📈 economics

Model Risk Unmasked: An Empirical Reckoning with IRB Capital Requirements

本研究表明，将参数不确定性以及违约概率与违约损失率之间的强相关性纳入内部评级法监管资本计算，对于构建一个更准确、更稳健且更稳定的金融体系至关重要。

原作者： Naveen Kumar V, Praveen Gujjar

发布于 2026-06-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Naveen Kumar V, Praveen Gujjar

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：银行的安全网

想象一下，银行就像一位想要建造安全网（资本）的房主，以防自己在屋顶上摔下来（如果借款人无法偿还贷款）。

为了计算这个网需要多大，银行使用了一个复杂的公式。这个公式依赖于两个主要猜测：

跌落的概率 (PD)： 借款人违约的可能性有多大？
跌落的程度 (LGD)： 如果他们真的摔下来了，银行会损失多少钱？

多年来，银行一直将这些猜测视为既定事实。他们会说：“我们 100% 确定跌落概率是 2%，损失是 50%。” 他们根据这些固定的数字来构建他们的安全网。

问题所在： 本文的作者认为，这些并不是事实，而是基于历史的估计值。就像你无法 100% 准确地预测天气一样，银行也无法 100% 预知未来。这种“不确定性”被称为估计风险 (Estimation Risk)。本文提出了一个问题：如果我们的猜测稍有偏差，我们的安全网会发生什么变化？

隐藏的联系：“坏天气”效应

本文最大的发现是这两个猜测之间存在着一种隐藏的联系。

把经济衰退（糟糕的经济环境）想象成一场风暴。

在风暴中，更多的人会从屋顶滑落（更多的违约）。
但同时，因为所有人都在同一时间试图出售雨伞，雨伞的价格也会暴跌。所以，即使你接住了那个人，你从他的雨伞上赚到的钱也会变少（更高的损失）。

论文证明了这两者是紧密相连的。当经济状况恶化时，违约数量上升，同时损失也会变得更严重。它们就像一对舞伴一样同步移动。

错误之处： 大多数银行在计算安全网时，假设这两个舞伴是互不相干的陌生人。他们假设违约数量和损失规模是相互独立的。论文指出这是错误的。忽视这种“共舞”会导致安全网做得太小。

实验：37 年的数据

为了证明这一点，作者扮演了侦探的角色。他们从穆迪投资者服务公司（Moody's Investor Service）挖掘了 37 年的历史数据（从 1983 年到 2019 年）。他们观察了数千家公司，涵盖了从最安全的到风险最高的“投机性”公司。

他们运行了一个统计测试（类似于数据的测谎仪），以观察他们的假设是否成立。

结果 1： 数据表现得完全符合“钟形曲线”（标准的钟形分布），这验证了他们的数学工具。
结果 2： 他们证实了这种“共舞”。违约与损失之间存在着非常强烈的、经统计学证实的联系。

模拟：“如果……会怎样？”的游戏

作者使用超级计算机模拟（称为蒙特卡洛模拟）玩了一场 1000 万次的“如果……会怎样？”的游戏。他们问道：

如果我们对违约率的猜测稍微偏离了一点，会怎样？
如果我们对损失的猜测稍微偏离了一点，会怎样？
如果两者同时因为相互关联而偏离了，又会怎样？

令人震惊的结果：
当他们忽略违约与损失之间的联系时，银行为了保持安全所需的额外资金是适度的。但当他们计入这种联系（即“共舞”）时，所需的安全网爆炸式增长。

对于普通公司： 银行需要增加约 38% 的资本才能真正安全。
对于高风险公司： 银行需要增加约 66% 的资本。

如果银行坚持使用旧的、简单的计算方法（忽略这种联系），他们本质上是在没有安全网的情况下走钢丝，以为自己很安全，实则处于危险之中。

总结：呼吁建立更大的网

论文得出结论，现行的规则（巴塞尔协议 II/III）过于乐观，因为它们忽略了数字本身的不确定性以及违约与损失之间的联系。

作者的建议：
银行不应仅仅依赖于他们的“最佳猜测”。他们需要建立一个缓冲垫（额外资本），以应对他们的猜测可能出错的事实。

如果一家银行使用简单且过时的数学模型，他们应该被强制要求至少持有 40% 的额外资本。
如果他们处理的是更高风险的贷款，这个缓冲垫应该更高（66%）。

为什么这很重要？
如果下一场“风暴”（金融危机）来袭，而银行因为忽略了“跌落”与“损失”之间的联系而没有建立足够大的网，整个金融系统可能会崩溃。通过承认我们的猜测是不确定的，并且坏事往往会同时发生，我们可以建立一个真正强大到足以在风暴中生存的金融体系。

