度量违约率。如果已经定义了账户细分并构造了数据样本，下一步建模者就必须计算该分区中不同样本的违约率。有人可能会认为这一计算与计算随后12个月中任何时点的违约账户比率一样简单。考虑一个从2002年1月1日开始的由10 000个账户组成的样本。如果样本中的1 000个账户在2002年1月1日到2002年12月31日这段时间内发生违约，那么这个样本可能会被分配10％的年违约率。这个方法得出的是未加权损失率。与此相反，我们也可以计算在该12个月的期间内，初始未偿付余额（不是账户）的违约比例，从而得出货币加权损失率。未加权损失率与货币加权损失率可能会显著不同。如果在2002年1月1日余额较大的账户在该样本期间内的违约比例，大于样本中全部账户的违约比例，那么货币加权损失率将会大于未加权损失率②。货币加权损失率与资本建模更加相关，但如果在评估违约损失率和违约风险暴露时对未加权损失率做一些调整，那么未加权损失率也可以使用。货款人最终关心的是货币损失的非预期增加，而不是违约贷款的数目。
决定一个账户什么时候违约与是否违约，这个基本任务也值得加以探讨。大多数建模者使用银行内部的违约定义，即超过支付日120天或180天的账户或者那些被银行确认为破产的借款人的账户。只要细分框架像定义的那样根据违约概率合理地将投资组合划分为同质的集合，那么这个违约定义以及任何其他可能实现行业通用的违约定义都可以被融入到AVC／LDC框架中。先考虑一个过期150天的贷款的例子，对于那些没有把这些贷款归类到已违约贷款集合中去的贷款人，它们的细分框架应将这些贷款划分到具有相同（高）违约概率的分区。所有这类贷款基本上都会在随后的12个月中发生违约这一事实，并不会妨碍对这一分区的违约率的评估。建模者应谨慎地分析尽可能多的非违约贷款分区，甚至那些存在严重拖欠的分区
①也可以度量在2002年1月违约的账户比例，然后将该月度数据予以年度化，但当前的信用卡违约结构使得这样做尚有一定的难度。特别是，将月度违约数据年度化后的结果可能会与年违约率有显著的不同。例如，在一个具有6个债务拖欠级别的结构中，考虑位于第4个级别的账户，尽管这些账户中的很大一部分会在下一年度违约，但在下一个月违约的账户会很少。月度数据年度化的方法还需经过仔细的统计推敲，度量年违约率是一个更为自然的选择。
②如果样本中的贷款完全同质，货币加权违约率和未加权违约率将会相等。实际上，这两个违约率指标问的大小比较有助于评估贷款细分框架的分辨力。
展开
