新闻中心
案例一、计算当前账单逾期天数，并划分账单逾期时段。
（一）首先明确账单逾期、订单逾期和客户逾期这三个口径的区别
这三级逾期的递进关系是：
账单级>订单级>客户级
即一个客户
id
可以有多个订单order_id
，而每个订单又可以对应多个账单repayment_id
。参考：
三级逾期口径
(二) 账单逾期、订单逾期和客户逾期的推算逻辑
逾期观测口径：
当前（current）逾期
：用户在观察点上当前是否处于逾期状态。哪怕借据在该周期内曾经逾期，但在观察点上已经结清，则仍认为该借据正常。历史（ever）逾期
：截止到观察点，只要用户曾经发生过逾期，不管观察点是否结清，都认为该笔借据处于逾期。每期账单当前(current)逾期天数
的推算逻辑是：如果观察日没到还款日，则当前逾期天数为0;
已到应还日，但未还清，则当前逾期天数=观察日-应还日；
到观察日已还，但实还日在观察日之后，则当前逾期天数=观察日-应还日；
4. 到观察日已还，实还日在观察日之前，则当前逾期天数即为0；
计算公式--当前逾期天数
ROUNDDOWN(number,num_digits)
Number 为需要向下舍入的任意实数。Num_digits 舍入后的数字的位数。
每期账单历史(ever)逾期天数
的推算逻辑是：如果观察日没到还款日，则历史逾期天数为0;
已到应还日，但未还清，即没有还款日期，则历史逾期天数=观察日-应还日；
到观察日已还，但实还日在观察日之后，则历史逾期天数=观察日-应还日；
到观察日已还，实还日在观察日之前，则
历史逾期天数=实还日-应还日；
计算公式--历史逾期天数
（三）逾期时段的划分
商业银行：按风险程度将贷款划分为五类：
正常、关注、次级、可疑、损失
，后三种为不良贷款。根据定义，贷款损失的概率超过30%，就会被定义为不良贷款。但是，很多金融机构都是以逾期天数来界定不良贷款的，比较通用的定义是超过90天，就会被划为不良贷款。行业通用：
M4，90+逾期，即为坏账/不良；
WO，180+逾期，即为核销。
计算公式--逾期时段
案例二、计算当前订单逾期天数、在贷余额，划分订单逾期时段，并计算资产分布（即期逾期率）
计算公式--是否结清、未结清本金
第一：计算订单逾期天数、在贷余额
订单逾期=MAX（账单逾期） 客户逾期=MAX（订单逾期）
金融量化风险管理在业务应用中更倾向将预估风险放大化，以减少实际风险带来的损失。
订单的
在贷余额
=每期账单逾期的剩余本金+尚未到还款日的剩余本金M0第二：计算逾期时段，每个逾期时段对应的贷款余额
第三：计算各类资产的分布和占比，
Coincident DPD（即期逾期率）案例三、资产质量分布报表
以现金贷场景为例：
分析：
1、滞后性：观察完整的资产质量分布报表，至少需要半年时间
2、
迁徙率
：就是处于某一逾期阶段的客户转移到下一逾期阶段的比例，通常用来预测不同逾期阶段的未来坏账损失，可以分为M0-M1、M1-M2、M2-M3、M3-M4...迁徙率。M0-M1迁徙率：本月M1未还本金/上月M0未还本金
M1-M2迁徙率：本月M2未还本金/上月M1未还本金
综合迁徙率:(M0-M1)*(M1-M2)*(M2-M3)*(M3-M4)......迁徙率
3、回冲（回收率）
M1的回收率
：上月M1未还本金-本月M1未还本金/上月M1未还本金回收率和迁徙率是高度相关的两个指标，比如本月M1的回收率较高，那么相应的M1-M2的迁徙率就会变低。
4、拨备：风险拨备即贷款损失准备金，主要是商业银行或者金融机构为了补偿未来可能发生的损失而提前做好的资金储备，一般在商业银行或者金融机构中属于成本项。
两个指标：
拨备覆盖率
=贷款损失准备金÷不良贷款余额
贷款拨备率
=贷款损失准备金÷贷款余额
四、Vintage
（一）为什么需要Vintage分析
以信用卡场景为例，衡量资产质量的主要指标有两个：
一是呆账余额/总体贷款余额；
二是2期以上拖欠的贷款余额/总体贷款余额（
早期预警指标
）。但如果信用卡资产处于快速扩张时，由于呆账的滞后性，呆账余额/总体贷款余额这一指标会低估呆账的风险。（分母在迅速扩大，但分子因为滞后性并没有相应扩大）
信用卡坏账的生命周期效应
：是指从信用卡开户，到产生坏账有一个过程，一般新开户的账户违约拖欠率比较低，但随着时间逐步升高，在12-18个月以后达到比较稳定的阶段。信用卡坏账的生命周期效应
解决滞后效应的方法就是
对不同时期开户的资产进行分别跟踪，按户龄/账龄长短进行同步对比。
账龄(month on book MOB)，指的是一笔贷款从放款到某个时间点过去了几个月，如果一笔贷款是2020.3月放款，到2020.10月的账龄就是7个月。
Vintage分析会按照每一笔借款所在的月份作为统计的基准，然后追踪这个放款月份里在贷资金在接下来几个月中，发生逾期的比率。
Vintage逾期率 = 第k个MOB月逾期X+的剩余本金 / 基准月放款额
对于
Vintage的解读
，我们大体可以归纳为以下几点：每个放款时期的贷款的坏账率发展轨迹，从中可以看出其生命周期效应，并观察一笔款项放出多久后坏账率能够稳定下来。
观测单根线增长趋势，前期增加以欺诈风险为主，后期增加主要为信用风险，结合指标能判断最终损失中欺诈与信用的大致占比。
对比不同时期放款、但处于同一账期（同一生命周期阶段）的贷款的坏账率，如果某一时期的坏账率比较高，那么管理人员可以从中发现问题，找出原因，进而调整风控策略。
不同年同组月份放款资产最终损失的差异，通过可以评判是否存在季节性。
观测已有数据的增长趋势，预估最终损失，并进行过程监控，提前预警。
五、计算FDP
（一）选择计算标的
首期逾期率是一个量化欺诈风险的指标，所以是以客户数作为计算标的。当一个客户对应多笔订单时，应选择客户第一笔订单代表客户行为。如果第一笔订单的同一天借了很多笔借款，那么客户第一次借款当天所有的订单共同代表客户的行为。
（二）首逾判断
如果只有一笔订单代表客户行为的客户，直接观测这笔订单首期到期之后历史是否逾期，若首期历史逾期则可定义为首逾客户。
如果有多笔订单代表客户行为的客户，需要所有选中的订单首期到期之后历史出现逾期才定义为首逾客户。有任意一笔正常还款，都不属于首逾客户。
（三）首逾计算
除了首期逾期率，还要考虑到期占比率，到期占比率解释的是对应首逾率的可信度。
举例，截至某一时间点，一共有1000个放款客户，其中过了首期还款日的客户有700个，发生首期逾期的客户是200个，那么
首期逾期率=200/700=0.2857， 到期占比率=700/1000=0.7
还可以通过增加时间维度进行细分观测，也有其他维度，如产品类型，期数等。
将这1000个客户划分到不同的
借款时间
段内，这样就能观测到不同时间段内首次借款的客户的首逾率的差异。一月
二月
三月
四月
放款客户 1000
100
250
300
350
过首期还款日700
50
150
200
300
首期逾期 200
0
50
70
80
首期逾期率
0.20
0.33
0.35
0.26
到期占比率
0.5
0.6
0.66
0.86
拓展：
SPD首二逾、TPD首三逾、QPD首四逾，即客户首次逾期发生在第几期，这个指标需要特别注意的就是这个“首”字，在计算首二逾的时候，要把首逾客户排除，因为在首逾中出现过的客户不可能在第二期又是首次逾期。同理，计算首三逾时要把首逾和首二逾的客户排除。
参考资料：
风控中有两大逾期率，其计算方式跟使用场景都不太一样，今天跟大家介绍这两大重要且基础的概念——两大逾期率，分别是：动态逾期率与静态逾期率。
一.什么是动态逾期率？
动态逾期率：即“即期逾期率“（DPD N+）的概念。其计算公式为：当前逾期N天以上资产的在贷余额/当前总在贷余额”
1.1.分子和分母计算的都是当前时间点的数值，所以新增贷款的金额会对这个“逾期率”产生影响。
1.2.特点是在新增放款很多时，逾期率会变低，因为新增放款的肯定还未发生逾期，因此增大了分母。
所以在一个产品刚上线、爆发式增长时候，动态池的逾期率都不会高。
二.什么是静态逾期率？
静态逾期率：即Vintage逾期率，是取特定一段时期（Vintage)的信贷资产放款金额作为分母，然后选取需要监控的账龄MOB（monthon book)，观察信贷资产在后续表现窗口MOB的逾期金额作为分子。
分母“放款金额”，是固定值！
在常规的信贷资产计算中，一般都是以静态逾期率来为主的。
静态逾期率：即Vintage逾期率
如何利用静态逾期率来确定资产质量？
答：曲线平缓后可以观察得到该月份放款客群对应的最终逾期占比。
在分析静态逾期率的时候，大家可以注意以下内容：
2.1.分析变化规律：
①如果前几期逾期率上升很快，随后风险暴露进入平稳期，说明短期风险捕捉能力较差，客群欺诈风险可能较高，需要优化欺诈检测系统。
②如果曲线一直在上升，说明信用风险识别能力较差，需要对策略和信用评估模型进行优化。
2.2.利用静态逾期率来建模
确定账户成熟期：确定用户风险暴露所需周期，从而定义建模样本的表现期。
2.3.利用静态逾期率来处理问题需要注意：
分析影响因素：放款月的不同会导致很多的因素不同，如风控策略收紧或放松、客群变化、市场环境、政策法规等都会影响资产质量。因此分析影响因素可以用来指导风控策略的调整，在未来市场环境或政策变动时有更好的应对方法。
关于逾期率更详细的干货内容，有兴趣的童鞋可回顾：
~原创文章
...
