目录
1、vintage
方法简介
优势
五级分类的比较
2、滚动率
3、入催率
4、FPD
随着互联网金融的发展，对数据分析的需求越来越大。数据分析的目的其实是为了找到风险和收益的平衡点。高收益伴随着高风险，而低风险的回报又如同鸡肋。所以，太高的风险，太低的收益都不行。平衡点通俗来讲就是风险在控制范围之中，收益也可以接受。为了找到平衡点，我们通常会计算许多风控指标，这些风控指标是什么意思，他们有什么作用，我们挑几个金融领域比较常用的指标说说。
1、vintage
网贷业务的核心竞争力来自收益与风险之间平衡点的把握，其收到消费理念、市场策略、市场消费环节影响，贯穿于产品设计、营销审批、授信、支用、还款、催收以及客户服务的全过程。风控偏好和市场竞争策略会导致不同机构的经营结果存在差异。面对纷繁复杂的竞争环境，网贷机构必须不断提高风险的监控能力才能立于不败之地。
由于网贷业务的特点，用户的借款行为和还款表现具有时滞性。特别是在贷款的扩张阶段，伴随这贷款余额的激素增长，风险指标的分母极速扩大，但是分子由于时滞性而没有同步的增加。如果采用传统的（当前逾期/当前余额）的方法，容易使决策机构低估了当前的风险。
Vintage分析方法能很好的解决时滞性问题，其核心思想是对不同时期的授信的资产进行风别跟踪，按照账龄的长短进行同步对比，从而了解不同时期贷款的风险情况，是一个所谓的竖切的概念。而迁移率模型能够很好的提示贷款整个周期的演变情况，是一个所谓衡切的概念。
vintage这个词源于葡萄酒业，意思是葡萄酒的酿造年份。我们在生活中经常会进行各种各样的比较，但是比较有个前提，就是比较的事物应该是位于同一层面上的。如果你拿四年级的学生和1年级的学生比较身高，或者拿成年人和未成年人比较体重那是毫无意义的。同理，我们在比较放贷质量的时候，也要按账龄（month of book，MOB ）的长短同步对比，从而了解同一产品不同时期放款的资产质量情况。
方法简介
Vintage方法目前广泛用于信贷行业，表1中是对M2用户的Vintage分析。 其中行为用户授信的时间，列为特定时间授信的贷款在某一时间切片的还款质量，比如2.12%就是2018年4月授信的用户在2018年7月份M2逾期的情况（2018年4月授信的用户在7月的M2逾期的总额/2018年4月份用户在7月的总的贷款余额）
从表1中可以看出2018-07月的授信的用户M2逾期率明显偏高，这就提醒策略机构要分析引起贷款质量下降的原因了。
简单说，迁移率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。需要注意的是，我们应该选还款日为同一天的M2来做分子，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2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
3 中计算除了每个阶段逾期的迁移情况，可以很明显的看出当账龄超过M3即90天以后，迁移率会极速增加，因为90天往往就是催收的黄金时间。
优势
Vintage分析为管理都提供了一种将不同时期数据进行同步比较的方法，能够对不同安案进行同期数据的全方位比较，有利于确定最佳营销方案。发卡机构在经营信用卡业务时，一般会在一年中不同的时期实施不同的营销方案，销售统计报表大多数情况下只是将不同渠道、不同产品、不同月份的数据的分类统计信息揭示给管理层，数据是平面、顺序表现的。而Vintage分析通过账龄分析的方法将不同时期的数据拉平到同一时期进行比较，可以很直观地对不同时期营销活动的效果进行同期的比较和反思，以确定何种营销活动对信用卡公司更为有利。
Vintage分析的另一优势为，发卡机构在确定了大的方案后，Vintage分析可以将同期的数据按照不同维度进行立体展现，比较该方案中各种因素。譬如，发卡机构确定了某方案为较优的方案后，需要对最有效的获卡途径进行甄别。以开户日期为终身标志的不同账户，在盖上时戳的同时就已经定下了进件渠道（，网络、直销、分行销售）、批卡政策、地区、联名卡项目等诸多因素，如果需要对数据进一步切分，可以以不同的进件渠道如网络、直销、分行销售等进行Vintage分析，有效地分析出同时期不同进件渠道、不同地区、甚至不同审批政策的结果。
五级分类的比较
迁移率模型在对业务的风险损失预计方面对传统的五级分类进行了优化，使得风险损失预估方面更为准确和合理。与传统的五级分类相比，迁移率模型优势主要表现为人为判断的主观因素减少，模型清晰地显示透支数据的迁移变化的细节，其不同周期的信用风险净损失率来自于信用卡业务过去6个月的统计数据，更符合信用卡业务的经营特点。
2、滚动率
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。
3、入催率
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。
4、FPD
FPD是指首期逾期率，是说在某一个还款日，仅第一期到期的客户中有多少没有按时还款。与入催率的差别在于，入催率包含了第一期、第二期、第三期等等所有到期的M0。FPD一般用来做反欺诈，因为欺诈用户他第一期是根本不会还款的。
