长期以来，人们对信用风险的关注和研究主要在于交易对手违约的可能性，即违约概率(Probability of Default,PD)，而对交易对手一旦违约可能造成的损失程度，即违约损失率LGD(Loss Given Default)的研究远远不及违约概率PD，然而，作为反映信用风险程度的基本参数之一，LGD相比于PD对信用风险管理有着同样的重要性。尤其是自新巴塞尔资本协定将LGD和PD一同纳入监管资本衡量的基本框架以来，违约损失率(LGD)引起了监管界、业界、和理论界的高度重视。

违约损失率LGD是指债务人一旦违约将给债权人造成的损失数额，即损失的严重程度。从贷款回收的角度看，LGD决定了贷款回收的程度，因为，LGD＝1－回收率。

由于LGD的大小不仅受到借款企业的因素影响，而且还同贷款项目的具体设计密切相关，所以，影响LGD的因素比影响PD的因素更多、更加复杂。具体而言，影响LGD的因素包括以下四个主要方面：

1、项目因素

这类因素直接与贷款项目的具体设计相关，反映了LGD的项目相关特性，也反映了银行在具体交易中通过交易方式的设计来管理和降低信用风险的努力。这类因素具体包括清偿优先性(Seniority)、抵押品等。

清偿优先性是债务合同规定的债权人所拥有债权的重要特性，是指在负债企业破产清算时债权人从企业残余价值中获得清偿时相对于该企业其他债权人和股东的先后顺序。在美国等发达市场经济国家，金融市场多年的发展已经形成了一系列企业破产清算时清偿先后顺序不同的金融产品，包括从抵押贷款到普通股票 ，并形成了相关的法律规范。美国破产法中的“绝对优先规则”(Absolute Priority Rule, APR)规定，破产企业的价值按照清偿优先性的先后顺序依次分配给不同的资本供应者，在较低级的债权人得到任何分配之前较高级债权人应该得到全部清偿，而所有债权人也同样应该在股东得到任何分配之前得到全部清偿。

显然，贷款合同中要求借款企业提供特定的抵押品使得抵押贷款的清偿优先性得以提高，在借款企业一旦破产清算时可以使得银行提高回收率，降低LGD。当然，利用抵押有效降低LGD的前提是银行对抵押品要进行有效的管理，国家也应该有一个有效的司法系统来保障银行对抵押品的获取、变现和价值回收。此外，除了传统的抵押品，银行也正在通过金融创新发展其它防范或转嫁企业违约后损失的方法，如信用衍生产品等。这些技术被新巴塞尔资本协定称为风险缓释技术，并通过予以不同的LGD数据被纳入到新的资本监管框架。

2、公司因素

该类因素是指与特定的借款企业相关的因素，但不包括其行业特征。影响LGD的公司因素主要是借款企业的资本结构。该结构一方面反映在企业的融资杠杆率，即总资产和总负债的比率，另一方面反映在企业融资结构下相对清偿优先性。 在公司因素中，企业规模的大小对LGD的影响是受到关注的问题之一，有人推测规模越大的企业可能LGD越小。然而，许多研究表明，企业规模对LGD的影响并不显著。

3、行业因素

许多研究表明，企业所处的行业对LGD有明显的影响，也就是说，统计表明，在其它因素相同的情况下，不同的行业往往有不同的LGD。Altman和Kishore的研究表明，有形资产较少的行业(如服务业)的LGD往往比有形资产密集型行业(如公用事业部门)的LGD高。

4、宏观经济周期因素

宏观经济的周期性变化是影响LGD的重要因素。Frye利用穆迪评级公司的债券数据研究表明，经济萧条时期的债务回收率要比经济扩张时期的回收率低三分之一。Altman,，Brady，Resti 和Sironi的研究以及Hu和Perraudin的研究都表明，经济体系中的总体违约率(代表经济的周期性变化)与回收率呈负相关的关系。

上述四个方面的因素共同决定了LGD的水平及其变化，但其分别对LGD的影响程度是有差异的。根据穆迪公司2002年在其LGD预测模型LossCalc的技术文件中披露的信息表明，清偿优先性等项目因素对LGD的影响贡献度最高，为37％左右；其次是宏观经济环境因素，为26％左右；再次是行业性因素，为21％左右；最后是企业资本结构因素，为16％左右。

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

1、历史数据回归分析法

这种方法是根据违约资产的LGD历史数据和理论因子模型应用统计回归分析和模拟方法建立起预测模型，然后将特定项目相关数据输入预测模型中得出该项目的LGD预测值。最为典型的是穆迪KMV公司的LossCalc模型。该模型利用穆迪公司拥有的美国过去20多年1800多个违约观察数据，覆盖了各个行业中900多个违约上市和非上市企业，对美国债券、贷款和优先股LGD建立了立即违约LGD和1年后违约LGD两种版本的预测模型。该预测模型的理论模型中对LGD的解释变量包括包括4大类(项目、公司、行业和宏观经济)9个因子。据穆迪公司称，该模型的对LGD的预测效果优于传统历史数据平均值法。

Image:穆迪模型.jpg

2、市场数据隐含分析法

从市场上尚未出现违约的正常债券或贷款的信用升水幅度中隐含的风险信息(包括PD和LGD)分析得出。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债券发行企业信用风险的变化。这种变化反映在债券的信用升水中，即具有信用风险的公司债券的收益率与没有信用风险的同期限国债收益率的差额。 由于PD与LGD的乘积反映了债券的预期损失，是债券信用风险的重要内容，因此，反映信用风险的信用升水也同样反映了PD与LGD。在PD可以通过其特定的方法估测出来的情况下，隐含在信用升水中的LGD也就可以求解出来。显然，这种方法要应用复杂的资产定价模型，也需要充足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，在银行贷款风险中则应用较少。

3、清收数据贴现法

不同于上述两者方法利用违约的历史数据或债券交易的市场数据，清收数据贴现法是根据通过预测违约了的不良资产在清收过程的现金流，并计算出其贴现值而得出LGD。应用这种方法的关键在于两个方面，一是对清收现金流的数额及其时间分布的合理估计；二是确定采用与风险水平相应的贴现率。显然，这两个方面都并非容易做到，尤其是对预期现金流贴现率的选用，对于已经违约的资产而言，采用多高的贴现率才能充分而又适当地反映其风险水平是非常困难的，这其中，主观经验判断的应用是不可避免的。由于这种方法不需要市场交易数据，比较适宜于估算银行贷款的LGD。