end
风控中有两大逾期率，其计算方式跟使用场景都不太一样，今天跟大家介绍这两大重要且基础的概念——两大逾期率，分别是：动态逾期率与静态逾期率。
一.什么是动态逾期率？
动态逾期率：即“即期逾期率“（DPD N+）的概念。其计算公式为：当前逾期N天以上资产的在贷余额/当前总在贷余额”
1.1.分子和分母计算的都是当前时间点的数值，所以新增贷款的金额会对这个“逾期率”产生影响。
1.2.特点是在新增放款很多时，逾期率会变低，因为新增放款的肯定还未发生逾期，因此增大了分母。
所以在一个产品刚上线、爆发式增长时候，动态池的逾期率都不会高。
二.什么是静态逾期率？
静态逾期率：即Vintage逾期率，是取特定一段时期（Vintage)的信贷资产放款金额作为分母，然后选取需要监控的账龄MOB（monthon book)，观察信贷资产在后续表现窗口MOB的逾期金额作为分子。
分母“放款金额”，是固定值！
在常规的信贷资产计算中，一般都是以静态逾期率来为主的。
静态逾期率：即Vintage逾期率
如何利用静态逾期率来确定资产质量？
答：曲线平缓后可以观察得到该月份放款客群对应的最终逾期占比。
在分析静态逾期率的时候，大家可以注意以下内容：
2.1.分析变化规律：
①如果前几期逾期率上升很快，随后风险暴露进入平稳期，说明短期风险捕捉能力较差，客群欺诈风险可能较高，需要优化欺诈检测系统。
②如果曲线一直在上升，说明信用风险识别能力较差，需要对策略和信用评估模型进行优化。
2.2.利用静态逾期率来建模
确定账户成熟期：确定用户风险暴露所需周期，从而定义建模样本的表现期。
2.3.利用静态逾期率来处理问题需要注意：
分析影响因素：放款月的不同会导致很多的因素不同，如风控策略收紧或放松、客群变化、市场环境、政策法规等都会影响资产质量。因此分析影响因素可以用来指导风控策略的调整，在未来市场环境或政策变动时有更好的应对方法。
关于逾期率更详细的干货内容，有兴趣的童鞋可回顾：
~原创文章
…
end
之前央行还发布了《2019年支付体系运行总体情况》，这份数据中显示，截止到去年年末，我国银行卡的授信总额达到了17.37万亿元，相比较而言上涨带来12.78%，银行卡的应偿信贷的余额为7.59万亿元，相比较也上涨了10.73%，关键的一项数据就是信用卡逾期问你安未尝信贷的总额达到了742.66亿元，这个数量确实是很大的，而且不良贷款率也在逐渐上升。
所以银行也只能通过一些收紧风控来降低损失，降额、限额、限制消费场景都会出现，目前有的用户额度是有较大下滑的，最严重的就是有个人的额度从10万元降到了0元。一些金融机构的专业人士也表示，现在只能收紧风控，这样才能够自保。而且不少银行的高管也在说，银行的信用卡逾期上升得比想象中的要厉害。
今年2月份，信用卡的逾期率就有了很大比列上升的趋势，而且最近一个月有的银行能够收到上千个延期申请，但是基本上是额度在10万元以下的用户，所以说还是小额度的信用卡用户受到了较大的影响。所以现在有的信用卡已经开始有限制了，单笔消费不能超过1000元，有些用户是不可以购买奢侈品的，而且信用卡的审批也在收紧，现在10个里面能过1个就不错了，现在申请的信用卡额度最多是5000-10000元。
为什么会有这样的情况发生呢？主要就是因为疫情，用户的还款能力以及意愿都在下降，不少人都是企业的业主，一些企业都开始申请破产了，还有一个因素是有的银行的催收产能在武汉，其中招商银行依旧40%的催收产能在武汉，所以催收也会受到影响。很多信用卡的销售人员都开始转型做催收工作了。当你出现短信提示、刷卡被限制、无临时额度以及分期被限制之后，就有可能会被降额或者限额了。
现在对于餐饮、运输、旅游等行业用户的信用卡审批是比较严格的，其实很多缝线都不是即时的反馈，都会有1到2个月的延迟，所以这也要有个清楚的认知和判断，不过进入3月份之后，不少银行的信用卡情况也出现了好转，从还款、交易数量上来看都已经趋于正常化了，有人说银行的信用卡降额潮要来了，显然有点悲观，我们国家的调控是相当及时的，而且整体的经济发展是很稳定健康的，并且现在还开始刺激消费了，也就说困难是暂时的，未来还是很美好的。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
随着疫情影响褪去，各家金融科技公司坏账率均有相当程度的下降，资产质量逐渐好转。
消金界曾分析过各大平台一季度资产质量情况（详情请点击《最新！360数科、趣店、乐信、信也科技、宜人金科疫情期间资产质量大揭秘》）。
那么，进入二季度以来，谁的资产质量反弹更加明显呢？
我们还是用数据说话，仍旧采用即期逾期率和Vintage逾期率这两大指标来说明各大平台的资产质量变化。
Vintage逾期率：计算逻辑是取特定一段时期（Vintage)的信贷资产放款金额作为分母，然后选取需要监控的某一账龄（month on book)。
这一指标，就是我们经常说的M1+、M2+等的信贷资产，观察其在后续固定表现窗口的逾期金额作为分子。
这两者的比值，即为某一账龄各固定表现窗口的Vintage逾期率。
该指标的优点在于，能够将纵向不同时期的信贷资产拉平到同一时期进行比较，进而评估不同时期某账龄的信贷资产质量。
举个例子，Vintage逾期率可以直观地表示出某金融机构2019Q3的M3、M4、M5、M6、M7逾期率。
打比方来讲，作用类似于财报中的利润表，是持续观察企业资产质量的摄像机。
即期逾期率：计算逻辑是取某一特定时间点（一般是月末或者是年末）的所有对外在贷余额作为分母，取该时点各账龄的逾期金额作为分子。
这两者的比值，即为某一账龄的逾期率。如取2018年12月31日的在贷余额为分母，取2018年12月31日逾期30天以上的账单金额为分子，两者的比值即为该时点30+逾期率。
比如截至2019年12月30日，逾期天数在15―30天的逾期率；逾期天数在31―60天的逾期率，作用类似于资产负债表，有点像记录企业某个节点资产质量的单反相机。
该指标的缺点是分母及时增加而分子具有滞后性，因此容易因分母变大而分子滞后，对逾期率指标低估，给人以信贷资产质量较优的假象。
蚂蚁集团
蚂蚁把零售信贷服务封装在“微贷科技”板块，其中包含了消费信贷（花呗、借呗）和小微经营者信贷产品。
蚂蚁集团在信贷服务中，大多数情况下充当的是撮合方。蚂蚁集团在向港交所提供的招股书中写道，截至2020年6月30日，平台促成的信贷余额中，由金融机构合作伙伴进行实际放款或已实现资产证券化的比例合计约为98%。
蚂蚁金服的贷款撮合量级可以称得上“业内巨无霸”。
招股书数据显示，截至2020年6月30日，平台促成的消费信贷余额为人民1.732万亿元。
这是什么概念？根据各种公开资料，整个中国的个人消费信贷余额还不到10万亿元。
此外，蚂蚁集团撮合的小微经营者信贷余额为0.422万亿元。
蚂蚁集团与约100家
银行
合作伙伴合作开展业务，包括全部政策性银行、大型商业银行、全部股份制商业银行以及部分城商行、农商行、在中国展业的外资银行
，同时也与信托
公司合作。（1）即期逾期率：
可以看到随着消费金融大环境波动，蚂蚁集团资产略有波动，但整体而言波动不大。截至2019年末，逾期达30天以上的资产也仅占总资产的1.56%。
具体到2020年，蚂蚁集团疫情期间资产质量呈现明显的下滑趋势，逾期率逐渐走高。不良率最
高峰
时甚至达到了D30+ 3%以上，是平均水平的两倍。进入2020年中，D30 + 逾期率增长幅度开始放缓，不过D90 + 逾期率仍旧在缓慢上升。
（2）Vintage逾期率：
从Vintage逾期率逾期率角度，疫情之后蚂蚁集团资产质量呈现出明显的好转。
2020年5月所发放的信贷资产，其M2+ 逾期率甚至不足0.3%，低于疫情之前逾期率。
整体来看，得益于数据和金融科技能力积淀，蚂蚁集团整个2020年资产质量表现稳定。各时间段资产不良率始终没有超过1%。
需要注意的是，监管已经盯上了蚂蚁集团庞大的助贷、联合贷款规模。根据多家媒体报道，“已经有部分城商行停止新增与第三方机构的联合贷款，特别是与蚂蚁集团的合作贷款。”
这是否会影响蚂蚁集团该类业务之后的发展，我们将持续观察这家巨头的资产表现。
京东数科
需要说明的是，在消费信贷领域京东数科有两款拳头产品，京东白条和京东金条，这里我们仅看下白条数据。
（1）即期逾期率：
根据8月31日北京京东世纪贸易有限公司披露的《2020年度东道3号京东白条第一期资产支持商业票据募集说明书》，截至2019年末，京东白条贷余增长至441.22亿元。
京东白条的不良情况控制得较为出色：不良率仅为0.57%，较2019年6月末上升0.1%，逾期率为1.93%，较2019年6月末上升0.36%，信用评分为Level1-Level4的用户总数占总用户的比重不低于90%。
根据北京京东世纪贸易有限公司所发行的多期白条资产支持票据信托资产运营报告来看，疫情期间京东白条资产质量同样稳定。
可以看到，除第三期资产运营报告中，白条D30+、D60+、D90+逾期率高于2%外，其余两期该数据均低于1%，表明白条资产质量并未受疫情过多影响。
维信金科
维信金科2020年消费金融业务的一大重要变化在于，压降了
信用卡
余额代偿数量。无论是交易数目、贷款实现量还是贷款余额来看，信用卡余额代偿产品量均同比减少，取而代之的是消费信贷产品（主要是撮合模式）增速很快。
在消费信贷产品中，维信金科主要采取和两大通讯公司合作模式来发放贷款。
中报显示，2020年上半年，维信金科与中国电信的合作，为中国265个不同城市的逾23万名中国电信用户提供了信贷额度，最终近50%的用户使用了维信金科的消费信贷产品，总贷款规模达人民币0.899亿元。
