在机器学习技术兴起之前，金融机构依靠一系列经过时间检验的传统方法来评估信贷风险。这些方法虽然在某些方面不如现代机器学习模型灵活，但其可解释性强、理论基础扎实的特点使其在今天仍然扮演着重要角色。本章将系统介绍专家系统、判别分析、生存分析等经典方法，通过2008年次贷危机的深度剖析，揭示传统模型的优势与局限。我们还将探讨诺贝尔经济学奖得主罗伯特·默顿的结构化信用风险模型，以及使用Copula函数建模违约相关性的高级技术。
完成本章学习后，您将能够：
专家系统是最早应用于信贷风险评估的人工智能技术之一，其核心思想是将人类专家的经验知识编码为计算机可执行的规则。一个完整的信贷审批专家系统通常包含以下组件：
┌─────────────────────────────────────────────┐
│ 用户接口层 │
│ (贷款申请信息输入、审批结果展示) │
└─────────────────┬───────────────────────────┘
│
┌─────────────────▼───────────────────────────┐
│ 推理引擎 │
│ (前向链推理 / 后向链推理) │
└─────────────────┬───────────────────────────┘
│
┌─────────┴─────────┐
│ │
┌───────▼────────┐ ┌────────▼────────┐
│ 知识库 │ │ 事实库 │
│ (IF-THEN规则) │ │ (客户数据) │
└────────────────┘ └─────────────────┘
在信贷风控中，规则通常采用产生式规则（Production Rule）的形式：
IF (条件1 AND 条件2 AND … ) THEN (结论或行动)
例如，一个简单的个人贷款审批规则可能是：
规则1: IF (月收入 > 10000) AND (负债收入比 < 0.4) AND (征信无逾期)
THEN 风险等级 = "低风险"
规则2: IF (风险等级 = "低风险") AND (申请额度 < 月收入×12)
THEN 审批结果 = "通过"
实际应用中，规则的前提条件可能不是完全确定的。引入置信度（Confidence Factor, CF）机制：
\[CF(H, E) = MB(H, E) - MD(H, E)\]其中：
规则的置信度传播遵循以下原则：
Rete算法通过构建规则网络来优化规则匹配效率：
在实际信贷业务中，专家系统通常与其他技术结合使用：
判别分析建立在贝叶斯决策理论之上。对于信贷申请人分类问题，我们希望将申请人分为$K$个风险等级。根据贝叶斯定理：
\[P(Y=k|X=x) = \frac{P(X=x|Y=k) \cdot P(Y=k)}{P(X=x)}\]其中：
| $P(X=x | Y=k)$：似然函数 |
LDA假设各类别的特征服从多元正态分布，且协方差矩阵相同：
\[X|Y=k \sim \mathcal{N}(\mu_k, \Sigma)\]在上述假设下，后验概率的对数比为：
\[\log\frac{P(Y=k|X=x)}{P(Y=l|X=x)} = \log\frac{\pi_k}{\pi_l} - \frac{1}{2}(\mu_k + \mu_l)^T\Sigma^{-1}(\mu_k - \mu_l) + x^T\Sigma^{-1}(\mu_k - \mu_l)\]定义线性判别函数： \(\delta_k(x) = x^T\Sigma^{-1}\mu_k - \frac{1}{2}\mu_k^T\Sigma^{-1}\mu_k + \log\pi_k\)
决策规则：$\hat{Y} = \arg\max_k \delta_k(x)$
使用训练数据估计参数：
QDA允许各类别有不同的协方差矩阵：
\[X|Y=k \sim \mathcal{N}(\mu_k, \Sigma_k)\]此时判别函数变为二次形式：
\[\delta_k(x) = -\frac{1}{2}\log|\Sigma_k| - \frac{1}{2}(x-\mu_k)^T\Sigma_k^{-1}(x-\mu_k) + \log\pi_k\]决策边界是$x$的二次函数，形成二次曲面。
为了在LDA和QDA之间取得平衡，正则化判别分析引入调节参数$\alpha$：
\[\hat{\Sigma}_k(\alpha) = \alpha\hat{\Sigma}_k + (1-\alpha)\hat{\Sigma}\]当$\alpha=0$时退化为LDA，$\alpha=1$时为QDA。
典型的信贷风险判别特征包括：
生存分析原本用于医学研究，后被引入信贷风控领域，用于预测”贷款存活时间”（即到违约的时间）。
生存函数（Survival Function）： \(S(t) = P(T > t) = 1 - F(t)\) 表示贷款在时间$t$之后仍然正常的概率。
