聚鑫汇信用风险
模型已经把高风险客户排得很准以后，为什么PD Calibration仍然可能决定损失估算是否可靠？
一个信用模型把AUC从0.72提升到0.81，业务团队通常会把这看作明显的进步——模型确实更擅长把违约客户和正常客户区分开来。但这里最容易把模型的排序能力和损失预测能力混在一起：AUC回答的是"谁更可能违约"，属于Discrimination问题；而Expected Loss的计算，依赖的是PD的具体数值本身是否准确，属于Calibration问题。一个模型排序能力再强，如果它给出的PD数值系统性偏离真实违约率，基于这些PD计算出来的预期损失同样会系统性失真。
一个具体的例子：模型把某一批客户的PD估计为4%，但这批客户过去三年的实际违约率持续维持在9%左右。即便这批客户在模型排序中确实排在"相对高风险"的位置，实际发生的信用损失也会显著超出模型预期——因为损失估算用的是PD的绝对数值，不是相对排序。这种偏差往往不会立刻被察觉，因为从"哪些客户风险更高"这个角度看，模型的判断似乎没有问题，直到实际损失数据积累到一定规模，偏差才会显现出来。
因此，成熟的信用模型评估，需要同时检验两个维度：一是排序能力，确认模型能否把风险由低到高排开；二是Calibration，确认给出的PD数值本身能否对应真实的违约发生率，通常通过对比预测PD与实际观察到的违约率来检验。只关注前者、忽略后者，很容易得到一个"看起来很准"、但损失估算实际上并不可靠的模型。
聚鑫汇信用风险
贷款违约率没有明显上升以后，为什么LGD增加仍然可能让信用损失快速扩大？
违约率是信用风险汇报中最常被关注的指标，如果这个数字保持平稳甚至略有下降，很容易被解读为"信用风险总体可控"。但Expected Loss由PD、LGD、EAD三者共同决定，违约率不变，不代表另外两个变量也保持不变——尤其是LGD（违约损失率），它的变化经常被违约率这个更显眼的数字所掩盖。
LGD主要受Recovery（回收情况）影响，而回收情况很大程度上取决于抵押品价值和处置流程。如果宏观环境导致抵押品所在市场（比如房地产或某类设备资产）价格下行，同样一笔违约贷款，能够回收的比例会明显低于过去，LGD随之上升。这种变化不会反映在违约率这个指标上——违约的客户数量或比例可能完全没有变化，但每一笔违约带来的实际损失金额却在扩大，最终体现为信用损失总额的上升，即便表面上"违约情况没有恶化"。
这也是为什么信用风险管理不能只盯着违约率这一个指标：PD反映"多少客户会违约"，LGD反映"每笔违约损失多少"，两者需要分开监测。当抵押品市场价格或处置流程出现变化的迹象时，即便违约率暂时平稳，也应该重新评估LGD假设是否仍然成立，避免损失估算因为LGD的隐性变化而系统性偏低。
聚鑫汇信用风险
客户数量越来越多以后，为什么行业和地区集中度仍然可能让整个信用组合变得更加脆弱？
贷款客户数量从几百个增长到几千个，直觉上这应该意味着风险更加分散——客户基数越大，单一客户违约对整体组合的冲击理应越小。但客户数量增长本身，并不自动等于风险分散，如果新增客户高度集中在某几个行业或地区，组合的真实分散程度可能没有明显改善，甚至可能进一步恶化。
一个常见的情形是：业务扩张过程中，销售和获客资源天然会向效率更高的渠道倾斜，而这些渠道往往集中对接某几个行业或区域的客户群体。结果是客户数量持续增长，但70%甚至更高比例的敞口，实际上集中在同一个行业。一旦这个行业遭遇系统性冲击——比如某个产业政策调整、某类大宗商品价格暴跌——组合中大量客户会在短时间内同时出现还款能力下降，这不是单一客户的信用问题，而是Portfolio Credit Risk层面的集中度问题，任何针对单一客户的PD模型都无法单独捕捉这种系统性关联。
因此，信用组合管理需要在客户层面的PD、LGD评估之外，单独跟踪行业、地区、资金来源等维度的Concentration指标，并设置相应的集中度限额。客户数量增长是业务发展的自然结果，但只有当新增客户的行业和地区分布保持足够分散时，这种增长才真正降低了组合的整体风险，而不是把风险悄悄堆积在了同一个篮子里。