同期，维信金科与中国移动合作，为逾2.4万名中国移动用户提供总贷款规模达1.85亿元。
（1）即期逾期率：
从即期逾期率角度，疫情对于微信金科资产质量影响仍在持续。截至2020一季度，无论是首次付款逾期率、一至三个月逾期率、还是M3+逾期率，都高于疫情前平均水平。
而2020第二季度，除了首次付款逾期率有下降之外，一至三个月逾期率、还是M3+逾期率相较之前甚至有所提升。
（2）Vintage逾期率：
1、线上产品：
疫情对于维信金科资产质量影响很大，而且这种影响还在持续。
能够反映疫情期间资产质量的2019 Q3 M6在6%以上，明显高
于平
均水平。而能够反映疫情过后资产质量的 2019 Q3 M8也在8%左右，同样高于平均水平。2019 Q4 M5在3%左右，与其他时间段M5逾期相比表现得较高，表明这部分资产质量后期走势还需要审慎对待。2、线上至线下产品：
线下产品逾期情况不容乐观。
2018 Q4 M15 、2018 Q4 M18逾期率均在15%以上，高于平均水平，同样表示疫情对于维信金科资产质量的影响仍旧在持续。
51信用卡
51信用卡最大亮点在于，2020年上半年完全清退了P2P业务。
中报显示，2019年底，其P2P业务余额约为人民币56.3亿元，目前已全部清退。
2020年上半年，51信用卡信贷撮合业务的总量约为人民币15.21亿元，全部为与金融机构合作的业务，其中，信用卡持有人的信贷撮合量为约人民币14.35亿元，占2020年上半年总体撮合量约94.4%。
受新冠疫情以及P2P清退影响，51信用卡大幅降低了信货撮合业务的规模，并更加集中于服务信用卡持有人。
清退P2P后，51信用卡信贷撮合业务资金来源已经全部转化为机构资金。
和维信金科类似，疫情对于51信用卡信贷资产质量产生了较大影响。
（1）Vintage逾期率：
具体来说，51信用卡信贷撮合业务服务群体包括信用卡人群和非信用卡人群。
1、信用卡人群：
疫情对于信用卡人群资产质量产生了较大影响。2019 Q4 M3达9%，高于任何时间段资产M3逾期率。不过疫情影响在逐渐消散，2020 Q1 M2已经处于平均水平以下。
2、非信用卡人群：
疫情对于51信用卡非信用卡人群资产质量影响同样显著。
2019 Q4 M3 达12%、2019Q3 M4为15 %，均为同时间段资产M3、M4峰值。
不过2020 Q1 M2降低到平均水平，表示疫情影响正在消散。
玖富
玖富管理的循环贷款产品余额规模在逐年扩大。
截至2017年12月31日，2018年和2019年，未偿还贷款余额分别为457亿元人民币，520亿元人民币和760亿元人民币，年化利率在7%至16%之间。
循环贷款产品又分为线上产品和线下产品。
在线：用户可以利用玖富批准的信用额度在9F One Mall上购买商品。
线下：玖富与中国银联以及商业银行合作，提供虚拟信用解决方案，通过该解决方案，用户可以利用已批准的信用额度，对通过中国银联连接的商家进行离线付款。
与此同时，“非循环贷款产品”交易数量却在逐年压缩。
非循环贷款产品又称“定期贷款产品”，涵盖了房屋装修，教育，选择性医疗服务和消费电子产品等垂直领域。
非循环贷款产品的期限不超过48个月。在2017年，2018年和2019年，玖富平台分别产生了人142亿元，45亿元和人民币39亿元的非循环贷款产品，利率在6%-19%之间。
值得一提的是，自2019年12月起，玖富已经暂停与人保财险（PICC）在直接贷款计划下就新贷款的合作。
（1）即期逾期率：
从即期逾期率数据来看，玖富的逾期率逐年下降，截至2019年末，逾期15-30天、31-60天、61-90天、91-180天的数据均为各年份新低。
（2）Vintage逾期率：
从Vintage逾期率角度看，疫情对于玖富信贷资产影响不大。
2019 Q3 M5不足0.3%，为各时间段资产逾期率最低，2019 Q2 M8 同样最低。
这可能是因为玖富加大了商城构建力度，通过收集用户行为数据丰富了风控数据维度，使玖富能更容易地把控风险。
360数科
整体来看，360数科贷款总发放量为人民币589.05亿元，比2019年同期的人民币483.78亿元增长21.8％。
截至2020年6月30日，360数科未偿还贷款余额为784.80亿元，比截至2019年6月30日的612.89亿元增长28.0％。
从几个侧面可以看到，360数科资产质量表现不错。
首先二季度财报显示，平台服务内轻资本模式的贷款发放量为人民币146.16亿元，较上年增长由2019年同期的人民币38.23亿元增长282.3％；轻资本模式未偿还贷款余额为人民币18元，截至2020年6月30日为8.4亿，较2019年6月30日的人民币34.96亿元增长438.9％。
要想和银行以轻资本模式合作，需要金融机构资产质量过硬、逾期率持续走低。而360数科加速布局“轻资本模式”，侧面说明其资产水平逾期率表现稳定。
（1）即期逾期率：
截至2020年6月30日，360数科90-179天的违约比率为2.82％。而截至2020年3月31日，360数科90-179天的资产违约比率为2.17%，违约比例略有上升。说明疫情对于360数科资产质量确有一定影响。
不过随着疫情过去，360数科资产质量迎来回升。据首席风险官Yan Zheng表示，自5月中旬以来，D1违约率（第一天的违约率） 从第二季度末的约7.8％降至约6.2％，甚至低于疫情前的6.5％。
（2）Vintage逾期率：
从Vintage逾期率角度，2019 Q4 M8逾期率超过了5%，2019 Q3 M11超过了1.5%，同比还在高位，表明360数科还没有完全摆脱疫情对于资产质量的影响。
乐信
和360数科类似，乐信的Q2财报数据显示，乐信的助贷分润业务增速占比近30%，并表示年底这一比例将突破50%，资产质量表现保持稳定。
（1）即期逾期率：
从即期逾期率角度，乐信资产质量正在逐渐摆脱疫情影响。
FPD逾期率（首逾率）在8月20日下降至2.32%。
（2）Vintage逾期率：
从Vintage角度看，乐信2019 Q3 M4接近2.5%,为各时间段M4峰值；但2019 Q4 M3、2020 Q1 M3不良率仅仅处于平均水平，表示疫情对于乐信资产质量影响较为有限。
特别是2020 Q1 M2和2020 Q1 M3这两个时间段不良率趋同，表示疫情对于乐信资产质量的影响正在逐渐褪去。
宜人金科
总体来看， 宜人金科 2020年第二季度的贷款总额达到人民币24元（约合3亿美元），比2020年第一季度的人民币18亿元增长30.6％，而2019年第二季度为人民币97亿元。
宜人金科贷款渠道又分为线上贷款和线下贷款，2020年二季度线上贷款占总贷款量的25%。
（1）即期逾期率：
从即期逾期率角度来看，宜人金科资产质量正在逐渐摆脱疫情影响。
截至2020年6月30日，15-29天、30-59天、60-89天拖欠率，无论线上贷款还是线下贷款，和截至2020年3月31日拖欠率相比，均环比下降。
（2）Vintage逾期率：
从Vintage逾期率角度看出疫情对于宜人金科资产质量确有影响，比如2019 Q3 M7、2019 Q2 M10等时间段资产质量均为各时间段M7、M10峰值。
但2019 Q4 M4逾期率仅为0.3%，表示宜人金科正在逐渐摆脱疫情对于资产质量的冲击。
小结
头部平台，特别是蚂蚁集团、京东数科、360数科凭借其长期积累的用户数据和风控水平，资产质量表现稳定。
从整体上看，随着疫情影响逐渐消散，各家平台逾期率持续走低，随着民间借贷利率新规持续发酵，金融科技平台资产质量又会有怎样的表现，我们将持续关注。
此文为消金界原创稿件，未经允许谢绝转载，否则将追究
法律
责任。往期回顾
聚焦民间借贷利率上限调整：已有头部机构剔除24%以上客群
新蓝海？万亿不良市场催生这一职业，正在被金融机构认可
推文乱序显示，点击在看及时收到我们的文章
本文首发于微信公众号：消金界。文章内容属作者个人观点，不代表和讯网立场。投资者据此操作，风险请自担。
（责任编辑：董云龙 ）
1、逾期天数 DPD (Days Past Due)
自应还日次日起到实还日期间的日期数
举例：DPDN+表示逾期天数 >=N天，如DPD30+表逾期天数 >=30天的合同
2、逾期期数
自应还日次日起到实还日期间的日期数
举例：
正常资产用C表示
Mn表示逾期N期:M1逾期一期,M2逾期二期,M3逾期三期,M4逾期四期,M5逾期五期,M6逾期六期
Mn+表示逾期N期(含)以上，M7+表示逾期期数 >=M7
3、贷款余额 ENR
至某时点借款人尚未偿还的本金，即：全部剩余本金作为贷款余额
4、月均贷款余额 ANR
月均贷款余额 = (月初贷款余额 + 月末贷款余额)/2，月初贷款余额即上月月底贷款余额
5、C,M1,M2,M3…的贷款余额
根据逾期期数(C,M1,M2,M3…)，计算每条借款的当时的贷款余额
贷款余额 = 放款时合同额 –已还本金
已还本金 = (放款日次日 ~ T-1)的还款本金总额
6、核销金额
贷款逾期M7后经审核进行销帐，核销金额即在核销日期当天的贷款余额
7、回收金额 Recovery
来自历史所有已核销合同的全部实收金额
8、净坏账 NCL
当月新增核销金额 – 当月回收金额
9、在账月份 MOB
放款后的月份
举例：
MOB0,放款日至当月月底
MOB1,放款后第二个完整月份
MOB2,放款后第三个完整月份
10、(C->M1、M1->M2、M2->M3、M3->M4、M4->M5、M5->M6)滚动率 Flow rate
举例：
C-M1=当月进入M1的贷款余额/上月末C的贷款余额
M2-M3=当月进入M3的贷款余额/上月末M2的贷款余额