技术摘要：模型风险揭秘：对 IRB 资本要求的实证审视

问题陈述
本文针对巴塞尔 II/III 框架下内部评级法（IRB）信用监管资本中存在的关键缺陷进行了探讨。虽然由 Gordy (2003) 引入的渐进单风险因子（ASRF）模型为基于 99.9% 分位数风险价值（VaR）计算资本计提提供了结构化架构，但该模型通常将模型参数——特别是违约概率（PD）和违约损失率（LGD）——视为已知的常数。作者认为，这种“幼稚”的处理方式忽略了估计风险（参数不确定性）。此外，现有文献（如 Löffler, 2003; Tarashev, 2010）往往依赖于简化假设，例如将 PD 和 LGD 视为相互独立，或保持 LGD 不变。本文指出，在现实中，这些参数是相关的，特别是在经济低迷时期，违约率上升与回收率下降会同时发生。忽略这种相关性以及参数估计中的固有不确定性，会导致监管资本要求的实际值被严重低估。

研究方法
本研究采用基于 37 年历史数据（1983–2019 年）的实证方法，数据涵盖了穆迪投资者服务公司（Moody's Investor Service）的各类评级及投机级企业发行人。

分布假设与验证：
- 作者将违约点（ $k = \Phi^{-1}(PD)$ ）和 LGD 建模为联合高斯随机变量。
- 作者使用 Shapiro-Wilk 检验对单变量和双变量分布进行验证。结果（所有 p 值均 > 0.50）证实数据并未拒绝正态性假设，从而支持使用高斯框架来模拟参数不确定性。
相关性的实证估计：
- 研究明确估计了违约点（ $k$ ）与 LGD 之间的相关性。
- 通过对 37 年数据集进行 Pearson 相关性分析，发现两者存在显著的正相关关系：全评级发行人为 0.717，投机级发行人为 0.599。这证实了较高的违约概率通常伴随着较高的违约损失率。
资本计算框架：
- 幼稚法（Naïve Approach）： 使用点估计值（ $\hat{PD}, \hat{LGD}$ ）作为固定值来计算资本（ $RC_{naïve}$ ）。
- 正确法（Correct Approach）： 通过计算预期损失分布的 99.9% 分位数来计算资本（$RC $），其中$ PD $和$ LGD$ 被视为具有不确定性的随机变量。
- 模拟： 作者利用 蒙特卡洛模拟（1000 万次迭代）来计算监管资本附加额。该附加额代表了为覆盖估计风险所需的资本增加百分比，计算公式为：
  $Add\text{-}on = \frac{(RC - RC_{naïve}) + (E[L] - EL_{naïve})}{RC_{naïve}}$
稳健性检验：
- 分析过程在 99% 置信水平下（与早期研究一致）以及 50 个债务人的有限组合规模下进行了重复。结果保持一致，证实了参数之间的相关性是驱动模型风险的主要因素，且不受置信水平或组合规模的影响。

核心结果
模拟结果表明，忽略参数不确定性，尤其是忽略 PD 与 LGD 之间的相关性，会导致监管资本需求的严重低估：

不确定性的影响： 违约点（ $k$ ）的不确定性对模型风险的贡献高于 LGD 本身的不确定性。
相关性的影响：
- 当假设 PD 和 LGD 相互独立时，全评级组合的监管资本附加额为 18.67%，投机级组合为 39.54%。
- 当纳入实证观察到的相关性后，附加额分别跃升至 38.48%（全评级）和 65.97%（投机级）。
偏差结论： 完全忽略估计风险的幼稚 IRB 方法，对真实监管资本的估计存在明显的向下偏差。独立场景与相关场景之间的差异，代表全评级组合低估了约 20 个百分点，投机级组合低估了约 26 个百分点。

意义与主张
本文提出了三个主要贡献：

实证验证： 通过 37 年的数据提供了强有力的统计证据，证明违约点和 LGD 的高斯假设是有效的，从而为其用于计算资本附加额的理论框架提供了依据。
识别主要风险驱动因素： 研究表明，PD–LGD 的相关性是模型风险的主要来源。忽略这一联系会导致资本缓冲的严重误判，尤其是对于投机级资产而言。
政策启示： 作者认为，巴塞尔 III 框架中取消了监管机构根据模型风险提高资本要求的选项，这可能是不充分的。他们建议，对于依赖简单点估计计算的银行，应要求其持有显著更高的资本缓冲（全评级至少 40%，投机级至少 66%），以应对估计风险。

研究结论指出，采取更细致的方法来处理监管资本对于金融稳定至关重要。通过考虑参数不确定性和 PD–LGD 关系的周期性，金融机构可以更好地管理风险，并防止因资本缓冲不足而在经济低迷时期引发的系统性脆弱。