贷款风险迁徙率衡量？

什么样的情况下,迁移率可以想加

迁移率可以用来分析资产变化情况，能够形象的展示客户贷款账户在整个生命周期的变化轨迹，也是预测未来坏账损失的常用指标。

迁移率计算步骤：（以M0-M1为例）

1、在月末或者（账单结算完成日），判断用户的还款状态（C/M1/M2……）

2、M0-M1的迁移率=本月为M1状态的客户逾期金额/上月状态为M0的客户逾期金额

M0：表示未逾期客户

M1：表示逾期一期客户

……

这里详细介绍一下迁移率的计算方法，现有一份每个月客户各状态的逾期金额，如下图：

使用上述数据来计算每个月的迁移率，比如：

2021-7的M0-M1的迁移率=17891.47656/479118.875=3.73%

全部数据的迁移率代码如下：

实操代码如下：

计算结果如下:

使用上述迁移率数据绘制迁移率图像，代码如下：

实操代码如下：

图表结果如下：

从图中可以看出：截止2021-07月末，各阶段的迁移率变化较平稳，坏账的迁移率（M6-M7）大概为100%，这些都视为不良资产，将这些打包给催收公司，可以回收一部分不良资产，减少损失。

Vintage、迁徙率与滚动率

主要目的在于清晰厘定这几个概念的定义与主要用途，避免经常使用，却经常混淆。

知乎“求是汪在路上”真大佬，干货多多，乐于分享，获益良多。比其他发点皮毛后就营销课程的强百倍，见贤思齐，希望我的一些文章也可以帮助到大家。

MOB ，month of book，Vintage分析的基础指标，资产放款月份为基准月（ Benchmark ）。

Vintage ，账龄分析，用以分析账户成熟期、变化规律等，通过放款账龄观察客户的逾期情况， 即观察逾期率随着账龄增长的变化趋势（累计值） 。逾期定义采用ever口径，不存在回退问题。

计算口径通常有两种，订单口径或金额口径，建议至少查看一些违约客户的平均月本金还款和总体客户的月本金还款，会清楚口径的差异，不同风控目的、业务阶段可采用不同的口径。

订单口径，逾期率 = 逾期订单数 / 总放贷订单数；金额口径，逾期率 = 逾期剩余本金 / 总放贷本金 。

观测时间的口径也有两种，统一在每个月末时点观测（Month end）、每笔借款的到期还款日后第一天观测（Cycle end）。

实践中，为了对不同期数的产品进行比较，会将横轴账龄改为贷放进程（已进行期数\总期数），将不同期数的产品标准化比较。

迁移率 ，Flow Rate，用以定义账户好坏程度，能形象展示客户贷款账户在整个生命周期中的 变化轨迹 。可计算整体资产在不同还款月份的迁移率（运营）、不同放款月份在不同还款月份（表现期）的迁移率。

其核心假设为：处于某一逾期状态（如M2）的账户，一个月后，要么从良为M0账户，要么恶化为更坏的下一个逾期状态（如M3）。

迁移率 = 前一期逾期金额到下一期逾期金额的转化率，如：

M0-M1 = 当月进入M1的贷款余额 / 上月末M0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

或对一段时间的放款客户进行观察，通过足够长的表现期后，客户由某个逾期状态进一步逾期的情况。 最清晰的观察期一般是一个月，表现期则可视信贷产品周期选择 ，如分6期的产品可以看4个MOB后的表现。

实践中，可进一步考虑逾期回冲问题，由于各bucket的催收人员只负责将该阶段的金额催回，剩余款项即会全额回冲前一阶段，会追求优先处理小额、易于处理的案件，真正高风险的大额案件优先级反而较低，较易进一步跌落。

滚动率 ，Roll Rate，用以分析不同逾期状态之间的转化率，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。滚动率可以在广义上理解为累计迁徙率（递延率，accumulate flow through%）。

为了排除观察点选择时的随机影响 ，一般会选择多个观察点。

即期指标 ，coincidental，当月不同逾期期数的贷款余额/当月底总贷款余额，逾期率Coin(M1+)%=当月M1−M6贷款余额/当月底贷款余额(C-M6)，适合业务总量波动不大的情况下观察资产质量。

