歡迎來到評級分配方法論 (Rating Assignment Methodologies)！
你好！歡迎來到 FRM Part II 信用風險課程中最實用的章節之一。你可以把信用評級想像成金融界的「學業成績單」。正如 GPA 能告訴招聘人員一名學生成功的可能性，信用評級也能告訴貸款機構借款人償還債務的可能性。在本章中，我們將揭開這些評級背後的神秘面紗，深入了解評級的計算模型及其背後的不同哲學。如果剛開始覺得有點技術性，別擔心——我們會把它拆解成小部分，逐一攻破！
1. 基礎概念：什麼是信用評級？
核心而言，信用評級 (Credit Rating) 是衡量借款人或特定債務工具違約機率 (Probability of Default, PD) 的象徵性指標。任何評級方法論的目標，都是根據借款人的信貸能力進行排位 (Rank-order)。
必須記住的核心概念：
- 序數排名 (Ordinal Ranking)： 評級並不總是為了給出精確的違約風險百分比，但它們必須確保「A」級公司的風險低於「B」級公司。
- 外部評級 vs. 內部評級： 外部評級來自標普 (S&P)、穆迪 (Moody's) 和惠譽 (Fitch) 等評級機構；內部評級則是銀行為了管理其特定投資組合而自行開發的。
快速複習： 評級系統的主要輸出結果是對違約機率 (PD) 的估算。
2. 信貸的「5C」原則（專家評級系統）
在複雜的電腦系統出現之前，我們依靠的是「專家系統」。許多銀行至今仍將其作為評級起點。如果你覺得很難記憶，只需把它想像成銀行對企業進行的「面試問題」即可：
- 品格 (Character)： 借款人的信譽和誠信。他們是否有意願償還債務？
- 能力 (Capacity)： 產生現金流以償還債務的能力。他們是否有能力償還？
- 資本 (Capital)： 業主的權益投入。他們是否在項目中「押注」了自己的資金 (Skin in the game)？
- 擔保品 (Collateral)： 為貸款提供的擔保資產。如果他們無法償還會怎樣？
- 狀況 (Conditions)： 外部經濟環境。該行業目前的發展情況如何？
記憶技巧： 記住 5個 C 就行：Character, Capacity, Capital, Collateral, 和 Conditions。
3. 跨週期 (TTC) vs. 時點 (PIT) 評級
這是 FRM 考試的最愛！這代表了評級分配的兩種不同哲學。
時點評級 (Point-in-Time, PIT)
PIT 評級觀察的是借款人當下的狀況。如果經濟今天進入衰退，PIT 評級會立即下調。
類比： PIT 評級就像一張自拍照 (Selfie)。它精確捕捉了你此時此刻的樣子，包括臉上那道暫時的曬傷。
跨週期評級 (Through-the-Cycle, TTC)
TTC 評級會忽略短期的經濟波動（噪音），專注於借款人經歷完整經濟週期（繁榮與衰退）的生存能力。這類評級通常更穩定。
類比： TTC 評級就像一張專業攝影棚照片。它忽略了暫時的曬傷，專注於你永久性的特徵。
比較表：
PIT： 高波動性 | 短期違約預測力強 | 順週期性。
TTC： 低波動性 | 專注於長期穩定性 | 受商業週期影響較小。
關鍵總結： 外部評級機構（穆迪/標普）傾向使用 TTC，因為投資者偏好穩定的評級；銀行內部模型則常使用 PIT，以實現更精確的即時風險管理。
4. 統計評級模型
當我們從「人類專家」轉向數據分析時，就會用到統計模型。課程重點在於這些模型如何將借款人的數據轉化為分數。
線性判別分析 (Linear Discriminant Analysis, LDA)
LDA 試圖找到一個「臨界分數 (cut-off score)」，以最佳地分離「違約者」與「非違約者」。它創建了一個線性方程式，對不同的財務比率進行加權。
Logit 和 Probit 模型
這些是業界標準。因為信用評分可以是任何數值，但違約機率 (PD) 必須介於 0 到 1 之間（0% 到 100%），所以我們使用「連結函數 (link function)」將分數擠壓到該範圍內。
Logit 公式如下：
\( P(\text{Default}) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + ...)}} \)
別擔心，這看起來很複雜！ 你通常不需要在考試中計算完整的 \( e \) 次方，但你必須知道 Logit 模型能確保輸出的結果永遠是介於 0 到 1 之間的有效機率。
5. 驗證評級系統
當我們建立模型後，如何判斷它是否有效？我們使用兩個主要概念：校準 (Calibration) 和 區分能力 (Discriminatory Power)。
區分能力（「排序」測試）
模型是否能準確地將壞的借款人歸入低評級類別，將好的借款人歸入高評級類別？我們通過以下方式衡量：
- CAP 曲線 (Cumulative Accuracy Profile)： 一條展示最低評級借款人所佔違約總數百分比的曲線。
- 基尼係數 (Gini Coefficient)： 從 CAP 曲線導出的一個單一數值。基尼係數為 1 代表模型完美；為 0 則代表模型僅等同於隨機猜測。
校準（「準確性」測試）
即使排序正確，預測的 PD 是否準確？如果模型預測某組的 PD 為 5%，那麼該組中是否真的有 5% 的借款人違約？如果不是，則該模型需要進行「重新校準」。
你知道嗎？ 一個模型可能擁有極佳的排序能力（區分能力），但極差的校準。例如，如果我正確地為所有人排序，但我卻說每個人的 PD 都是 100%，我的排序是完美的，但我的校準是毫無意義的！
6. 常見陷阱與挑戰
評級分配並非完美無缺，以下是一些可能出現的問題：
- 數據質量： 「垃圾進，垃圾出」(Garbage in, garbage out)。如果財務報表是錯的，評級也必然是錯的。
- 樣本數過小： 對於「低違約投資組合」(Low Default Portfolios)（例如主權國家或巨型銀行），因為缺乏足夠的違約數據，難以建立強大的統計模型。
- 評級漂移 (Rating Drift)： 當借款人的信用質量發生變化，但評級更新不及時時，就會發生這種情況。
快速複習： 驗證涉及檢查模型是否正確排序（基尼係數/CAP），以及機率估算是否準確（校準）。
重點總結
1. 評級是用來估算違約機率 (PD) 的工具。
2. PIT 評級隨經濟狀況變化；TTC 評級在整個週期中保持穩定。
3. 5C 原則（品格、能力、資本、擔保品、狀況）是定性信用分析的支柱。
4. Logit 模型用於確保預估的 PD 始終介於 0 和 1 之間。
5. 驗證至關重要，且需同時關注排序能力（基尼係數）與 PD 預估的準確性（校準）。
繼續加油！信用風險佔了 FRM Part II 考試的很大比重，精通這些方法論是你邁向證照的重要一步！