当我们在观测资产最终损失和不同资产的风险差异时，经常会用到一个指标，那就是Vintage。

这个指标的计算和展示与大多数指标有所不同，因为所需要的数据信息并不单来源于某一个固定时间的切片数据，而是来源于历史多个时间节点的切片数据，所以它也携带了历史信息。

Vintage本身携带了这么多信息，我们该如何挖掘呢？

PS：全文所有内容仅参考引用自FAL-【金科应用研院】内部公号，FAL公号所有内容未经许可，不得转载！
首先，我们先看下Vintage长什么样：

对应图表中指标的计算公式为：

Vintage 90+逾期率= 统计时间点逾期天数为90天以上资产的在贷余额/放款金额

图表中横轴为资产放款后的账龄月，纵轴为逾期率。

一、Vintage计算前期准备

月度切片逾期数据（若无现成的切片数据，则需要回退）
计算各切片数据中每个借据的逾期天数
根据想要观测的维度计算Vintage（常见的维度为月度、季度、年等）

二、Vintage的种类

1）根据选取切片数据时间不一样，可划分为Month end（月末）与Cycle end（期末）两种。

Month end：选取切片数据的时间为每个自然月的最后一天，所有借据都是在同一天统计。

Cycle end：选取切片数据的时间为每个借据还款日的第二天，每个借据都有自己的统计日。

在统计上，Month end的算法在每次计算逾期天数时，对于在同月内不同时间放款借据给的表现期是有差异的，Cycle end则弥补了这个问题。

2）根据计算标的不同，可划分为单量、金额与客户三类。

金额是最常规也是使用得最多的，能观测资产的最终损失；在借据金额与逾期有相关性的时候，使用单量和金额结合观测会有不错的效果；客户的Vintege则更能协助贷前策略找到目标客户。

3）根据指标的计算口径，可划分为当前逾期、ever逾期两类。

当前逾期：在统计节点计算当前逾期的标的
ever逾期：在统计节点计算历史逾期的标的

ever逾期更严格一些，将历史满足逾期条件的标的均计算进来，与当前逾期结合能观测到Vintage口径的留存率。另外在建模中定义Y样本的时候也会用到。

4）根据指标逾期的口径，常规可划分为X+，30+，60+，90+，120+，150+，180+。

按照上述的分类，粗略估算下，共有232*7=84种，所以我们在解读Vintage时，需要对好暗号，明确是哪一种。

如果再加上展示的维度，将会有更多类别（常见的维度为月度、季度、年等）。

三、Vintage的信息解读

对于Vintage的解读，我们大体可以归纳为以下几点：

【信息1】观测某笔资产最终的损失比例，也就是观测这根线最终平稳的值，当然打平的位置跟资产的平均借款期限有关。

【信息2】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。

【信息3】不同月份放款资产最终损失的差异，通过这个可与评判不同月份的放款资产的差异，从而对策略优化提供建议。

【信息4】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。

【信息5】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。

根据这些归纳的解读方法，结合不同类型的Vintage可能还需要做一些调整，但万变不离其宗，希望能帮到大家。

—————————end—————————