风险函数（Hazard Function）： \(h(t) = \lim_{\Delta t \to 0} \frac{P(t \leq T < t + \Delta t | T \geq t)}{\Delta t}\) 表示在时刻$t$的瞬时违约率。
累积风险函数： \(H(t) = \int_0^t h(u)du = -\log S(t)\)
假设风险率为常数：$h(t) = \lambda$
生存函数：$S(t) = e^{-\lambda t}$
适用于违约风险不随时间变化的情况。
风险函数：$h(t) = \lambda p(\lambda t)^{p-1}$
其中：
适合建模具有”浴盆曲线”特征的风险模式：初期和末期风险高，中期风险低。
Cox模型是半参数模型，不需要假设基准风险函数的具体形式：
\[h(t|x) = h_0(t) \exp(\beta^T x)\]其中：
其中$R(t_i)$是时刻$t_i$的风险集。
AFT模型假设协变量通过加速或减速时间来影响生存时间：
\[\log T = \beta_0 + \beta^T x + \sigma \epsilon\]常用分布：
信贷数据常见删失类型：
Kaplan-Meier估计量： \(\hat{S}(t) = \prod_{t_i \leq t} \left(1 - \frac{d_i}{n_i}\right)\)
其中$d_i$是时刻$t_i$的违约数，$n_i$是风险集大小。
2008年次贷危机暴露了传统风控模型的致命弱点。让我们深入分析当时主流模型的问题：
次贷危机前，风控模型主要基于1990年代至2000年代初的数据，这期间美国房价持续上涨。模型的核心假设是：
\[P(\text{违约}|\text{房价上涨}) \approx 0\]这导致了严重的样本选择偏差（Sample Selection Bias）。
传统模型假设违约事件独立同分布：
\[P(\text{多重违约}) = \prod_{i=1}^n P(\text{违约}_i)\]实际上，系统性风险导致违约高度相关。
David Li的高斯Copula模型曾被广泛用于CDO定价：
\[C(u_1, ..., u_n; \Rho) = \Phi_\Rho(\Phi^{-1}(u_1), ..., \Phi^{-1}(u_n))\]其中$\Rho$是相关系数矩阵。
模型缺陷：
评级机构使用的结构化产品评级模型存在系统性偏差：
实际违约率 vs 评级预测
AAA级CDO：
- 模型预测违约率：0.01%
- 实际违约率（2008-2009）：>60%
罗伯特·C·默顿（Robert C. Merton），1997年诺贝尔经济学奖得主，期权定价理论的奠基人之一。他将期权定价理论扩展到信用风险领域，创立了结构化信用风险模型。
默顿将公司股权视为公司资产的看涨期权：
基本设定：
股权价值： \(E_t = V_t \Phi(d_1) - De^{-r(T-t)}\Phi(d_2)\)
其中： \(d_1 = \frac{\ln(V_t/D) + (r + \sigma_V^2/2)(T-t)}{\sigma_V\sqrt{T-t}}\) \(d_2 = d_1 - \sigma_V\sqrt{T-t}\)
违约概率： \(P(\text{违约}) = P(V_T < D) = \Phi(-d_2)\)
KMV公司（后被Moody’s收购）将默顿模型商业化：
违约距离（Distance to Default）： \(DD = \frac{\ln(V_t/D) + (\mu - \sigma_V^2/2)(T-t)}{\sigma_V\sqrt{T-t}}\)
预期违约频率（Expected Default Frequency）： \(EDF = \Phi(-DD)\)
J.P. Morgan开发的信用风险度量模型，引入信用等级迁移：
转移概率矩阵： \(P = \begin{pmatrix} p_{AA,AA} & p_{AA,A} & \cdots & p_{AA,D} \\ p_{A,AA} & p_{A,A} & \cdots & p_{A,D} \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & 1 \end{pmatrix}\)
主要贡献：
LTCM事件： 1998年，默顿参与创立的长期资本管理公司（LTCM）因俄罗斯金融危机而崩溃，暴露了模型的局限性：
Sklar定理：任何$n$维联合分布函数$F$都可以表示为：
\[F(x_1, ..., x_n) = C(F_1(x_1), ..., F_n(x_n))\]其中$C$是Copula函数，$F_i$是边际分布函数。
\(C^{Ga}(u_1, ..., u_n; \Rho) = \Phi_\Rho(\Phi^{-1}(u_1), ..., \Phi^{-1}(u_n))\)
特点：无尾部相关性
\(C^t(u_1, ..., u_n; \Rho, \nu) = t_{\Rho,\nu}(t_\nu^{-1}(u_1), ..., t_\nu^{-1}(u_n))\)
