违约损失率的预测方法

鉴于历史数据平均法的局限性，人们开始研究更多的方法来更准确地估计LGD。这些方法主要包括以下三类:

1，历史数据回归分析

该方法以违约资产的LGD历史数据和理论因子模型为基础，应用统计回归分析和模拟方法建立预测模型，然后将具体项目的相关数据输入预测模型，得到项目的LGD预测值。最典型的模型是穆迪KMV公司的LossCalc模型。该模型利用穆迪公司拥有的美国近20年超过1，800的违约观察数据，覆盖各行业900多家上市和非上市公司，建立了美国债券、贷款和优先股LGD的两个版本预测模型，即即时违约LGD和1年后违约LGD。该预测模型的理论模型中LGD的解释变量包括4类(项目、公司、行业、宏观经济)9个因素。穆迪称，该模型在预测LGD方面优于传统的历史数据平均法。

2.市场数据的隐含分析。

分析市场上尚未违约的正常债券或贷款的信用溢价区间中隐含的风险信息(包括PD和LGD)。该方法的理论前提是市场对债券定价是有效的，能够有效及时地反映发债企业信用风险的变化。这种变化体现在债券的信用溢价上，即有信用风险的公司债收益率与无信用风险的同期限国债收益率之差。因为PD和LGD的乘积反映了债券的预期损失，是债券信用风险的重要组成部分，所以反映信用风险的信用溢价也反映了PD和LGD。在违约概率可以用特定方法估计的情况下，隐藏在信用溢价中的LGD也可以求解。显然，这种方法需要复杂的资产定价模型和足够的数据来支持这种复杂的分析。目前，该方法在债券定价和信用衍生产品定价中有一定的应用，但在银行贷款风险中应用较少。

3.收集数据折扣方法

与上述两种方法使用违约的历史数据或债券交易的市场数据不同，催收数据贴现法是基于预测违约不良资产在催收过程中的现金流，并计算其贴现值得到LGD。该方法应用的关键在于两个方面:一是对现金流量的数额及其时间分布的合理估计；二是确定风险水平对应的折现率。显然，这两个方面都不好做，尤其是预期现金流折现率的选择。对于已经违约的资产，很难采用较高的贴现率来充分、恰当地反映其风险水平，其中主观经验判断的应用是不可避免的。由于该方法不需要市场交易数据，因此更适用于估计银行贷款的LGD。