递延指标 ，lagged，精准溯及逾放源头适用，区别是lagged的分母为产生逾期金额的那一期的应收账款，观察的是放贷当期所产生的逾期比率，所以不受本期应收账款的起伏所影响。Lagged(M1)%=当月M1的贷款余额/上个月底时点的贷款余额；Lagged(M4)%=当月逾期期数为M4的贷款余额/往前推四期的贷款余额。

1、Vintage

确定资产质量与成熟期：产品逾期率, 一般指逾期趋势(曲线)稳定后的逾期率，该账龄可用于定义好坏客户的表现期。

资产变化规律： 资产质量的变化情况，如果前几期上升快，说明短期风险未被捕获，欺诈风险高。如果曲线一直上升，说明信用风险识别能力不佳。

分析影响因素：逾期率的变化可能受到风控政策收紧放宽、监管政策的调节、市场供需季度性变化、客群质量等不同因素的影响，分析影响原因可以用于指导风控政策的调整。

可能得到的结论：账龄最长为12个月，代表产品期限为12期；账龄MOB1、MOB2、MOB3的逾期率都为0，说明逾期指标为M4+（逾期超过90天）风险；由放贷月份从2018年1月～12月的账户的最终逾期率都在降低，说明 资产质量在不断提升 ，可能是因为风控水平在不断提升；2018年5月相对于2018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；不同月份放款的M4+在经过9个MOB后开始趋于稳定，说明 账户成熟期是9个月 。

亦可比较相同MOB状态下不同月份的变化趋势，进行运营分析。

2、迁移率

示例1，下图为月度明细数据及计算后的迁移率。

横向比较每个月的相同口径的迁移率（如M0-M1），可以观察迁移率的发展轨迹，监控坏账的发展倾向和催收效果。

示例2，下图是一个短期产品在2019年4月的放款， 观察期4个MOB后的逾期状态迁移情况 。左侧为历史逾期天数，右侧为首次逾期天数。

历史无逾期的客户，82%依然保持不会逾期，18%出现逾期情况；历史逾期(0,7]天的客户，73%会还款，27%进一步逾期；历史逾期(7,15]天的客户，36%会还款，65%进一步逾期；历史逾期(15, 30]天的客户, 19%会还款，71%进一步逾期，说明这个阶段的客户还款意愿已不再强烈；历史逾期M1+的客户，11%会还款，89%进一步逾期；历史逾期M2+的客户，3%会还款，97%进一步逾期。

此时如果样本量足够，可以将坏客户定义为Ever M2+@mob4（一般是先滚动率定义好坏、在定义Vintage成熟期）。

3、滚动率

选择观察点为2018年6月30日，我们取10,000个客户作为研究对象，统计该10,000个客户从观察期到表现期的最大逾期状态的变化情况。

我们可以发现以下规律：逾期状态为M0的客户，在未来6个月里，有96%会继续保持正常状态，4%会恶化为M1和M2；逾期状态为M1的客户，未来有81%会回到正常状态，即从良率为81%，有7%会恶化，13%会保持M1状态；逾期状态为M2的客户，从良率为23%，有39%会恶化为M3和M4+；逾期状态为M3的客户，从良率为14.7%，有60.7%会恶化为M4+；逾期状态为M4+的客户，从良率仅为4%，有80%会继续保持此状态。

因此，我们认为历史逾期状态为M4+的客户已经坏透了，定义坏客户为：坏用户（bad）= 逾期状态为M4+（逾期超过90天）

实践中，我司使用迁移率代替滚动率定义好坏客户，具体的差异、优劣待考虑（ debug ）。定义目标变量Y的具体操作步骤为：

step 1.  利用滚动率分析定义坏客户，例如上文案例中定义：M4+为坏客户。

step 2.  以M4+作为资产质量指标，统计Vintage数据表，绘制Vintage曲线。目的是分析账户成熟期，例如上文案例确定：账户成熟期是9个月。

Bad = 账户经过9期表现期后，逾期状态为M4+（逾期超过90天）， ；Good = 经过9期表现期，但未达到M4+逾期状态， ； Intermediate = 未进入9期表现期，账户还未成熟，无法定义好坏，也就是不定样本（ 灰色样本剔除 ）。