特点：具有对称的尾部相关性
Clayton Copula（下尾相关）： \(C^{Cl}(u, v; \theta) = (u^{-\theta} + v^{-\theta} - 1)^{-1/\theta}\)
下尾相关系数：$\lambda_L = 2^{-1/\theta}$
Gumbel Copula（上尾相关）： \(C^{Gu}(u, v; \theta) = \exp(-[(-\ln u)^\theta + (-\ln v)^\theta]^{1/\theta})\)
上尾相关系数：$\lambda_U = 2 - 2^{1/\theta}$
假设违约由共同因子$Z$和个体因子$\epsilon_i$驱动：
\[X_i = \sqrt{\rho}Z + \sqrt{1-\rho}\epsilon_i\]条件违约概率： \(P(\text{违约}_i|Z=z) = \Phi\left(\frac{\Phi^{-1}(PD_i) - \sqrt{\rho}z}{\sqrt{1-\rho}}\right)\)
考虑相关性的时变特征：
\[\rho_t = \omega + \alpha \epsilon_{t-1} \epsilon'_{t-1} + \beta \rho_{t-1}\]\(\hat{\theta} = \arg\max_\theta \sum_{t=1}^T \log c(F_1(x_{1t}), ..., F_n(x_{nt}); \theta)\)
其中$c$是Copula密度函数。
违约损失分布： 使用Monte Carlo模拟：
风险度量：
| CVaR（条件在险价值）：$CVaR_\alpha = E[L | L > VaR_\alpha]$ |
本章系统介绍了传统信贷风险评估的三大支柱方法：专家系统提供了基于规则的可解释决策框架，判别分析从统计角度实现了风险分类，生存分析则关注违约的时间维度。通过2008年次贷危机案例，我们看到了传统模型在面对系统性风险时的脆弱性。罗伯特·默顿的结构化模型开创了用期权理论分析信用风险的新思路，而Copula函数为建模复杂的违约相关性提供了灵活工具。
📝 练习5.1：专家系统规则设计 设计一个简化的信用卡申请审批专家系统，包含至少5条规则，覆盖收入、信用历史和负债情况三个维度。说明规则的执行顺序和冲突解决策略。
提示：考虑规则的优先级和置信度传播
📝 练习5.2：LDA分类边界 给定两类数据：违约组均值$\mu_1 = [2, 3]^T$，正常组均值$\mu_2 = [5, 6]^T$，共同协方差矩阵$\Sigma = \begin{pmatrix} 1 & 0.5 \ 0.5 & 1 \end{pmatrix}$，先验概率相等。求LDA的分类边界方程。
提示：利用判别函数$\delta_k(x)$相等的条件
📝 练习5.3：生存分析计算 某银行贷款组合的违约时间服从指数分布，年化违约率$\lambda = 0.05$。计算： (a) 贷款在2年内不违约的概率 (b) 已知贷款已经存活1年，再存活1年的条件概率 (c) 平均违约时间
提示：利用指数分布的无记忆性
🎯 练习5.4：Cox模型应用 某信贷机构使用Cox比例风险模型，基准风险函数$h_0(t) = 0.01t$（Weibull基准），协变量包括年龄（$x_1$）和收入（$x_2$，万元），估计的系数为$\beta_1 = -0.02$，$\beta_2 = -0.1$。对于一个40岁、月收入2万的申请人，计算其在第3年的瞬时违约风险率。
提示：代入Cox模型公式
🎯 练习5.5：默顿模型违约概率 某公司当前资产价值$V_0 = 100$百万，负债面值$D = 80$百万（1年后到期），资产波动率$\sigma_V = 0.3$，无风险利率$r = 0.05$，资产收益率$\mu = 0.08$。使用默顿模型计算： (a) 风险中性违约概率 (b) 实际违约概率 (c) 信用利差
提示：区分风险中性测度和实际测度
🎯 练习5.6：Copula相关性建模 使用Clayton Copula建模两笔贷款的违约相关性，参数$\theta = 2$。已知两笔贷款的边际违约概率均为5%。计算： (a) 下尾相关系数 (b) 两笔贷款同时违约的概率 (c) 至少一笔违约的概率
提示：利用Clayton Copula的性质
🎯 练习5.7：综合案例分析 次贷危机中，某CDO产品包含100笔次级贷款，使用高斯Copula模型，相关系数$\rho = 0.3$，单笔贷款违约概率10%。危机时相关系数突增至0.8。分析这种变化对预期损失的影响，并提出改进建议。
提示：考虑条件违约概率和系统性因子的影响
🎯 练习5.8：开放性思考题 传统风控模型在数字金融时代面临哪些新挑战？如何将传统方法与大数据、人工智能技术结合，构建更稳健的风控体系？请从数据、模型、监管三个角度展开讨论。
提示：考虑数据隐私、算法黑箱、监管科技等议题