正文
CCAR和DFAST这样的压力测试要求银行在给定的宏观经济变量轨迹（通常为9个季度）对其资产负债表，收入，损失（合成为PPNR)以及风险加权资产（RWA)进行预测。这就要求银行建立基于宏观经济变量的PPNR预测模型。在Wholesale Credit Risk领域内反映在对期望信用违约损失（EXpected Credit Loss, 简称为ECL)的预测建模。ECL之所以重要，在于它的预测序列是预测银行贷款组合的实际坏帐率(Net Charge Off)以及不良贷款比率（Non-performing Loans)的关键变量。同时也是预测贷款违约计提准备金（Allowance for loan losses, ALL)的重要依据。
决定ECL的风险因素主要包括PD, LGD, EAD以及loan balance. 前三者大多数读者不会感到陌生，通常通过考察历史数据中这些因变量与资产性质（契约，抵押品等），借贷方性质（地域，行业，评级等）以及宏观经济变量（失业率，通胀率，利率，GDP增长率，汇率等）运用计量经济学工具建立回归模型（一般为线性或逻辑回归），从而预测这些因变量的未来9个季度的时间序列。而loan balance的变化往往被忽视，但这往往是个重要的因素。比如在贷款到期日，银行往往会根据诸多方面的因素（既有经济方面的，也有非经济方面的，如客户关系）对借贷方提供延期，但对贷款利率可能会根据市场情况进行调整。此外，银行会在每期对其存款准备金之上的剩余资金进行新的借贷从而导致其资产负债表増长。如何预测这部分新増贷款的数额与分布？这不仅仅取决于经济形势的变化，同时也与银行的业务模式与经营风格密切相关，在建模中必须予以充分考虑。
银行持有的wholesale loan portfolio 主要包括C&I(Commercial and Industrial), CRE(commercial real estate), 以及HFS(Held for sale)和FVO(fair value option)等。每一类贷款有自身的特性，因此构建的模型也会有所不同。这一点使得wholesale credit risk modeling 显得比较复杂。
与市场风险不同，Wholesale Credit Risk的预测数据无法与市场价格相校验,唯一的标准只有历史数据。而历史数据往往包含了许多隐含的内容。许多情况下单纯依赖数据而不去考察其背后的故事往往无法得出正确的结论。比如在2001年与2009年同样经历经济衰退，仅仅根据宏观经济变量预测出的PD在这两年会达到相近的峰值，而实际的违约率2009年却比2001年低了很多。如果仅仅从数据出发，根本无法解释这种现象。事实上,根据这种模型预测出的PD即使是样本内测试的结果都很不理想，而是出现2001年的违约率预测近乎完美，而2009年的违约率总是被高估的现象。发生这种情况的原因是美国政府与联储在2009年为了救市而向金融系统注入了大量的流动性。 如果引入这一哑变量，则模型的预测效果会大为改善，特别是2001与2009年的预测与实际违约率都能够吻合地很好。
除了违约损失，PPNR建模的另一个要素是盈利的预测。对于贷款组合，主要体现在对于净利息收入（net interest income)的预测。这就牵涉到两个方面：毛利收入（gross interest income)与利息支出及其他费用。毛利收入主要取决于balance和利率的预测。前者可以利用损失模型中得到的balance预测序列（但要注意计算利息收入的本金应为total commitment 中的funded 部分，即utilization 部分，对于unfunded部分（即银行承诺的借贷限额之内但并未被客户提出的资金）只应计算其commitment fee部分（通常远低于贷款利率）。对于利率的预测则要区别新放出的贷款与旧的贷款，以及期限的变化，结合LIBOR 与credit spread的预测合理地预测未来的利息水平。此外，预测的利息收入必须扣除可能造成的违约损失。对于利息支出则可以通过fund transfer pricing框架根据银行内部treasury的funding policy来决定。利息收入预测建模的主要挑战在于根据未来借贷方的信用评级分布构建合理的spread（即信用利差）模型。
对于大多数商业银行来说，贷款是资产负债表上最大比重的资产，其利息收入是银行的主要盈利来源，而传统的信贷风险是最主要的风险来源。事实上，对大多数美国的商业银行，信用风险所占加权风险资产的比重都达到80-90%以上，即使是大银行，和传统信贷风险相比，其他的像市场风险与衍生品对手风险所占的比例也仅是小巫见大巫。因此，如何构建准确有效的信贷wholesale credit risk model成为近几年来美国商业银行的重要热点，甚至成为整个CCAR能否通过的关键。