11、逾期率Coin(C)%、Coin(M1)%、Coin(M2)%、Coin(M3)%、Coin(M4)%、Coin(M5)%、Coin(M6)%
当月不同逾期期数的贷款余额/当月底总贷款余额
举例：
Coin(C)%=当月C贷款余额/当月底贷款余额(C-M6)
Coin(M1)%=当月M1贷款余额/当月底贷款余额(C-M6)
Coin(M1+)%=当月M1−M6贷款余额/当月底贷款余额(C-M6)
12、逾期率Lagged(M1)%、Lagged(M2)%、Lagged(M3)%、Lagged(M4)%、Lagged(M5)%、Lagged(M6)%
当月不同逾期期数的贷款余额/往前推N个月的总贷款余额
举例:
Lagged(M1)%=当月M1的贷款余额/上个月底的贷款余额(C~M6)
Lagged(M4)%=当月M4的贷款余额/往前推四期的总贷款余额
Lagged(M4+)%=当月M4的贷款余额/往前推四期的总贷款余额
+ 当月M5的贷款余额/往前推五期的总贷款余额
+ 当月M6的贷款余额/往前推六期的总贷款余额
13、账龄分析Vintage
统计每个月新增放款在之后各月的逾期情况
综合例子：
说明：
客户A所有月份正常还款，贷款余额逐步减少。
客户B在8月份未还款，进入M1，9月份未还款，进入M2，10月份还是未还款进入M3，月别贷款余额无变化。
客户C在9月份未还款，进入M1，10月分月还清所欠款，进入C。
客户D在9月份正常还款，10月份未还款，进入M1。
滚动率
1、8月C-->M1 ：8月进入M1的贷款余额 / 8月月初即7月月末C的贷款余额 30,000/80,000=37.5%。
2、9月C-->M1 ：9月进入M1的贷款余额 / 9月月初即8月月末C的贷款余额 30,000/120,000=25.0%。
9月M1-->M2 ：9月进入M2的贷款余额 /8月的M1的贷款余额 = 30,000/30,000=100%。
滚动率C-->M2
上月的C-->M1 * 当月的M1-->M2。
3、9月C-->M2 ：8月C-->M1 * 9月M1-->M2 = 37.5% * 100% = 37.5%。
逾期率Coin%
1、8月CoinM1 = 8月M1余额（30,000）/ 8月贷款余额（150,000）= 20.0%
2、9月的CoinM1=30,000/250,000=12%。
9月的CoinM2=30,000/250,000=12%。
3、10月份CoinM1=40,000/330,000=12.1%。
10月份CoinM2=0/330,000=0%。
10月份CoinM3=30,000/330,000=9.1%。
逾期率Lagged%
1、8月LaggedM1=8月统计逾期进入M1的贷款余额 / 上个月底的贷款余额（C~M6）=30,000/80,000=37.5%。
2、9月LaggedM1=9月统计逾期进入M1的贷款余额 / 上个月底的贷款余额（C~M6）=30,000/150,000=20.0%。
9月LaggedM2=9月统计逾期进入M2的贷款余额 / 上上个月底的贷款余额（C~M6）=30,000/80,000=37.5%。
3、10月LaggedM3=10月统计逾期进入M3的贷款余额 / 往前推3期的贷款余额（C~M6）=30,000/80,000=37.5%。
账龄分析Vintage
1、2015/07的放款合同金额为50,000+30,000=80,000；
mob1（2015/08）：客户B发生逾期但是不够M2;
mob2（2015/09）：客户B依然没有还款，进入M2，则账龄计入：30,000/80,000=37.5%
mob3（2015/10）：客户B依然没有还款，进入M3，账龄数据保持不变37.5%。
假设以后客户A依然正常还款，客户B没有偿还行为，则之后账龄保持37.5%不变。
2、2015/08的放款合同额为30,000+50,000=80,000；
mob1（2015/09）：客户C发生逾期但是不够M2;
mob2（2015/10）：客户C还清欠款，进入C，客户D发生逾期但是不够M2；
mob3（2015/11）：假设客户C未还款，则发生逾期但是不够M2，客户D继续欠款，则进入M2，账龄记入：40,000/80,000=50.0%；
mob4（2015/12）：假设客户C、D都未还款，则C进入M2，D进入M3，则账龄记入：60,000/80,000=75.0%；
mob5（2016/01）：假设客户C、D全部还清欠款，全部进入C，则账龄为0；
最后，推荐进一步阅读
互联网金融时代消费信贷评分建模与应用 (豆瓣)
应收账款 AR:
当期应收账款account receivable。
逾期天数 PDP：
逾期天数(days past due, DPD)代表已逾合同书约定的还款日的延滞天数，放款类型产品自还款日后第一天起计算。
逾期期数 bucket：
逾期期数bucket(直译：桶子)，在风险管理的专有名词中代表逾期期数，也有人将bucket解释为逾期月数。逾期1期成称M1，2期称为M2...以此类推。信用卡还款截止日与第一关账日之间虽然不计算逾期天数，但是bucket称为M0，即对本公司业务情况，借款日到第一个还款日之前，称为M0。
因为每个月天数不一定相同，所以各期长短也会不同，如2月逾期的用户，诺未及时还款，择28天之后bucket就会增加1期。
在衡量逾期时间的指标中，bucket是使用最为普遍的，主要原因是他简单易懂，但由于各期长度不尽相同，所以无法与PDP直接对应，所以在精准计算逾期长度的使用，应使用PDP而非bucket。
逾期阶段
：逾期阶段(stage)依bucket区别为前期(front end)，中期(middle range)，后期(hot core)，转呆账(write-off)。Stage的划分方式并无硬性规定，可依个公司的催收策略、呆账坏账策略和产品特性决定。一般情况下，M1为前期，M2~M3为中期，M4以上为后期等。
逾期天数，逾期期数，逾期阶段三个逾期指标可灵活使用。
即期指标 coincidental：
即期指标为计算延滞率时常用的两种方法之一，即以当期各bucket延滞金额除以当期应收款，其概念为分析当期应收帐款的质量结构。
由于不需要回溯历史数据,计算方式简便易懂,故使用普遍,一般公开信息所显示的延滞率,若无特别注明,皆是以coincidental概念计算的。
不过因期分母为当期应收账款(自然月)，所以起伏较大，对于资产质量的评量容易失真，尤其在应收款快速上升或者萎缩之时，对coincidental延滞率的解读要特别注意，避免被误导而做出错误决策。
18/01
18/02
18/03
18/04
18/05
18/06
18/07
18/08
AR
A00
B00
C00
D00
E00
F00
G00
H00
M1
A01
B01
C01
D01
E01
F01
G01
H01
M2
A02
B02
C02
D02
E02
F02
G02
H02
M3
A03
B03
C03
D03
E03
F03
G03
H03
M4
A04
B04
C04
D04
E04
F04
G04
H04
M5
A05
B05
C05
D05
E05
F05
G05
H05
M6
A06
B06
C06
D06
E06
F06
G06
H06
WO
A07
B07
C07
D07
E07
F07
G07
H07
·用途:了解当月资产质量结构
·优点:使用即时资料,计算简单
·缺点:易受AR起伏而影响风险评估
递延指标 lagged:
递延指标(lagged)是计算延滞率时常用的另一种方法。前面提到的即期指标的主要目的是解析当期资产结构，其分母一律定为当期应收账款，不过其分子实际上由之前的应收款所产生，为了回溯逾期起源，分母必须改为之前月份的应收款，如此比较合理。
比如说本月的M1金额，期源头为一个月之前的应收后账款，所以计算延滞率时，分子为本期M1金额，而分母应为一个月之前的应收帐款。这种递延的计算方式就是递延指标的概念。
一般而言，银行的风险管理单位较常使用lagged指针，期有点是可回溯逾期起源，不收业务起伏影响，叫能合理反映逾期状态。缺点就是需要历史数据，而使计算麻烦。
即期指标Coincidental与递延指标lagged这两种计算方式各有其优缺点，使用时机与解读方式也有不同，容易混淆。这里做一些说明。
上图中，分别有平稳期，扩充期和萎缩期。
平稳期：coincidental%与lagged%相差不大。
扩充期：由于应收款(AR)上升，分子(逾放)尚未反应，coincidental%易低估风险。
萎缩器：由于应收款(AR)下降，分子(逾放)尚未反应，coincidental%高低估风险。
在业务平稳期，各期应收账款起伏小，因此coincidental与lagged两种延滞率相差不大。但是如果业务开始激素扩充，此时应收款快速增加，而这些星座应收款的逾期不会立即体现，也就是说分母快速扩大而份子尚未反应，单子扩充期coincidental延滞率会被低估。如果因此认为延滞率下降而进一步放宽审核的话，就是非常危险的。
凡子，假设项目结束，产品进入萎缩器，此时由于应收款不断下降，而先前房贷客户的后续逾期任然发生，即分母缩小分子上升(或不变)，造成coincidental延滞率被高估。
所以若单纯想了解各月资产质量结构，可使用coincidental的概念计算延滞率，若想精准追溯源头的话，择应该使用lagged概念。通俗一点就是说，
资产使用
coincidental
，风控使用lagged
。
月底结算:
分析报表依结算日，可分为月底结算(month end)以及期末结束(cycle end)两种，month end报表主要在表达各月月底结算数据，适用于消防金融所有产品，尤其在跨产品列分析(多个产品包)，为实现资料切点一致，所以一般采用month end数据。
期末结算:
Cycle end表示期末结算，为信用卡特有的结算方式，因为信用卡客群庞大，作业出息相当耗时，许多银行会将其客户划分之不同账务周期(cycle)，因此信用卡产品下通常有多个关账日。
银行必须就各个cycle客户分别管理，尤其是账务及催收单位皆以cycle作为作业周期。IT单位必须留存各cycle关账后的所有数据，贷最后一个cycle结束后再将所有数据进行汇整，以利MIS进行当月cycle end相关分析。
重要风险指标
延滞率:
延滞率(delinquent%)的计算可分为coincidental及lagged两种方式，除了各bucket延滞率外，尚会观察特定bucket以上的延滞率，如“M2 + lagged%”、“M3+lagged%”等。
以“M2 + lagged%”为例，分母为两个月前应收账款，分子为本月M2(含)以上尚未转呆账的逾期金额。
在消费金融风险管理上，M2以M4为两个重要的观测点，原因是客户可能因为一时忙碌或疏忽造成逾期，但诺经理M1催收仍继续落入M2以上，几乎可确认为物理缴款或者蓄意拖欠，另外依据经验，客户一旦落入M4，时候转呆账几率极高，因此“M3+lagged%”也是另一种观测重点。当然可根据产品实际情况，特性与经济背景做出相应调整。
不良率：
不良率(bad%)的应用除了一般的风险分析外，信用评分模型的建置也需要实现确定bad定义。所谓“bad account”可解释为“非目标客群”，与逾期客户(delinquent account)相较，其涵盖范围更广。一般bad的定义除了逾期户外，可能还包含格式债务协议以及高风险控制管户等。
Delinquent%纯粹以账务逾期天数为计算基础，而bad%择跳脱于此，很多时候比delinquent%更能反映客户的风险本质。因此在双卡风暴后，bad%的应用越来越普遍。
转呆账率:
转呆账率(WO%)为write-off的简写，假设某一产品的转呆账是点为M6转入M7，其WO lagged%的计算方式为当月转呆账金额除以
7
个月前
的应收账款通常WO%会进一步做年化(annualized)账处理，其原因有二：一是单月数据较易收到各种因素影响(如单笔大额转呆账)，起伏较大，而年华有移动平均效果，可减缓单月特色因素干扰所带来的起伏。另一原因为经过年化之后，月转呆账率转化为年损率，方便与产品年利率进行比较参考。
用途：换算年呆账率可与年利率对应
优点：移动平均，不收偶发波动影响
缺点：需要历史数据支撑且运算复杂
净损失率:
净损失率(NCL)为net credit loss的缩写，其定义为当期转呆账金额减去当期呆账回收，亦即为净损概念。就整体风险管理绩效观点来看,呆账后回收亦为以重要一环,所以NCL%与WO%常常一并显示。
NCL%的计算方式与WO%一样，只不过分子的部分由write-off金额改为NCL。而NCL%的观察也是年华形态的为主，即annualized NCL lagged%为主，虽然计算繁复名但是更具有参考价值。
累计WO%:
累计WO%多用于贷放型产品，主要目的为观察期满客户的累计损失率，计算样本为已届满总期数后的N期客户。其计算公式：
其中：K表示总期数，N表示转呆账所需期数。最后一期应缴金额若延滞，经过N个月后才会转列呆账。
累计WO%计算完成后必须经过年化转换才较易解读，其优点为可精确计算改产品整个生命周期借宿后的市级损失率。而期缺点为采用样本为届满总期数再加转呆账所需期数后的客户，等待时间过久，无法借以实时修正风险管理方向。所以此指针在中长期贷放产品中较少使用。
审核金额/件数:
审核金额/件数的功能主要在监视审核人员的作业绩效以及工作压力。与此二指标相关性很高的为进件金额/件数。进件量为业务方便关心的重点，而风险管理单位择比较关心审核量，若案件过多，应尽快调整人力支援。
核准金额/件数:
核准案件量为监视授信以及审核尺度的重要观测值之一，常配合核准率，拨贷率与延滞率等指标一起进行中和判断。若核准量持续增加，应注意审核质量。反之，若核准案件减少时，亦应监视授信政策或审核人员是否有过度紧缩的状况。
拨贷金额/件数:
拨贷量的多少直接影响收账款水平，当拨贷速度成长时，风险管理人员除必密切监控新增资产质量并随时调整政策，也须考虑贷后管理的各项预算。
金额核准率/件数核准率:
常见核准率的计算方式有两种。
1：分母为当月进件量，分子为当月核准率，目的为观察进件之后的核准状况，业务单位较偏爱此方式，期缺点在于若进件日期接近月底，或为了等候客户补足文件而递延至次月，则会发生少许偏差。
比如说某笔订单在3月月底录入，四月初审核且通过，那么他会出现在3月份的分母中，和4月的分子中，从而导致3,4月数据与实际数据会有误差，另外关于取消申请，复活申请等特殊操作，也会对其造成误差，所以应该在4月底计算3月的数据。但若业务量大也可事实监控，因为这并非一个重要风控指标。
2：另一种计算方式，分母为当月核准件+拒绝件（即其他原因取消的订单不计算在内），分子为单月核准量，目的为观察核审案件的准驳状况，风险管理单位偏爱此方式，不管案件进件日期，完全以审核日为准，焦点集中于审核的结果。
这两种计算方式出发点不同，使用目的及解读方式也不同，所以统计的时候需要注明以免混淆。
若以计算使用的变量来看，贷放型产品的核准率也可以分为金额核准率与件数核准率。审核人员基于风险考虑，实际核准额度可能低于客户申请额度，因此通常金额核准率会略低于件数核准率。当两者差距过大时，应了解是风险管理人员的尺度过紧还是业务人员未与客户沟通好，是的客户对于核贷额度有过高的期望。
另外，贷放型产品设计利率，期数以及额度等多项因素，所以常会往下细分。
违例核准率:
违例核准率(deviation%)的计算方式为 违例核准案件/核准+拒绝案件。为保持授信政策弹性，银行可允许部分案件以加注为例理由码(deviation code)的方式特例核准，一般限定在总审核量的10%~20%。
Deviation%主要用来观察第一线征审人员的审核标准与授信政策之间是否存在差异。若deviation%较低，表示审核与授信政策看法一致，反之，若deviation%逼近限定值，则表示双卡看法出现分歧。至于哪一方正确，或双方皆需修正，则必须做进一步追踪分析。
偶尔会有业务单位人员将违例核准误认为是给予业务人员的一种“福利”，进而希望征审单位尽量将deviation%提高至限定值。风险管理人员应对业务人员传达违例核准的原因与正确的使用观念，以减少误会发生。
拨贷率:
拨贷率的计算方式为 拨款金额/核准金额。贷放暗箭经核准后，必须拨贷动作完成，申请人放为银行正式用户，在此之前客户仍可能因为银行给予的利率，期数或额度等条件不满意而取消申请。因此，从拨贷率可推车核拨条件与客户期望的落差。
核拨率:
核拨率的定义为核准率*拨款率，其用意为观察案件由进件审查到正式核拨通过的比率。若核拨率偏低，表示进件客户群与风险管理政策有悖离现象，及有了客户最后成功拨款的几率却不高，此时业务及风险管理单位应共同研究客群定位或授信条件是否合适，入发现问题，应尽快进行调整。
各类占率:
此处所指的占率泛指各种唯独下的户数、进件、拨款、余额等占有率。其主要的功能为结构分析，常与核准率及延滞率搭配使用。观察重点为资产结构是否在逐步改善中，若发现其反向发展，则应修正前段营销及授信方向。
负载比:
负债比(debit burden ratio,DBR)是测量客户还款压力的常用指标，目前对于DBR的规范为：金融机构对于负债人再全体金融机构的无担保债务归户后的总余额(包括信用卡、陷阱卡及信用卡贷款)除以平均月收入，不宜超过22倍。为避免贷放浮滥，银行对于月收入应谨慎认定。
月负比:
月负比为另一种衡量还款压力的指标，其计算方式为：
与DBR最大的不同在于分子改用每月基本支出，但由于分子各项变量皆是估推而来，因此本指标值适合用于辅助参考。
贷后N个月delinquent%:
由于传统的vintage报表较为庞大，不易与其他指针于同一报表中搭配展示，因此有时会将其中几个重要观察点的数字取出(如贷后6个月及12个月delinquent%)置于综合分析报表中。
在delinqent%的选择上可依产品特性而定，为了稳定性考虑，一般建议采用M2+lagged%，但若遇贷后延滞反应较慢的产品，则定为“M1+lagged%”。
平均额度:
平均额度常搭配不同维度加以分析，主要在观察不同产品及族群间额度的差异，若发觉与原先设想不同，则须进一步衍生性分析，以了解背后起因，必要时研拟风险政策的修正计划。
风险等级%:
风险等级(risk grade)早期多以主观设定条件的方式拟定(rule base)，近年由于评分模型普及，越来越多的银行采用信用评分来规划客户风险等级(score base)。本指标是定制授信政策的重要依据，无论是进件审核，贷后管理还是催收作业都是其应用的范围。
恶意延滞率:
恶意延滞率(non-starter%)的原始定义为“贷后从未缴款客户”，主要目的为找出恶性欺诈的案件。为了辨识潜伏期较长的欺诈案件，银行多会各自订定广义的non-Starter，例如贷放6个月出现连续三期未缴。
比较特别的是。Non-Starter%不论高低，由于事涉欺诈，主要有发生，风险管理人员必须逐笔调查，而MIS部门亦需协助由数据库中进行基本数据及交易记录等的交叉比对，找出可能与改案件有关联的线索。
授权核准率:
授权(authorization)为信用卡特有的业务，基本上信用卡交易皆通过授权系统或授权人员的检核才能成立，否则遇无授权请款，发卡银行可对正义账款执行扣款程序。
