1，歷史數據回歸分析
該方法以違約資產的LGD歷史數據和理論因子模型為基礎，應用統計回歸分析和模擬方法建立預測模型，然後將具體項目的相關數據輸入預測模型，得到項目的LGD預測值。最典型的模型是穆迪KMV公司的LossCalc模型。該模型利用穆迪公司擁有的美國近20年超過1，800的違約觀察數據，覆蓋各行業900多家上市和非上市公司，建立了美國債券、貸款和優先股LGD的兩個版本預測模型，即即時違約LGD和1年後違約LGD。該預測模型的理論模型中LGD的解釋變量包括4類(項目、公司、行業、宏觀經濟)9個因素。穆迪稱，該模型在預測LGD方面優於傳統的歷史數據平均法。
2.市場數據的隱含分析。
分析市場上尚未違約的正常債券或貸款的信用溢價區間中隱含的風險信息(包括PD和LGD)。該方法的理論前提是市場對債券定價是有效的，能夠有效及時地反映發債企業信用風險的變化。這種變化體現在債券的信用溢價上，即有信用風險的公司債收益率與無信用風險的同期限國債收益率之差。因為PD和LGD的乘積反映了債券的預期損失，是債券信用風險的重要組成部分，所以反映信用風險的信用溢價也反映了PD和LGD。在違約概率可以用特定方法估計的情況下，隱藏在信用溢價中的LGD也可以求解。顯然，這種方法需要復雜的資產定價模型和足夠的數據來支持這種復雜的分析。目前，該方法在債券定價和信用衍生產品定價中有壹定的應用，但在銀行貸款風險中應用較少。
3.收集數據折扣方法
與上述兩種方法使用違約的歷史數據或債券交易的市場數據不同，催收數據貼現法是基於預測違約不良資產在催收過程中的現金流，並計算其貼現值得到LGD。該方法應用的關鍵在於兩個方面:壹是對現金流量的數額及其時間分布的合理估計；二是確定風險水平對應的折現率。顯然，這兩個方面都不好做，尤其是預期現金流折現率的選擇。對於已經違約的資產，很難采用較高的貼現率來充分、恰當地反映其風險水平，其中主觀經驗判斷的應用是不可避免的。由於該方法不需要市場交易數據，因此更適用於估計銀行貸款的LGD。