险
的评级排序， 校准过程最好维持模型排序能力，
从而厘清模型开发和模型校准的不同性质问题。
从模型验证的角度， 区分能力的验证是针对模
型的直接结果， 精确性的验证是针对校准以后
的模型给出的违约概率， 而稳定性验证包括区
分能力的稳定性验证， 和精确性的稳定性验证，
例如监测迁移矩阵的变化。
我们也注意到有些方法在模型校准的过程
中， 同时进行了时点 （Point-in-Time， PIT） /跨
周期 （Through-the-Cycle, TTC） 调整， 广义上
来讲， 这也是模型校准要实现的目标之一， 可
以在上述约束条件中再加入 PIT/TTC 调整的条
件。 然而， 从实际实现方法的角度看， 无疑增
加了校准方法的难度， 结果是不得不忽视某些
条件。 我们建议的解决方式是： 独立地进行模
型 PIT/TTC 的调整， 从而单纯化 PIT/TTC 调整
所应该实现的目标。
从以上讨论， 我们发现模型校准过程有如
下特征：
（1） 模型校准可以在模型开发结束后独立
进行， 为了单纯化模型校准的目标， 模型校准
最好不改变模型结果的排序能力；
（2） 在此框架下， 模型的 PIT/TTC 调整可
以独立于该模型校准方法进行， 从而不致使该
模型校准承担过多的调整目标；
（3） 主标尺的设计和开发应该和多个模型
的校准同时进行。
从模型验证的角度， 模型校准只考虑模型
的准确性验证。
（二） 模型校准的方法
使用规范的数学语言表述， 模型校准实际
上是一个多目标约束的优化问题。
我们要找到这样一个函数 f （·）， 实现从模
型直接结果到评级等级和违约概率的映射。
目标： PD = f （x）
其中， x 为模型直接的输出结果， PD 为违约概
率。 而违约概率 PD应该满足若干个约束条件。
约束条件 1： PD 平均值 = CT， 其中 CT 是
中心违约趋势；
约束条件 2： MS-DRi 区间下限< DRi < MS-
DRi 区间上限， 其中 MS-DRi是第 i 个主标尺等
级的违约率， DRi是第 i 个等级下的实际样本违
约率；
约束条件 3： Di or ΣDi <, =, or > 某些设定
值， 其中 Di 是第 i 个主标尺等级下的债务人占
比。
显然， 这个多目标约束的优化问题不可能
有数学解析解的， 实际解决方法一定是从某个
约束条件出发的试错 （trial-and-error） 法。 这
里， 常用的方法有两类。
1.从中心违约趋势出发的方法
这是一种简单的解决方法， 即直接从中心
违约趋势的约束条件校准函数 f （·）：
f （x ） = CT/ x平均值·x
显然， 该函数一定满足约束条件 1， 但无
法保证满足其他约束条件， 特别是约束条件 3，
由于该映射函数只是对模型输出结果简单乘以
一个系数， 对各个等级的分布调整能力很差，
不易得到满意的结果。
2.从映射函数出发的方法
从模型直接结果到真实违约概率的映射函
数 PD = f （x） 一般没有特定的数学公式， 但
也可以假设一定结构的函数， 例如假设 PD 的
自然对数和模型结果 （例如评分值） 为某种线
性关系， 或者 PD 的自然对数和模型结果的自
然对数为某种线性关系：
ln （PD ） = α0 + α1 score
ln （PD） = α0 + α1 ln (score )
这样校准的过程就是调整参数 α0、 α1以至
校准的约束条件得到满足。
这种方法潜在的问题在于： 校准中心趋势
的条件较容易满足， 但评级分布和二项式检验
的约束要求同时满足， 则有较大的难度。
3.从分布出发的方法
债务人评级分布涉及每个评级等级， 校准
可以调控的维度比较多， 因此， 可以从期望分
布出发来寻找优化结果。 评级应用部门基于债
务人评级历史数据和业务期望， 对债务人评级
分布有基本的要求。 例如， AAA 的客户应该
银行业研究
92
国际金融研究/
STUDIES OF INTERNATIONAL FINANCE
图 2 模型校准过程示例
银行业研究
为了通过二项式检验而设置了过高的评级等级
违约率， 则可能使模型平均违约率远高于中心
违约趋势； 中心违约趋势和主标尺制约了债务
人分布情况， 较强 （较弱） 中心违约趋势不可
能支持债务人偏向低风险 （高风险） 的等级分
布， 除非调整主标尺的设定违约率。 三者之间
的制约关系使模型校准不可以任意实现所有的
约束条件， 模型的开发者可以依此向业务应用
部门解释： 要实现所有的目标可能是不现实的，
需要进行必要妥协。
在模型校准的实际工作中， 容易出现的一
种问题是： 银行风险管理部门主导的模型校准
一般会过于考虑审慎性原则， 为此过于偏重单
边上限的二项式检验， 因为模型预测精度或者
实际数据支持的不足， 不得不过分调高所有风
险级别的 PD 值或者调高 CT 值。 虽然满足了评
级审慎性原则， 但可能造成模型结果和真实违
约水平相比过于偏高， 导致银行不得不使用过
多资本， 从而给模型的实际业务应用带来质疑。
总之， 评级模型实现审慎性原则 （例如通
过单边的二项式检验） 只是基本要求， 要使模
型在实际应用中有说服力还是要尽力实现模型
的准确性 （例如通过双边的二项式检验）， 这就
要求评级建设需要不断收集高质量的数据， 改
进建模方法， 优化建模过程， 最终建立精确计
量风险的模型。
