GPU 违约率指数

GPU 抵押融资的违约与回收率基准——03 事件流的第一个衍生指数。不独立立项，不占产线槽位；事件流跑起来，它是自然长出来的东西。

上级：金融指数类 10 候选 · 依赖：03 GPU 资产事件流（本周做）· 依据 shouce01 · 联系：brian@51kaifa.app

SECTION 01为什么这个位真空，且我们独有

AMCompute 有《GPU Loan Default Recovery Casebook》——但那是叙事性案例集，没有比率、没有连续序列、没有机器可读。整个市场有融资额追踪（$197B）、有残值基准、有期货结算，唯独没有「这些贷款实际违约了多少、收回了多少」的基准——而出借方定价最需要的就是这个数。

为什么是我们：违约事件散落在法院文书、清算公告、SEC 文件里，需要专门的采集管线——这正是 03 事件流在建的东西。数据管线是壁垒，指数只是管线的一个视图。别人要抄，先得建同一条管线，再重等我们累积的时间。

SECTION 02阶段设计：先计数，后比率（修 ⑥ 的关键）

引用结构（三位一体的一环）：违约事件里的设备用 CVIN 指代——违约率指数每被引用一次，CVIN 的引用锁定深一层；CVIN 的登记数据越厚，违约分析的设备维度越准。

深度核对（2026-11-02）：违约是低频事件这一现实，反而验证了「阶段 1 计数先行」策略的正确性——比率需要样本量，计数不需要，且计数序列本身就在累积不可购买的时间深度。需求侧信号同期增强：中金报告《AI"次贷"的金融裂缝》测算 CoreWeave 5 年 CDS 隐含违约概率约 60%、利差破 1,100bp——市场已经在为「算力违约」定价，却没有任何公开基准可引用，出借方核保与定价对违约率/回收率基准的饥渴是现成的。

SECTION 03收费与护城河

• 模型校准锁定：出借方的风险定价模型一旦用我们的违约率分布校准，换源 = 重校准 + 内部模型审批——嵌入工作流是最贵的替换成本。
• 时间壁垒：违约是低频事件，三年数据就是三年——对手无法加速获得，也无法购买。
• 可复算：每个比率可展开到具体案件的卷宗号——这是叙事性 Casebook 永远给不了的。