欢迎来到评级分配方法论 (Rating Assignment Methodologies)！
你好！欢迎来到 FRM Part II 信用风险课程中最实用的章节之一。你可以把信用评级想象成金融界的“学业成绩单”。正如 GPA 能告诉招聘人员一名学生成功的可能性，信用评级也能告诉贷款机构借款人偿还债务的可能性。在本章中，我们将揭开这些评级背后的神秘面纱，深入了解评级的计算模型及其背后的不同哲学。如果刚开始觉得有点技术性，别担心——我们会把它拆解成小部分，逐一攻破！
1. 基础概念：什么是信用评级？
核心而言，信用评级 (Credit Rating) 是衡量借款人或特定债务工具违约概率 (Probability of Default, PD) 的象征性指标。任何评级方法论的目标，都是根据借款人的信贷能力进行排位 (Rank-order)。
必须记住的核心概念：
- 序数排名 (Ordinal Ranking)： 评级并不总是为了给出精确的违约风险百分比，但它们必须确保“A”级公司的风险低于“B”级公司。
- 外部评级 vs. 内部评级： 外部评级来自标普 (S&P)、穆迪 (Moody's) 和惠誉 (Fitch) 等评级机构；内部评级则是银行为了管理其特定投资组合而自行开发的。
快速复习： 评级系统的主要输出结果是对违约概率 (PD) 的估算。
2. 信贷的“5C”原则（专家评级系统）
在复杂的计算机系统出现之前，我们依靠的是“专家系统”。许多银行至今仍将其作为评级起点。如果你觉得很难记忆，只需把它想象成银行对企业进行的“面试问题”即可：
- 品格 (Character)： 借款人的信誉和诚信。他们是否有意愿偿还债务？
- 能力 (Capacity)： 产生现金流以偿还债务的能力。他们是否有能力偿还？
- 资本 (Capital)： 业主的权益投入。他们是否在项目中“押注”了自己的资金 (Skin in the game)？
- 担保品 (Collateral)： 为贷款提供的担保资产。如果他们无法偿还会怎样？
- 状况 (Conditions)： 外部经济环境。该行业目前的发展情况如何？
记忆技巧： 记住 5个 C 就行：Character, Capacity, Capital, Collateral, 和 Conditions。
3. 跨周期 (TTC) vs. 时点 (PIT) 评级
这是 FRM 考试的最爱！这代表了评级分配的两种不同哲学。
时点评级 (Point-in-Time, PIT)
PIT 评级观察的是借款人当下的状况。如果经济今天进入衰退，PIT 评级会立即下调。
类比： PIT 评级就像一张自拍照 (Selfie)。它精确捕捉了你此时此刻的样子，包括脸上那道暂时的晒伤。
跨周期评级 (Through-the-Cycle, TTC)
TTC 评级会忽略短期的经济波动（噪音），专注于借款人经历完整经济周期（繁荣与衰退）的生存能力。这类评级通常更稳定。
类比： TTC 评级就像一张专业摄影棚照片。它忽略了暂时的晒伤，专注于你永久性的特征。
比较表：
PIT： 高波动性 | 短期违约预测力强 | 顺周期性。
TTC： 低波动性 | 专注于长期稳定性 | 受商业周期影响较小。
关键总结： 外部评级机构（穆迪/标普）倾向使用 TTC，因为投资者偏好稳定的评级；银行内部模型则常使用 PIT，以实现更精确的即时风险管理。
4. 统计评级模型
当我们从“人类专家”转向数据分析时，就会用到统计模型。课程重点在于这些模型如何将借款人的数据转化为分数。
线性判别分析 (Linear Discriminant Analysis, LDA)
LDA 试图找到一个“临界分数 (cut-off score)”，以最佳地分离“违约者”与“非违约者”。它创建了一个线性方程，对不同的财务比率进行加权。
Logit 和 Probit 模型
这些是行业标准。因为信用评分可以是任何数值，但违约概率 (PD) 必须介于 0 到 1 之间（0% 到 100%），所以我们使用“连接函数 (link function)”将分数挤压到该范围内。
Logit 公式如下：
\( P(\text{Default}) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + ...)}} \)
别担心，这看起来很复杂！ 你通常不需要在考试中计算完整的 \( e \) 次方，但你必须知道 Logit 模型能确保输出的结果永远是介于 0 到 1 之间的有效概率。
5. 验证评级系统
当我们建立模型后，如何判断它是否有效？我们使用两个主要概念：校准 (Calibration) 和 区分能力 (Discriminatory Power)。
区分能力（“排序”测试）
模型是否能准确地将坏的借款人归入低评级类别，将好的借款人归入高评级类别？我们通过以下方式衡量：
- CAP 曲线 (Cumulative Accuracy Profile)： 一条展示最低评级借款人所占违约总数百分比的曲线。
- 基尼系数 (Gini Coefficient)： 从 CAP 曲线导出的一个单一数值。基尼系数为 1 代表模型完美；为 0 则代表模型仅等同于随机猜测。
校准（“准确性”测试）
即使排序正确，预测的 PD 是否准确？如果模型预测某组的 PD 为 5%，那么该组中是否真的有 5% 的借款人违约？如果不是，则该模型需要进行“重新校准”。
你知道吗？ 一个模型可能拥有极佳的排序能力（区分能力），但极差的校准。例如，如果我正确地为所有人排序，但我却说每个人的 PD 都是 100%，我的排序是完美的，但我的校准是毫无意义的！
6. 常见陷阱与挑战
评级分配并非完美无缺，以下是一些可能出现的问题：
- 数据质量： “垃圾进，垃圾出”(Garbage in, garbage out)。如果财务报表是错的，评级也必然是错的。
- 样本数过小： 对于“低违约投资组合”(Low Default Portfolios)（例如主权国家或巨型银行），因为缺乏足够的违约数据，难以建立强大的统计模型。
- 评级漂移 (Rating Drift)： 当借款人的信用质量发生变化，但评级更新不及时时，就会发生这种情况。
快速复习： 验证涉及检查模型是否正确排序（基尼系数/CAP），以及概率估算是否准确（校准）。
重点总结
1. 评级是用来估算违约概率 (PD) 的工具。
2. PIT 评级随经济状况变化；TTC 评级在整个周期中保持稳定。
3. 5C 原则（品格、能力、资本、担保品、状况）是定性信用分析的支柱。
4. Logit 模型用于确保预估的 PD 始终介于 0 和 1 之间。
5. 验证至关重要，且需同时关注排序能力（基尼系数）与 PD 预估的准确性（校准）。
继续加油！信用风险占了 FRM Part II 考试的很大比重，精通这些方法论是你迈向证照的重要一步！