（三） 低违约资产组合的校准
一些低违约资产组合， 例如金融机构， 可
能非常缺乏违约样本。 对于该资产组合模型的
校准可以不考虑各个风险等级违约率的约束，
因为少量的违约样本根本无法支持每个等级实
际违约率的有效计算。 实际上， 因为该类资产
占 5%， AA 的客户应该占 8%等。 这样， 可以
先对模型结果， 例如打分值， 进行从低风险到
高风险的排序， 标注在 x-y 平面的 x 轴上， 再
按等级占比进行划分。 例如， 排序在前 5%的
为 AAA 级， 接下来 8%的为 AA 级； x-y 平面
的 y 轴为违约率， 可以将主标尺的违约率界限
值标注在 y 轴上， 也可以计算各个级别的实际
违约率。 这样可以通过调整分布和计算违约率
来调整校准曲线， 最终找到满足各个约束条件
的打分值和违约率对应关系。 其校准过程如图
2 所示。
这种模型校准方法的特点是调整自由度比
较大， 过程相对比较繁重， 需要有较强大的计
算工具支持， 但因为更加灵活， 容易得到比较
满意的校准结果。
种要素的制约关系
结果校准的模型， 主标尺各个等级违约率
经过债务人分布的加权平均值应该等于中心违
约趋势， 因此， 模型校准的 3 种要素： 主标尺、
中心违约趋势和债务人评级分布之间是相互制
约的。 在实际校准过程中， 如果主标尺和债务
人分布给定， 平均违约率是唯一确定的， 如果
93
国际金融研究/
STUDIES OF INTERNATIONAL FINANCE
组合违约情况很少， 银行不太关心每个风险级
别的真实违约率， 而只是注重风险排序能力。
因此， 在上述模型校准框架下， 低违约资
产组合模型的校准实际上只需关注中心违约趋
势和主标尺的约束。 中心违约趋势是资产组合
长期违约率的估计， 因为缺乏违约样本， 从实
际数据估算违约率是不现实的， 这时， 可以考
虑保守统计评估法。 主标尺对于低违约的约束
主要体现于： 主标尺不仅应用于一般公司类模
型， 而且也要应用于低违约资产组合模型， 这
要求该组合的评级分布应集中于某些低风险等
级， 但又不能过于集中， 即不能超过一定的占
比限制。
四、问题与讨论
（一） 映射到外部评级的校准
中国银监会在 《商业银行信用风险内部评
级体系监管指引》 （2010） 第四十条指出： 当
外部评级结果应用于内部评级时 ， 必须满足
“了解外部评级工具考虑的风险因素和评级标
准， 确保外部评级的结构与内部评级保持一
致”， 同时应 “有能力分析外部评级工具的预测
能力” 和 “评估使用外部评级工具对内部评级
的影响”。 同时， 在该指引第一百三十五条， 银
监会也进一步指出： 商业银行可采用 “内部违
约经验、 映射外部数据和统计违约模型” 来估
计违约概率， 在使用映射外部数据的方法时，
“可以将内部评级映射到外部信用评级机构或类
似机构的评级， 将外部评级的违约概率作为内
部评级的违约概率”， 但 “评级映射应建立在内
部评级标准与外部机构评级标准可比， 并且对
同样的债务人内部评级和外部评级可相互比较
的基础上。”
这里提到的估计违约概率的三种可能的方
法： 内部违约经验、 映射外部数据和统计违约
模型。 第一、 第三种方法都是基于银行内部的
经验或者数据， 而第二种是借助于外部评级的
结果。 对于借助外部评级映射的方法， 一定要
审慎检查外部评级在评级对象风险特征、 评级
方法和评级标准等因素和内部评级的一致性或
者可比性。
这里提出三种不同方法实际上是基于不同
资产组合类型的实际情况， 例如： 银行拥有大
量客户的资产类型可以收集到大量数据， 而低
违约的金融机构类风险暴露一般没有违约数据，
对于前者可以建立基于数据的统计模型， 而后
者可以基于内部专家经验， 甚至直接使用外部
评级的结果。
这里会出现一个问题： 既然银行可以使用
不同的方法来估计违约概率， 那么不同模型之
间， 经过模型校准得到的结果一致性应基于什
么标准？ 显然， 这个标准应该是真实的违约概
率， 和模型评分值不同， 违约概率是绝对值量，
使用违约概率才能保证不同资产组合类型模型
风险量化的一致性。
借助外部评级只是针对资产组合信用风险
很小或者实际数据不充分并且存在外部评级参
考的情况。 按照内部评级法的原则要求， 必须
在基本假设、 方法论和评级标准等基础内容上，
对该方法的适用性采取审查。 如果为了保证模
型校准结果的一致性， 使用外部评级来映射违
约概率， 而忽视实际风险特征的分析， 会使银
行不得不依赖外部评级的方法和结果。 这样不
仅容易偏离内部评级法的原则要求， 又要耗费
大量精力去应对监管要求。 这种方式， 虽然在
内部评级法建设的初期可以起到立竿见影的效
果， 但从银行实施内部评级法的长远考虑， 实
际上是事倍功半的。
（二） 校准结果分析和模型验证
上面的讨论表明： 模型校准涉及多种条件
的约束， 而当实际违约率和设定违约率有显著
差异时， 一般较难定位出问题的原因。 下列原
因可能会导致模型校准结果的差异：
（1） 模型校准没有准确地将模型结果映射
到真实违约概率。
（2） 中心违约趋势和实际违约率差异较大。
（3） 主标尺设计不合理， 无法同时满足中
心违约趋势和债务人评级分布的要求。
（4） 模型本身的区分能力还存在问题。
当出现二项式检验在某些等级不通过时，
一般会直接质疑模型校准自身的问题， 但因为