信用卡的每一笔授权皆可视为一笔小型房贷，不同的是再核卡之初已预先给予客户额度，交易经系统或授权人员检视，若未发现重大异常状况，额度内交易应予核准，为维护交易顺畅，授权核准率不宜过低。
命中率:
命中率(hit%)常被适用于信用卡的中途授信及早期预警报表中，在贷后管理中若发现客户出现异常状况，风险管理人员将依严重程度对信用卡进行各种暂时性管理，待情况理清之后再回恢复。
所谓命中率意指控管后一定期间内客户发生延滞的几率。命中率过低可能表示控管过于浮滥或风险判断方向有误，反之，若提高命中率而缩减控管量，则会有许多漏网之鱼。过与不及皆不恰当，相关部门应向命中率明显偏高或偏低的风险管理人员了解案件。
可用余额:
可用余额(open to buy，OTB)常与命中率指标一同出现，皆为中途授信及早期预警的绩效指标。其计算方式为先早出正式控管命中的客户，再汇整这些客户遭管控时信用卡的可用余额，此数字可视为银行因控管而减少损失。也就是说OTB越高，表示阻止了越多逾期金额的发生。
欺诈损失率:
欺诈损失率的计算方式为 欺诈损失金额/签账金额，期功能为观察信用卡签账金额中，发生欺诈状况并造成损失的比率，可作为欺诈防制人员的绩效指标。在各项欺诈风险中，调查较为困难的是伪卡(counterfeit)交易，原因是此类欺诈多为集团式犯罪，且作案地点不限于台湾省，追查不易。所幸芯片卡普及之后，此类防醉率已经很少了。
递延率:
递延率(flow through%)为催收单位最常使用绩效指标，其目的为观察前期逾期金额经过催理之后，仍未缴款而于次期继续落入下一bucket的几率。
在实务上flow through%有多种分类，最基本的计算概念如下图：
用途：了解各bucket未回收的比率
优点：简单易懂，便于掌握催收绩效
缺点：易受账务回冲及逆选择影响
传统flow through%的计算简单易懂，不过较让人诟病的确定为未考虑回冲问题，由于客户交款后，剩余账款将回冲至前端bucket，造成flow through%失真。为实现更精密的绩效评量，flow through%衍生出多种计算方式。如下图：
前面提到flow through%除了有回冲问题，另外会产生催理排序的逆向选择（见下图）。由于各bucket的催收人员只需要将其负责的区域的金额催回，剩余账款可全书回冲至前一bucket，为了追求flow through绩效，催收人员会优先处理易收回的小额案件，大额逾期案件的优先级反而被拍到的后面，此状况将使风险较高的案件一路向下跌落。
假设有一M2催收员负责A,B,C 3位客户，3人的总欠款金额各位10万元，处于M2阶段的金额分别2500,5000及8000，由于客户C的逾期情况最为严重，期风险比另外两个人高，理论上应优先催收。
在flow through%的制度设计下，若要得到20w的绩效，对A客户催回5000即可，对B客户催回10000，而C客户需要催回150000。以催收人员的立场自然选择A客户开始优先处理，导致C客户被排到最后，从而出现了崔理排序的逆向选择。
Flow through%为量测单一bucket的递延率，若要了解某一逾期区间的整体催收绩效的话，则可采用累积递延率(accumulate flow through%)，其计算方式为特定区间各bucket的flow through%相乘。也就是说flow through%为单一bucket的绩效衡量指标，而accumulate flow through%则是多个bucket阶段的组合绩效指针。通常情况下两种指标可以一起显示。accumulate flow through%计算方式如下：
M1->M3 accumulate flow through% = f1 x f2
M1->M4 accumulate flow through% = f1 x f2 x f3
实收金额:
实收金额是指催收人员实际回收的金额，由于一味追求flow through绩效，将造成催收人员优先处理金额较小的案件，导致实收金额减少，因此常以实收金额搭配flow through%，双指标并行。
一般而言，前段逾期客户延迟缴款的原因有很多，的确可考虑从较容易的案件优先处理，到了后端逾期，催收的重要任务为阻止逾期款转入呆账，因此越到后端的催收越重视实收金额的绩效。
呆账回收率:
转列呆账后回收的工作可分别由银行内部及委外催收人员分别管理，依计算的时间范围，呆账回收率又可分别为一下几个类别：
本期呆账回收率 = 本期呆账回收 / 本期转呆账金额
本期总呆账回收率 = 本期呆账回收 / 前期呆账总余额
本年呆账回收率 = 本年度呆账总回收金额 / 本年度平均呆账余额
近12期呆账回收率= 近12期呆账回收总金额 / 近12期平均呆账余额
转呆账后12期回收率 = 转呆账后12期总回收金额 / 转呆账后12期平均呆账余额
单一指标分析:
单一指标分析的使用实际是以多位变量围绕单一指针值的讨论，例如欲分析各种族群的资产质量时，可能采用年龄，性别，学历，地区等维度，而选择以“M2 + lagged%”或“M4 + lagged%”为衡量指标，其优点为在多种维度分群下，使用单一指标较易阅读及聚焦。如下：
综合指标分析:
许多时候，单一指标可能无法展现问题的全貌，可以将相关指标一起列出以避免信息不全面而导致错误判断。例如核准率经常与延滞率搭配使用,近件数与占件率搭配使用。综合指针分析可以提供较全面的信息，其缺点为分析维度增多，报表变得复杂而不容易阅读。
账龄分析:
账龄分析(aging analysis)的目的在于，显示各bucket至观察点为止的延滞率。其主要特色为结算终点一致，也就是说，样本客户的核贷日期也许分散于各月份，但皆于同一时点合并计算逾期比率。
举例来说，有一信贷产品上线已经12个月，期客户往来期间，一律加入计算，此方式计算简易反映了但是账面的预期比率，不过因其仅切齐尾端，样本中包括各个时期核准的案件，未必能完全显示真实风险。
由于距离现今过久的案件的背景可能已经改变，而近期新增贷放逾期小樱尚未发酵，为修正上述缺点，可设定样本进件起迄时间，如今6~24个月进件者方纳入计算。如典型的aging analysis。
Vintage analysis:
Vintage analysis的目的是以账龄（month on book，MOB）为主轴，分析核拨后各往来期间的逾期状况，也就是说用来观察贷后N个月的逾期比率，由于核贷后逾放尚需一段时间后才会吕旭出现，因此N多从6开始计算。
Vintage analysis的主要特色为以往来月数取代绩效月份，探讨的重点为案件逾放反应时间的恶化程度。以MOB=6的M1 lagged%为例，其分母为所有客户MOB=5SH时的贷后余额，而份子为这些用户MOB=6的金额。亦即计算所有客户贷后6期的平均M1 lagged%。如下表：
为了对不同期数的产品进行比较，有时会将横轴的账龄改为贷放进程，所谓的贷放进程为 已进行期数总期数
，借以将不同期数的产品标准化，如下表：
除了上诉使用方法外，vintage analysis尚可用于分析各时期的进件后续质量，观察进件质量是否收到季节性或其他因素音响。如下表：
大家经常会接触到一些金融机构公开的资产数据，其中公示的逾期率，若无特别注明，均是以即期概念来计算的，也叫Coincident DPD。
其实除了经常抛头露面的Coincident DPD，逾期率中还有一位成员非常低调，犹如“扫地僧“一般，“事了拂衣去,深藏功与名”。他叫递延逾期率，Lagged DPD。
在帮助我们直观的去量化风险的过程中，两者各有千秋，今天咱们来详细观摩下它们各自的武林绝学。
1
Coincident DPD
Coincident DPD 计算口径为：当前逾期资产的在贷余额/当前总在贷余额。
主要描述的是当前所有资产中，逾期资产的占比，很好的体现了当前应收账款的质量结构。
当然即期逾期率有很多变种，常用的有：
Coincident DPDX+ ：当前逾期资产的在贷余额/当前总在贷余额
Coincident DPD30+ ：当前逾期30天以上资产的在贷余额/当前总在贷余额
Coincident DPD90+ ：当前逾期90天以上资产的在贷余额/当前总在贷余额
.......
因为整个指标系的计算中，分母均是当前总在贷余额。然而在一些特定的业务场景中，分母会起伏较大，使用该指标系对资产质量进行评估容易失真，所以对即期逾期率的解读要特别小心，避免被误导而做出错误决策。
假设是每个月月末进行该指标的计算，我们把分母做拆解：
当前总在贷余额=当月新增放款额+历史月份放款资产在当月末的余额
我们看到了一个跟业务节奏很贴合的因子，而且反应度很灵敏，就是当月新增放款额。
当月新增放款额是会随着业务决策快速变化的一个指标，在业务极速扩充的时候，分母中这个因子快速增大；但是这部分资产不会在短期内发生逾期，也就是说分子尚未反应。所以 Coincident DPD 将会低估风险，而如果因为此时即期指标下降而进一步放宽策略是相当危险的。
反之，一波提量结束后，月度业务量进入下降期，由于总的在贷余额不断下降，分母萎缩，而之前放款客户后续逾期陆续表现，分子上升，会造成即期指标高估风险。
2
Lagged DPD
即期逾期率主要目的是为了解析当前的资产结构，其分母为当前总在贷余额，但是其分子实际上是由之前的放款资产所产生，为了回溯起源，将分母改为之前月份的应收账款，就是递延的概念。
举例，当月月末的M1资产，其源头是1个月前的总在贷余额，也就是上个月的总在贷余额，将源头作为分母，这就是递延逾期率。依此类推，当月月末的M2资产，其源头是2个月前的总在贷余额......