附，参考资料 ：

1、信贷风控中Vintage、滚动率、迁移率的理解，

2、互联网金融中需要关注的风控逾期指标有哪些，

3、风控建模Y定义视角的Vintage与Flowrate，

4、互联网金融时代消费信贷评分建模与应用，单良，茆小林著。

典型的风控指标：账龄、迁移、滚动、首逾

在风控业务中，我们比较关心一些关键的指标。

在这里做一个详细的讲解。

1、账龄分析（Vintage Analysis）

Vintage这个词源于葡萄酒业，意思是葡萄酒的酿造年份。

比如82年的拉菲，一直是葡萄酒业的一个传奇，单瓶的价格可以高达十几万人民币。

我们在比较同一产品的放贷质量时，

也要按账龄（month of book，MOB）来区分，从而了解不同时期放款的资产质量。

人有齿龄、骨龄、年龄，而账龄分析的核心，就在于这个“龄”字。

以51信用卡的招股说明书来看其 51人品贷产品的坏账率

（口径：当期未还本金/当期应还金额）

可以看出，2016年第一季度的资产质量较好，90+的逾期率稳定在6%左右；

而2017年第一季度的资产质量是最差的，

虽然还未走完一个完整的生命周期，但是其斜率非常高。

在市场没有较大波动的前提下，可以推断：

51信用卡在2017年第一季度的风控有所放宽或营销比较激进。

2、迁徙率

从文字含义来看，迁徙率这个指标，核心在“迁”字。

时下正是冬天，北方的候鸟，往南方在迁徙；

而在途的贷款，随着每一期还款日的更迭，也在往更难催收的账期迁徙。

这里引入逾期阶段的概念：

根据逾期天数，又分为M0-M6+等八个阶段。

没有逾期的是M0，

逾期1~29天的是为M1，

逾期30~59的定义为M2，以此类推，

逾期150天-179天的是M6，

而超过180天的定义为M7。

而迁徙率，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。

所以，催收常使用迁徙率作为绩效指标，体现催收的效率。

越早期的逾期贷款，越容易催收，基本过了M6之后，摧回的可能性就降低很多了。

迁移率通常可以用来预测不同逾期阶段的未来坏账损失，它与vintage结合，能实现风险的精细化管理。

vintage的核心思想是对不同时期的同一层面的资产进行分别跟踪，是一个所谓竖切的概念；

而迁移率能很好的提示客户整个生命周期中的衍变情况，是一个所谓横切的概念。

3、滚动率

滚动率的核心，在一个“滚”字。

滚是有方向的，在风控指标里，要么向前滚，要么向后滚。

前面说的vintage是从时间维度上判断资产质量的好坏，

这里说的滚动率则是从行为程度上判断客户质量的好坏，

它可以帮助我们判断逾期客户可抢救的比例，减少坏账损失。

以上图为例，标黄色背景的表格，代表前后两个逾期阶段变化的概率。

比如：

第一行，代表m0用户，

维持在m0的概率是90.81%，

往m1变化的概率是9.19%；

第二行，代表m1用户，

变好（m0-m1）的概率是30.59%+6.35%=36.94%，

变坏(m2-m3)的概率是61.82%+1.23%=63.06%;

第三行，代表m2用户，

变好（m0-m2）的概率是23.80%+1.12%+2.25%=27.17，

变坏（m3-m4）的概率是72.11%+0.72%=72.83%；

......

以此类推。

最后一行，代表m7用户，

变好（m0-m6）的概率是6.93%，

变坏(m7）的概率是93.07%。

4、首逾率

首逾率的核心在一个“首”字，指在某一个还款日，仅第一期到期的客户中有多少没有按时还款。

首逾率一般用来做反欺诈，因为欺诈用户的第一期基本是不会还款的。

一般的首逾率，不建议以还款当天的数据来看，因为有很多客户当天忘还，

或由于银行代扣失败、入账延迟等原因，造成当天还款失败。

目前建议的首逾率以 3天 或者 5天的数据来看，即首次还款，距还款日超过3天/5天后的逾期率。

可以看出，产品C的首逾率，明显低于A、B的首逾率。

最后总结一下，账龄、迁徙、滚动、首逾，

掌握好了这四个风控指标，分析资产质量时，就不会被轻易忽悠。

vintage分析、迁移率、滚动率、入催率

        vintage分析被广泛应用于金融信贷产业，分析的方法是针对不同时期产生的信贷账户分别进行跟踪，按照账龄的长短进行同步对比，从而了解不同时期批准账户的资产质量情况，是一个所谓竖切的概念。以下举例说明根据账龄所做的拖欠二周期账户的Vintage分析（见表1）

