鑒於歷史數據平均值法的局限性，人們開始研究更多的方法來更加準確地估計LGD。這些方法主要包括以下三類：
1、歷史數據回歸分析法
這種方法是根據違約資產的LGD歷史數據和理論因子模型應用統計回歸分析和模擬方法建立起預測模型，然後將特定項目相關數據輸入預測模型中得出該項目的LGD預測值。最為典型的是穆迪KMV公司的LossCalc模型。該模型利用穆迪公司擁有的美國過去20多年1800多個違約觀察數據，覆蓋了各個行業中900多個違約上市和非上市企業，對美國債券、貸款和優先股LGD建立了立即違約LGD和1年後違約LGD兩種版本的預測模型。該預測模型的理論模型中對LGD的解釋變量包括包括4大類(項目、公司、行業和宏觀經濟)9個因子。據穆迪公司稱，該模型的對LGD的預測效果優於傳統歷史數據平均值法。
2、市場數據隱含分析法
從市場上尚未出現違約的正常債券或貸款的信用升水幅度中隱含的風險信息(包括PD和LGD)分析得出。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債券發行企業信用風險的變化。這種變化反映在債券的信用升水中，即具有信用風險的公司債券的收益率與沒有信用風險的同期限國債收益率的差額。 由於PD與LGD的乘積反映了債券的預期損失，是債券信用風險的重要內容，因此，反映信用風險的信用升水也同樣反映了PD與LGD。在PD可以通過其特定的方法估測出來的情況下，隱含在信用升水中的LGD也就可以求解出來。顯然，這種方法要應用復雜的資產定價模型，也需要充足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，在銀行貸款風險中則應用較少。
3、清收數據貼現法
不同於上述兩者方法利用違約的歷史數據或債券交易的市場數據，清收數據貼現法是根據通過預測違約了的不良資產在清收過程的現金流，並計算出其貼現值而得出LGD。應用這種方法的關鍵在於兩個方面，壹是對清收現金流的數額及其時間分布的合理估計；二是確定采用與風險水平相應的貼現率。顯然，這兩個方面都並非容易做到，尤其是對預期現金流貼現率的選用，對於已經違約的資產而言，采用多高的貼現率才能充分而又適當地反映其風險水平是非常困難的，這其中，主觀經驗判斷的應用是不可避免的。由於這種方法不需要市場交易數據，比較適宜於估算銀行貸款的LGD。