信用风险组合发生大额损失是一件罕见事件,但是一旦发生将造成严重后果。为了有效管理罕见事件发生造成的影响,首要任务是估计出罕见事件发生的概率,或尾概率。在计算中,由于罕见事件发生的概率很小,样本量很少,从而导致估计方差过大。目前经典的两步重要抽样算法在解决此问题时取得一定的成果,但是经典方法在构造风险因子重要分布函数时采用零方差原则和最大值原则,得到的重要分布函数与理想状况相差较大。本文根据零方差原则结合中心极限定理构造了新的重要分布函数,并通过Metropolis-Hastings算法抽取风险因子的样本,最终有效地减小了尾概率估计的方差。数据分析方面,通过与一般蒙特卡罗方法和经典的两步重要抽样方法作数值比较,发现本文提出的算法能够明显减小尾概率估计的方差,得到预期效果。