在表1中，列为发卡时间，行为经营时间。数据2.12%为2006年4月所发信用卡在2006年7月时拖欠二周期的金额除以该批信用卡在2006年7月时透支余额，依此类推，得到全表的数据。在此基础上，按照账龄为经营时间减去发卡时间进行表间数据的转换，得到表2, 并做出折线图（见图1）。

        在说迁移率之前，我们先定义逾期阶段的概念。逾期就是说你到了该还款的日子而没有还款，那你就进入了逾期。根据逾期天数，又分为M0-M7+等八个阶段。没有逾期的是M0，逾期1 29天的是为M1，逾期30 59的定义为M2，以此类推，逾期超过180天的定义为M7+。 有了逾期阶段的概念，迁移率就好理解了。简单说，就是处于某一逾期阶段的客户转到其他逾期阶段的变化情况。迁移率通常可以用来预测不同逾期阶段的未来坏账损失。比如，M2-M3，说的是从逾期阶段M2转到逾期阶段M3的比例。如下图表2是各个网贷各个时期网贷分账龄的明细表，其中WO代表Write Off。表3中同种颜色的单元格标识出了不良贷款的迁移路径，可以看出在7月份1004844元的正常透支中，有237327元到了8月份之后变成了M1逾期，在这237327的M1逾期中又有55372元在9月变成了M2逾期。

        在风险控制中，我们的根本目的是识别坏用户，通过历史数据，抓取坏客户显著区别于正常客户的特征，并以此为标准去预测未来的坏客户。用户的好坏其实很难定义，不能说逾过期的用户就是坏用户，也许人家其实想还，只是不小心忘记还款了呢。而且，有的时候，“适当”的逾期还能增加公司的逾期利息收入。我们所关注的坏客户是坏到某一程度，也就是逾期等级较高且不还款的客户。

  前面说的vintage是从时间维度上判断客户群体的好坏，下面说的滚动率则是从行为程度上判断客户的好坏，它可以帮助我们判断某些逾期客户是否还可以再抢救一下，收回点成本。

  滚动率，简单地说就是以某一时间点为观察节点，观察客户在该点前一段时间内（比如半年）最坏逾期阶段，并追踪其在观察点之后的一段时间向其他逾期阶段发展的情况，特别是向更坏程度发展的情况。举个栗子，今天是2018年5月25日，取今天的1万个客户，统计他们在过去半年里的最大逾期阶段。然后追踪他们后半年的表现。以下数字纯属虚构，完全是为了说明问题，各个公司有自己的观察数据和追踪数据。

  M0的客户在未来半年里，98%的客户还是会保持正常M0的状态

  最大逾期阶段M1的客户在未来80%会变M0，但是还有20%会继续，甚至有5%的人往更坏的程度发展

  最大逾期阶段M2的客户在未来40%的人会继续恶化，22%左右的人会变M0（完全从良）；

  最大逾期阶段M3的客户在未来60%的人会继续恶化，15%左右的人会变M0（完全从良）；

  最大逾期阶段M3+的客户在未来80%的客户会继续此状态（没救了）。

  根据以上的数据，我们可能就可以得出逾期3期以上的客户，都是无力抢救的坏客户这样的结论。假如我们想把条件收紧一点，那么我们可能会选择逾3期或者2期。再假如我要给坏设定等级，那么我就可以把3期以上设为极度坏，逾3、2期的话可能设置为中度坏，逾1期的人可以是不经意的坏。这些特征将来可以放到风控建模的样本特征中来。

        有了前面的铺垫，入催率就比较简单了。它指的是在某一个还款日，客户从M0变成M1的比例。比如说，今天，有N个M0客户到了还款日，里面有M个客户按时还款了，那么今天的入催率就是（N-M）/N。它与下面的FBD是有区别的。

（如有不同见解，望不吝赐教！！！）

对于贷款迁移率测算催收效果和贷款风险迁徙率衡量的总结分享本篇到此就结束了，不知你从中学到你需要的知识点没 ？如果还想了解更多这方面的内容，记得收藏关注本站后续更新。