Lagged DPD 计算口径为：当前逾期资产的在贷余额/回溯其产生月份末的总在贷余额。
递延指标中，常用的有：
Lagged DPD M1 ：当月月末的M1资产/上个月末的总在贷余额
Lagged DPD M2 ：当月月末的M2资产/上二个月末的总在贷余额
Lagged DPD M3 ：当月月末的M3资产/上三个月末的总在贷余额
.......
一般的风险部门内部经常使用 Lagged DPD 指标，其优点是可回溯起源，不受业务起伏影响，能较合理的反应逾期状态，但是计算比较麻烦。
3
小结
Coincident DPD 与 Lagged DPD 两种计算方式各有所长，使用场景和解读方法也有所差异。若想直观的了解各月的资产质量结构，可使用即期指标来观测，但是若想精准溯及源头，建议采用递延指标。
关注“金科应用研院”，回复“ZH”领取风控资料合集
进入知乎
知乎 - 有问题，就会有答案
系统监测到您的网络环境存在异常风险，为保证您的正常访问，请输入验证码进行验证。
开始验证
原标题：如何定义逾期率，以及合理看待相关指标
第一部分：为什么我们需要度量风险？
公司不同的角色有不同的需求。
1.对管理层来说，通过量化的方法了解公司的资产质量以及对未来趋势的预测，避免做出盲目决策。
2.对公司风险决策层来说，了解公司风险运营质量，以及各个部门的运营指标，可以确定风险后续的操作。
3.对基层风险分析师来说，（1）根据目标变量进行风险策略分析；（2）确定目标变量后可以做评分卡；（3）可以帮助公司管理层和决策层做风险报表。
目前行业的做法，在监管要求下，巴塞尔3协议中对违约的定义是超过90天的逾期。
之所以定为90天，是因为对大多数的信贷资产来说，当到了90天的逾期后，这部分资产变成坏账的可能性已经超过70%。
对于长期评分或者征信局评分（比如小白信用分、芝麻信用分、央行征信报告数字解读）的核心需求是分数需要很稳定，这种情况选择目标变量时需要清晰定义用户行为，因此通常选择6个月的逾期，也就是180天的DPD。（DPD指：逾期了多少天）
在企业内部通常会定制评分，定制评分是为了满足风险控制的目标而做的模型和策略分析。
为什么标注m1的旁边还标注了C，主要原因是m是自然月的概念，但对于信用卡或者其他还款周期较长的贷款产品，有时也会根据预期的账单周期来定义逾期，而每个月账单日和自然月又不完全一致。
第二部分，风险报表里，逾期率如何定义？
定义逾期率有两个大类口径：分别是人数的逾期率和金额的逾期率。
金额通常和收益率挂钩，而在数据风控领域，是基于大数据做风险决策。所以看人数逾期率，从感觉上更符合逻辑。
使用金额逾期率需要注意，业务量较小的时候，金额逾期率的数字可能会被几个特别大的金额污染，所以每次计算金额逾期率的时候，需要对金额本身的分母特别了解，在某些极端情况下要剔除值很大的样本，保证得到相对准确的数据。
通过金额逾期率和人数逾期率的比较也可以得到很多额外信息。比如金额逾期率大于人数逾期率时，就说明额度策略没有做好；当人数逾期率大于金额逾期率，说明额度策略做的不错，原因是额度比较高的客户逾期率较低。
逾期率的定义有两类：第一类vintage指标，有些书上也叫递延指标。这类指标用在授信风险管理里的监控、建模以及预测资产变化趋势。这种口径下，逾期率的分母包含一个时间段内所有放款的金额或者人数，分子是在这段时间段内对应的资产在一个固定表现窗内的逾期金额或者人数。
举例：“宜人贷财报中，关于逾期90天以上借款的累计净坏账率：截至2017年12月31日，2015年促成所有借款的累计净坏账率为9.3%”，这个指标就接近vintage指标。
严格的来说，当我们定义vintage指标的时候，对于不同申请日期或者不同放款日期的资产，要有相同的performance window也就是常说的表现窗，这样定义出来的vintage指标才具有更好纵向比较的性能。因为vintage 指标主要用在不同时期内放款资产的质量。
除了vintage这一类逾期率，还有一类逾期率叫资产质量指标，有些书上也叫即期指标，这类指标主要用在财务报表和循环类授信组合风险管理上，分母主要是当前所有应收账款，分子一般是处于某个固定逾期阶段的应收金额或者人数。
举例，“2017年，宜人贷净收入55.43亿人民币，净利润13.72亿人民币，截至2017年12月31日，平台逾期15-29天、30-59天、60-89天借款的逾期率分别为0.8%，0.9%和0.7%。”，从表象看，这里的逾期率更像资产质量指标，0.8%的分母是指截至2017年12月31日宜人贷拥有的所有信贷资产，分子是处于15-29天的逾期规模。
和vintage指标不同，资产质量指标最大特点是选取一个时间截面所有的在贷资产，也就是应收账款来计算。这里不管分子、分母，每一笔资产截止计算时间点所对应的的表现窗都不一样，同时资产质量指标里有一个最大的特点是，已结清的资产是不会出现在资产质量指标的分子或者分母里，但是已经结清的资产是很有可能出现在vintage 指标的分母里。
第三部分：在进行风险策略分析和建模的时候，目标变量是如何定义的？
上面的风险报表分析是是针对一个群体。但在建模时，我们的目标变量是针对每一个个体，此时定义目标变量有3个维度需要考虑：类型、程度、样本。
1在建模过程中，因变量通常有，连续型、序数型、二元型。
2在选择样本时要保证所有的样本有相同的表现窗。
定义目标变量有3个原则：（1）永远要满足业务目标；（2）保证定义的行为是精准的；（3）保证样本质量和y的样本数量、比例。
最后，张岩老师针对生存分析在评分卡领域的应用也做了补充讲解。
返回搜狐，查看更多
责任编辑：
一、风险管理中常用术语
要想深入了解消费金融业务，对于业务中常提到的风险常用指标，必须深刻地理解和准确地使用。行业内常用的指标及解释说明如下：
1. 五级分类
根据内在风险程度将商业贷款划分为正常、关注、次级、可疑、损失五类。这种分类方法是银行主要依据借款人的还款能力，确定贷款遭受损失的风险程度来划分的，后三种为不良贷款。
正常：借款人能够履行合同，一直能正常还本付息，不存在任何影响贷款本息及时全额偿还的消极因素，贷款损失的概率为 0。
关注：尽管借款人有能力偿还贷款本息，但可能存在对偿还产生不利影响的因素，贷款损失的概率不会超过 5%。
次级：借款人的还款能力出现明显问题，需要通过处分资产或对外融资乃至执行抵押担保来还款付息。贷款损失的概率在 30%-50%。
可疑：借款人无法足额偿还贷款本息，即使执行抵押或担保，肯定也要造成一部分损失。贷款损失的概率在 50%-75%之间。
损失：借款人已无偿还本息的可能，无论采取何种措施和履行何种程序，贷款都注定要损失。其贷款损失的概率在 75%-100%。
2. 逾期天数（Days Past Due,DPD）
与合同中约定应还款日相比用户延滞天数，一般从应还款日后第一天开始计算逾期天数。比如用户应还款日是 3 月 20 日，到 3 月 21 日仍未还款，那代表用户逾期天数 1 天，使用 DPD1 表示。DPD30+代表逾期天数≥30天。
3. 逾期期数（Bucket）
也称为逾期月数，正常贷款用 C 表示，Mn代表逾期 N 期，Mn+表示逾期 N 期以上。
M1 代表逾期 1 天-30 天
M2 代表逾期 31 天-60 天
M3 代表逾期 61 天-90 天
M4 代表逾期 91 天-120 天
M5 代表逾期 121 天-150 天
M6 代表逾期 151 天-180 天
M7 代表逾期 181 天以上。
根据逾期期数一般区分为前期，中期，后期，转呆账四个阶段。一般将 M1 列为前期，M2~M3 列为中期，M4 以上列为后期。
4. 期末贷款余额（Ending Net Receivable,ENR）
截止到该期期末剩余未还本金。
5. 期初贷款余额（Beginning Net Receivable,BNR）
截止到该期期初剩余未还本金。
6. 月均贷款余额（Average Net Receivable,ANR）
该期平均剩余未还本金，计算公式是：
月均贷款余额=（月初贷款余额+月末贷款余额）/ 2
7. 逾期率
指某一时刻逾期贷款余额占总体贷款余额的比例，是用来衡量贷款拖欠程度的一个指标。目前行业内主要有两种方法来统计分析，分别是即期逾期率和递延逾期率。
即期逾期率（coincident）计算公式是：
即期逾期率=当期各逾期期数的贷款本金余额/当期贷款总本金余额
用于分析当期的逾期情况。优点是：计算简单；缺点是：起伏较大，容易失真，特别是当期所有应收账款快速上升或萎缩时。
递延逾期率（lagged）计算公式是：
递延逾期率=当期各逾期期数的贷款本金余额/回溯到贷款发放时期对应的贷款本金余额
8. Vintage 指标
核心思想是对不同时期的开户的资产进行分别跟踪，按照账龄的长短进行同步对比，从而了解不同时期开户用户的资产质量情况。
能够将纵向不同时期的信贷资产拉平到同一时期进行比较，进而评估不同时期某账龄的信贷资产管理。一般有两种计算口径：
Vintage 指标=当期各逾期期数的贷款本金余额/回溯到贷款发放时期数对应的贷款本金余额
Vintage 指标=当期各逾期期数的贷款本金余额/回溯到贷款发放期对应的放款本金
其中常用的是第二种口径。
9. 账龄（month of book,MOB）
代表从贷款发放至今经历了多少个月，MOB0 代表放款日至当月月底，MOB1 代表放款后第二个完整月份，MOB2 代表放款后第三个完整月份。
