预期信用损失法应用案例（二）——不以内部评级体系为基础的简化方法（2023）
预期信用损失法应用案例（二）——不以内部评级体系为基础的简化方法（2023）
发文信息
- 发文机关： 财政部
- 发布日期： 2023-07-17
- 原文链接：财政部 | 财政部会计准则委员会
【例】
乙银行是一家小型商业银行，业务类型覆盖对公贷款、零售贷款等，尚未建立和实施内部评级体系。该银行的对公贷款业务具有一定的历史数据积累，基本可在三年内完成实际清收，违约贷款的平均处置周期为两年；零售贷款业务的历史数据积累期间较短、数据样本量有限。
2020年6月28日，乙银行向某国内制造业企业发放1000万元对公贷款，约定两年后到期一次还本，每季度末月20日付息，年利率为10%。在贷款发放时点，乙银行根据逾期天数及贷款五级风险分类等相关因素，将该贷款划分为正常类。2021年3月28日，因受外部事件影响和自身运营等原因，该客户的信用风险有上升迹象，乙银行经评估将该客户的上述贷款下调为关注类。
乙银行在未建立和实施内部评级体系的情况下，如何确定上述对公贷款以及该行零售贷款的预期信用损失？
分析：
按照《企业会计准则第22号——金融工具确认和计量》（财会〔2017〕7号，以下简称金融工具确认计量准则）的规定，并结合自身管理水平以及历史数据积累等实际情况，乙银行对于对公贷款和零售贷款的预期信用损失计量采用了不同的建模方法。对于对公贷款，其建模思路与大型商业银行类似，即在基于共同信用风险特征进行风险分组并根据信用风险变化及减值情况进行阶段划分的基础上，根据违约概率、违约损失率、违约风险敞口构建预期信用损失模型，因缺乏内部评级信息，乙银行在估计违约概率、违约损失率等模型参数时采用了迁徙率等其他替代方法。对于信用卡等零售贷款，因缺乏历史数据，难以分别对违约概率和违约损失率建模，乙银行采用损失率法计量预期信用损失。具体方法如下：
（一）对公贷款
1．采用迁徙率法估计违约概率（PD）
乙银行根据产品及授信额度将对公贷款进行风险分组后，按照以下步骤得到各组违约概率：
步骤1： 根据逾期天数及贷款五级风险分类中相关定性考虑因素，将每个组别细分为正常非逾期（1档）、正常逾期（2档）、关注非逾期（3档）、关注逾期0-30天（4档）、关注逾期30-60天（5档）、关注逾期60-90天（6档）和不良（7档）等风险组别。
步骤2： 以各季度初为期初时点，观察12个月后拖欠状态的变化情况，以此计算各风险组别之间的迁徙率和违约概率。乙银行用X1X_1X1表示某风险组别期初状态为1档的借款人数量，用X11X_{11}X11、X12X_{12}X12……X17X_{17}X17分别表示该X1X_1X1位借款人12个月后状态为1档、2档、3档、4档、5档、6档、7档的借款人数量，该风险组别期初的1档借款人在12个月后迁徙至2档的比率为X12/X1X_{12}/X_1X12/X1（即为迁徙率）。类似地，X23/X2X_{23}/X_2X23/X2表示期初为2档、12个月后迁徙至3档的迁徙率。乙银行按此计算出该风险组别的迁徙率如下：
| 迁徙率 | 期末借款人数量（12个月后） | |||||||
| 1档 | 2档 | 3档 | 4档 | 5档 | 6档 | 7档 | ||
| 期初 | 1档 | X11/X1 | X12/X1 | X13/X1 | X14/X1 | X15/X1 | X16/X1 | X17/X1 |
| 2档 | X21/X2 | X22/X2 | X23/X2 | X24/X2 | X25/X2 | X26/X2 | X27/X2 | |
| 3档 | X31/X3 | X32/X3 | X33/X3 | X34/X3 | X35/X3 | X36/X3 | X37/X3 | |
| 4档 | X41/X4 | X42/X4 | X43/X4 | X44/X4 | X45/X4 | X46/X4 | X47/X4 | |
| 5档 | X51/X5 | X52/X5 | X53/X5 | X54/X5 | X55/X5 | X56/X5 | X57/X5 | |
| 6档 | X61/X6 | X62/X6 | X63/X6 | X64/X6 | X65/X6 | X66/X6 | X67/X6 | |
| 7档 | X71/X7 | X72/X7 | X73/X7 | X74/X7 | X75/X7 | X76/X7 | X77/X7 |
乙银行将“不良”（即7档）定义为“违约”，因此，对于期初为1档的贷款，12个月违约概率为X17/X1X_{17}/X_1X17/X1；对于期初为2档的贷款，12个月违约概率为X27/X2X_{27}/X_2X27/X2；以此类推。
步骤3： 假定新发放贷款均为正常非逾期类（即1档），通过1档借款人的违约概率计算正常非逾期类贷款的历史逐年实际违约概率，即PDs1=X17/X1PD_{s}{1}=X_{17}/X_1PDs1=X17/X1。
步骤4： 通过分析，乙银行认为“分组贷款当年实际违约概率（PDs1PD_{s}{1}PDs1）/分组贷款历史实际违约概率平均值（PD均PD_\text{均}PD均）”可反映宏观经济对其贷款组合的影响，将其定义为宏观影响因子Z，并基于第三方软件通过遍历多元回归得到宏观影响因子Z与宏观经济指标的回归模型。
| 年度 | 2011 | 2012 | 2013 | 2014 | 2015 | 2016 | 2017 | 2018 | 2019 | 2020 |
|---|---|---|---|---|---|---|---|---|---|---|
| 分组贷款当年实际违约概率PDs1（当年，%） | PDs1 | PDs1 | PDs1 | PDs1 | PDs1 | PDs1 | PDs1 | PDs1 | PDs1 | PDs1 |
| 分组贷款历史实际违约概率平均值PD均（年初，%） | PD均 | PD均 | PD均 | PD均 | PD均 | PD均 | PD均 | PD均 | PD均 | PD均 |
| 分组贷款当年实际违约概率/分组贷款历史实际违约概率平均值（Z） | Z1 | Z2 | Z3 | Z4 | Z5 | Z6 | Z7 | Z8 | Z9 | Z10 |
步骤5： 通过迁徙矩阵自乘的方法生成累计违约概率（例如，N年期的累计违约概率通过迁徙矩阵M的N次自乘的方法生成），按照月度折算未来12个月的违约概率，并推导得出整个存续期内违约概率。