涉及中心违约趋势的估计和主标尺的设计， 会
让问题复杂化。
银行业研究
94
国际金融研究/
STUDIES OF INTERNATIONAL FINANCE
此时， 首先要做的是： 明确是否是模型校
准自身的问题。 排除模型校准自身的问题， 就
可以进一步分析其他可能的问题。 下面讨论几
种常见的情况：
1.检验出现整体偏差
经过二项式检验， 实际违约率整体性地过
高于 （过低于） 设定违约率的情况， 说明要么
是中心违约趋势偏低 （偏高）， 要么是设定违约
率整体偏低 （偏高）， 而前一种情况更为常见。
估计的中心违约趋势偏低是一个严重的问题，
说明因此导致的模型结果过低估计了违约率；
而中心违约趋势过高至少说明模型保持了审慎
性， 但带来的一个潜在问题是： 风险管理部门
对于模型审慎性过于小心， 过高设定了中心违
约趋势或者各个等级违约率， 好让模型在各个
等级的实际违约率都不高于二项式检验的上限，
从而使模型得到的违约概率过高， 导致过多的
资本要求， 这也违背了模型的准确性原则。
2.检验出现局部偏差
经过二项式检验， 实际违约率局部连续出
现过高于设定违约率的情况， 可能是因为模型
自身区分能力的问题。
如果主标尺各个等级的违约率按照几何级
数增长的方式设计， 而一些模型自身的区分能
力不强时， 一些等级的实际违约率将无法匹配
设定违约率的几何级数增长模式， 会出现部分
中间等级的实际违约率偏高的现象。 出现这种
现象， 应该检查模型的区分能力， 如果模型区
分能力较低， 则说明模型校准无法解决。 如果
要一定希望二项式检验通过， 应该优化模型的
区分能力。
五、结 论
模型校准需要将模型的结果映射到真实的
违约概率和风险等级， 同时必须满足主标尺、
中心违约趋势和债务人评级分布的不同要求。
该过程在模型开发以后进行， 其校准结果直接
关系到各种资产组合的评级业务和风险量化管
理要求， 是内部评级法建设中的重要内容。 结
合合理的主标尺的设计和中心违约概率的估计，
模型校准将会实现在内部评级法下的评级业务
应用和风险量化管理相结合。
（责任编辑 李 楠）
参考文献：
[1] 中国银监会. 商业银行信用风险内部评级体系监管指引[R]. 2010.
[2] 中国银监会. 商业银行资本计量高级方法验证指引[R]. 2010.
[3] Basel Committee on Banking Supervision. Studies on the Validation of Internal Rating Systems [R]. Working Paper
No. 14, 2005.
[4] Cantor, R. and Packer, F. Differences of Opinion and Selection Bias in the Credit Rating Industry [J]. Journal of
Banking and Finance， 1997 (21) : 1395~1417.
[5] Carey， M. and Hrycay, M. Parameterizing Credit Risk Models with Rating Data[J]. Journal of Banking & Finance ,
2001, 25 (1) : 197~270.
[6] Güttler, A. and Wahrenburg, M. The Adjustment of Credit Ratings in Advance of Defaults [J]. Journal of Banking &
Finance, 2007， 31 （3）： 751~767.
Abstract： The calibration of probability of default models is such a process that projecting outputs of models to actual
defaulting probabilities of obligors, then mapping them to risk grades governed by a master scale covering all portfolios of a
bank. This process brings out a standard of quantifying credit risks of all the portfolios. The calibration of credit risk models
and the design of master scales should be regarded as two interactive steps within one framework, which can be described as
an optimization with multiple constraints. This paper describes the approach of the design of master scales and model
calibration.
Keywords: Credit Risk; Master Scale; Model Calibration; Central Tendency
银行业研究
95