10. 截面不良率
不同的公司定义不良贷款有较大差距，有将逾期 M3+视为不良贷款，有将 M6+视为不良贷款。计算公式是：
截面不良率=不良贷款本金余额/当前贷款总本金余额
计算某一时点整体业务不良率。
11. 财务不良率
即年化不良率，是以余额为基础进行计算，精确的计算公式是：
年化不良率=年累计不良贷款金额/年日均余额
年日均余额=每日贷款余额之和/365
粗略的估计方法是使用 vintage 不良率来估算，计算公式是：
年化不良率=vintage 不良率*贷款资金年周转次数
贷款周转次数=360/加权平均借款天数
12. 转呆账率（Write-off%,WO%）
通常逾期 6 期以上（M7）转呆账。假设某产品转呆账时间点为逾期 M6 转入逾期 M7 时，则转呆账率计算公式是：
转呆账率=当期转呆账本金余额/7 个月前贷款本金余额
13. 净损失率（Net Credit Loss%,NCL%）
NCL%的计算方式与 WO%一样，只是分子部分由当期转呆账金额改为（当期转呆账金额-当期呆账回收金额），计算公式是：
净损失率=（当期转呆账本金余额-当期呆账回收金额）/7 个月前贷款本金余额
14. xPDy
表示客户第一次出现逾期 y 天的期数，x 指期数，y 指逾期天数。
x 为 F、S、T、Q 分别代表第一期、第二期、第三期、第四期，后面期数会用数字表示。
FPD10 表示第一期首次逾期≥10天，SPD30第二期首次出现逾期≥30天。如果一个客户身上有FPD30的标记，必然有FPD7等小于30的标记。
15. 负债比（debit burden ratio,DBR）
债务人在全体金融机构的无担保债务归户后的总余额（包括借记卡、贷记卡及信用贷款）除以平均月收入，不宜超过 22 倍。
16. 迁移率（flow rate）
观察前期逾期金额经过催收后，仍未缴款而继续落入下一期的几率。一般缩写为 C-M1、M2-M3 等形式，例如：C-M1=当月进入 M1 的贷款余额/上月末 C 的贷款余额，M2-M3 = 当月进入 M3 的贷款余额 / 上月末 M2 的贷款余额。
17. 回收率
反映的是逾期资产的回收情况，与迁移率一样都是统计逾期资产是否进一步逾期的指标。在不考虑核销的情况下，迁移率及回收率的和为100%。
18. 滚动率
从某个观察点之前的一段时间（观察期）的最坏的状态，向观察点之后的一段时间（表现期）的最坏的状态的发展变化情况。
二、实例讲解计算过程
介绍完上述风险管理中用到的术语后，我将通过综合实例介绍各项的计算过程，假设 2019 年 1 月业务刚开始放款，计算所用到数据如表 1：
表1
1. 逾期率的计算（包括即期逾期率和递延逾期率）
举例如下:
2019 年 2 月 coin（M1）=2 月 M1 贷款本金余额/2 月 C~M7 贷款本金余额=230000/1530000=15.03%
2019 年 8 月 coin（M3+）=3 月 M4~M7 贷款本金余额/8 月 C~M7 贷款本金余额=（20000+15000+8000+6500）/2701500=1.83%
2019 年 2 月 lagged（M1）=2 月 M1 贷款本金余额/1 月 C~M7 贷款本金余额=230000/1000000=23%
2019 年 4 月 lagged（M3）=4 月 M3 贷款本金余额/2 月 C~M7 贷款本金余额=25000/1530000=16.34%
2019 年 7 月 lagged（M3+）=7 月 M4 贷款本金余额/3 月 C~M7 贷款本金余额+7 月 M5 贷款本金余额/2 月 C~M7 贷款本金余额+7 月 M6 贷款本金余额/1 月 C~M7 贷款本金余额=27000/1885000+14000/1530000+8500/1000000=3.20%
2. vintage 指标的计算
使用的计算口径是：
vintage 指标=当期各逾期期数的贷款本金余额/回溯到贷款发放期对应的放款本金
以 M3+的 vintage 指标举例，2019 年 1 月放款本金 3000000 元：
对应合同在 mob1 M3+逾期率 0%；
对应合同在 mob2 M3+逾期率 0%；
对应合同在 mob3 M3+逾期率 0%；
对应合同在 mob4 M3+逾期率=21000/3000000=0.70%；
对应合同在 mob5 M3+逾期率=（6 月 M4 逾期本金余额+6 月 M5 逾期本金余额）/1 月放款本金；
但是 6 月 M4 逾期本金会同时包含 1 月 M4 逾期合同本金与 2 月 M4 逾期合同本金，所以通过表 1 数据无法计算，M3+逾期率就以下表设定为准。
表2
根据以上表数据所绘制 vintage 曲线图如图 1：
图1
从图 1 可以分析得出：
ⅰ账龄最长为12个月，代表产品期限为12期。随着12期结束，账户的生命周期走到尽头。
ⅱ2019年5月放款的合同走完账龄生命周期，而2019年6月的却没有，说明数据统计时间为2020年6月。
Ⅲ账龄mob1、mob2、mob3的逾期率都为0，说明逾期指标为M3+（逾期超过90天）风险。
Ⅳ放款月份从2019年1月～12月的账户M3+逾期率都在降低，说明资产质量在不断提升，可能风控水平在不断提升。2019年5月相对于2019年1～4月的逾期率大幅度下降，说明该阶段风控策略提升明显。
Ⅴ不同月份放款的M3+在经过9个MOB后开始趋于稳定，说明账户成熟期是9个月。
3. 财务不良率
假设逾期 M3+为不良贷款，则 2019 年 12 月时点不良率=（35000+22000+11000+9000）/3102000=2.48%；假定贷款资金年周转次数为 3 次，且参考 2019 年 1 月份的逾期情况，则粗略估计财务不良率=mob12 vintage（M3+）*3=3.45%*3=10.35%，其中 vintage（M3+）取mob12加权平均值。
4. 迁移率分析和滚动率
迁移率分析和滚动率分析比较像，都是分析客户从某个状态变为其他状态的发展变化情况。所不同的是，滚动率侧重于分析客户逾期程度的变化，所以在做滚动率分析时需要设置相对较长的观察期和变现期。而迁移率侧重于分析客户状态的发展变化路径，如 C-M1，M1-M2，M2-M3 等。
先进行滚动率分析，在观察点 2019 年 6 月 30 日，取 1 万个客户，统计该 1 万个客户从观察期到表现期最大逾期的变化情况，如表 3。
表3
从中可以看出：
正常的客户，在未来 6 个月里，有 96%会保持正常状态；
逾期 1 期的客户，未来有 81%会回到正常状态，即从良率为 81%，有 6%会恶化到 M2、M3、M3+；
逾期 2 期的客户，从良率为 23%，有 39%会恶化到 M3、M3+；
逾期 3 期的客户，从良率为 14%，有 61%会恶化到 M3+；
逾期 3 期及以上的客户，从良率仅为 4%，有 82%会继续此状态。
因此我们认为历史逾期状态为 M3+客户几乎不会从良，为了让风控模型有更好的区分能力，需要将客户好坏界限尽可能清晰，根据滚动率分析可以定义坏用户（bad）=逾期状态 M3+（逾期超过 90 天）。再进行迁移率分析，以表 1 里数据为例进行分析，其中橙色部分为恶化迁移路径。
其计算口径为：
截止 1 月末，正常资产 C 为 1000000 元，此为起点。
截止 2 月末，1 月末的正常资产 C 中有 230000/1000000=23%恶化为逾期资产 M1。
截止 3 月末，2 月末的逾期资产 M1 中有 55000/230000=23.91%恶化为逾期资产 M2。
截止 4 月末，3 月末的逾期资产 M2 中有 25000/55000=45.45%恶化为逾期资产 M3。
截止 5 月末，4 月末的逾期资产 M3 中有 21000/25000=84%恶化为逾期资产 M4。
截止 6 月末，5 月末的逾期资产 M4 中有 10000/21000=47.62%恶化为逾期资产 M5。可能采用了委外催收、司法手段等催收策略，催回效果显著。
截止 7 月末，6 月末的逾期资产 M5 中有 8500/10000=85%恶化为逾期 M6 资产。
截止 8 月末，7 月末的逾期资产 M6 中有 6500/8500=76.57%恶化为逾期 M7 资产。此时将视为不良资产，打包转卖给第三方公司，这样就能回收部分不良资产，减少损失。
通过迁移率，我们可以清晰观察到每个 Vintage 的资产在各逾期状态的演变规律。见表 4，我们从横向比较每个月的迁移率，发现不完全一样。这是因为随着时间推移、外在宏观经济环境、内部政策等变化而产生一定的波动。
表4
5. 呆帐风险
呆帐风险是信贷机构必须面对的风险，主要来源于信用风险和欺诈风险等。
2019 年 8月正常资产 C 转呆账率可以使用迁移率计算，计算方法为（C-M1）*（M1-M2）*（M2-M3）*（M3-M4）*（M4-M5）*（M5-M6）*（M6-M7）=23%*23.91%*45.45%*84%*47.62%*85%*76.57%=0.65%，或者使用2019年8月M7贷款本金余额/2019年1月 C~M7贷款本金余额=6500/1000000=0.65%。
由于M7不良资产的平均回收率为10%，则可计算净损失率为：0.65%*（1-10%）=0.59%。同理可以计算不同状态的资产转呆账率和净损失率。
表5