账龄分析（Vintage Analysis）

我目前工作主要是信贷业务相关的数据分析及算法构建，所以经常会接触到信贷风险管理分析方法，常见的包括账龄分析（Vintage Analysis）、滚动率分析（Roll Rate Analysis）、迁移率分析（Flow Rate Analysis。这三种分析是我工作中最常见的，所以也想简单总结一下，输出自己的一些理解，并通过项目实践，不断补充。

（1）账龄(Month on Book，MOB)

账龄(Month on Book，MOB)指的是资产放款月份，类似于婴孩一出生就有了年龄，一旦申贷订单被放款，也便拥有了账龄和生命周期。

MOB0：放款日至当月月底
MOB1：放款后第二个完整的月份
MOB2：放款后第三个完整的月份
···

例如，放款日期为2021.7.13号，则

mob0为2021.7.13-2021.7.31
mob1为2021.8.1-2021.8.31
mob2为2021.9.1-2021.9.30
···以此类推

在这里插入图片描述

MOB的最大值取决于信贷产品期限，如果是12期产品，那么该资产的生命周期是12期，MOB最大到MOB12。

（2）逾期期数(M)

逾期期数指实际还款日与应还款日之间的逾期天数，并按区间划分后的逾期状态。

M取自Month On Book的第一个单词，用来描述逾期期数

M0：当前未逾期即正常资产（或用C表示，取自Current）

M1：逾期1-30日

M2：逾期31-60日

M3：逾期61-90日

M4：逾期91-120日

M5：逾期121-150日

M6：逾期151-180日

M7：逾期180日以上，此时也被称为呆账（Bad Debts）

（3）Vinatage分析

关于Vintage分析，网上有很多优质的文章，写的都非常nice，从vintage的背景、作用、计算过程以及如何分析都做了很多解释。所以这里只对Vintage做一个简单的介绍：

Vintage实际上是资产质量分析的重要工具，主要是用来分析同一产品在不同时间放款的资产质量变化情况，从而可以反映该产品的客群质量和变化情况，以及这个过程中的风险策略水平情况。在Vintage数据表格中的内容通常是逾期率，可以是M1+逾期率、M2+逾期率、M3+逾期率等等。

来看看如何实现Vintage分析：

在横向上，是同一放款月份资产在生命周期内的变化过程，体现了不同账龄mob逾期率变化；
在纵向上，是不同放款月份的资产在同一账龄mob的变化过程，可以分析不同月份的逾期率变化。例如，若某个月份的逾期率走势明显低于之前月份，可以说明该阶段风控策略有提升明显

详细的，从表格或者曲线中，我们可以得到什么信息呢？引用Jacky大佬的文章：

在这里插入图片描述

出自：什么是Vintagehttps://zhuanlan.zhihu.com/p/463382051

这里想补充一下，为啥要确定用户的成熟期？

实际上，用户的成熟期（有些称为表现期）越长，信用风险暴露将越彻底，但意味着观察期离当前越远，用以提取样本特征的历史数据将越陈旧，建模样本和未来样本的差异也越大。反之，成熟期越短，风险还未暴露完全，但好处是能用到更近的样本。例如，对于一个12期分期还款的信贷产品，理论上当用户在12期结束，并还清所有的钱后，我们才能定义为绝对的好客户；反之，我们只能说到目前为止是一个好客户，但并不能知道未来几期用户会不会逾期不还钱。因此，我们需要确定一个合适的表现期能覆盖足够多的坏客户即可。

这对我们在建模过程中确定Y具有指导作用，例如在做评分卡模型时，因变量Y的确定相对复杂，一般要结合滚动率分析和vintage分析。

滚动率分析确定什么程度的逾期客户定义为坏，vintage分析确定有多久表现期的客户能纳入模型，即

滚动率来确定Y，选择那个阈值判断用户的好坏
账龄分析来确定样本数据，选择什么表现期为多少的数据来建模，比如用户会在MOB9的时候达到稳定，即我们常说的“成熟期”，因此我们在选择样本客户的时候，会选择表现期大于等于9期的客户，因为在这个时候，坏人基本都现形了，我们可以找到大多数的坏人作为样本。

例如

Good: 表现期大于8期，并且逾期状态未达到M3+的客户，定义为好，Y=0；
Bad: 表现期大于8期，并且逾期状态为M3+的客户，定义为坏，Y=1；
Else：其他的样本由于“未成熟”，所以我们不纳入建模样本。

vintage分析确定了表现期，用来过滤未成熟的客户；滚动率分析确定了坏客户的阈值，用来区分好坏客户

（4）放款资金周期情景

实际上，我在学了上面的内容后，确实理解了不少，知道了如何进行Vintage分析，但对于某个放款月资金在每个账龄mob的还款情况还是有一些模糊，作进一步学习：

图片来源：https://mp.weixin.qq.com/s/4iGV1hHbHE8KXILGVUMCfw

结合该图，我自己也对其进行了整理。对于一个放款月而言，其每个mob的还款情景如下：

mob0 放款月到放款月最后一天，在mob0期间不会出现还款事件，仅出现提前结清；用初始放款减去该提前结清后的金额，>为下个期间的期初剩余本金。
mob1 放款月次月（放款月+1月），在mob1将出现3种还款情景
mob2 放款月+2月，在mob2将出现5种还款情景
mob3 放款月+3月，在mob3将出现7种还款情景
mob4 放款月+4月，在mob4将出现9种还款情景
mob5 放款月+5月，在mob5将出现11种还款情景
**mob6+**依次类推，因为M4+回款概率极低，通常在2%以内，因此考虑模型的简洁性，没必要单独切分出M5、M6、M7……等，而是统一用M4来代替，直接假设不再回款。
···

到这里，也可以从上图看出资金的逾期迁徙情况，例如

mob1 中新增M1 为（C-M1），C-M1 = 截止统计月末的M1/截止前1个月末的C
mob2 中新增M2 = 上月M1继续不还款迁徙到M2（M1-M2），M1-M2 = 截止统计月末的M2/截止前1个月末的M1
mob3 中新增M3 = 上月M2继续不还款迁徙到M3（M2-M3），M2-M3 = 截止统计月末的M3/截止前1个月末的M2

新增M2 = 上月M1不还款迁徙到M2（M1-M2）
mob4 中新增M3 = 上月M3继续不还款迁徙到M4（M3-M4），M3-M4 = 截止统计月末的M4/截止前1个月末的M3

···