Vintage、滾動率、遷移率的應用

python信用評分卡建模（附代碼，博主錄製）

https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share

https://mp.weixin.qq.com/s/KefG_8krBBaFl0LCi2L2WA轉載

1、Vintage

Vintage源於葡萄酒釀造，葡萄酒的品質會因葡萄生長的年份不一樣、氣候不一樣而不一樣。Vintage分析是指評估不一樣年份的葡萄酒的品質隨着窖藏時間的推移而發生的變化，而且窖藏必定年份後，葡萄酒的品質會趨於穩定。以下圖，2000年的葡萄酒品質最好，窖藏5年左右，葡萄酒品質會趨於穩定。

 

借鑑葡萄酒Vintage分析，信用分析領域不只能夠用它來評估客戶好壞充分暴露所需的時間，即成熟期，還能夠用它分析不一樣時期風控策略的差別等。

        一個客戶的好壞，須要通過若干個還款週期後才能充分暴露，若是表現期較短，有可能將一個不是很壞的客戶定義爲壞，也有可能將一個很壞的客戶定義爲好。好比一個客戶在開始的幾個週期內發生了逾期後將逾期還清，而且後面的週期再也不發生逾期，若表現期較短會將此客戶定義爲壞；又好比一個客戶剛開始一直正常還款，但到後面發生了比較嚴重的逾期，若表現期較短會將此客戶定義爲好。另外，能夠經過比較不一樣時間的貸款在相同週期的逾期表現，來分析不一樣時間的風控策略的差別、宏觀形勢的變化等。

      下圖爲2017年4月至2018年12月放款的M4+(即逾期91天以上)的Vintage圖和Vintage數據表，此圖統計的逾期用的是月末的逾期狀態(有些時候也可使用歷史逾期狀態，一個客戶只要發生過M4+逾期，將來每月都將該客戶記爲M4+逾期客戶)，計算逾期率使用金額(也可以使用筆數)。從圖中能夠看出，不一樣月份放款的M4+在通過9個週期(9個月)後趨於穩定，也就是說成熟期是在9個週期。

      從圖中還能夠看出，資產質量不斷提高，2017年4月至6月的逾期率相對較高，從2017年7月開始逾期率發生較大程度的降低，有可能由於前幾個月不斷優化風控策略所致。

 

 

 

 

2、滾動率

       前面說的Vintage能夠用於分析客戶表現的趨勢、穩定的時間等，對於客戶好壞程度的定義沒有涉及，而經過滾動率分析能夠對客戶好壞程度進行定義。滾動率分析就是從某個觀察點以前的一段時間(稱爲觀察期)的最壞的狀態向觀察點以後的一段時間(稱爲表現期)的最壞狀態的發展變化狀況，以下圖。

 

 在觀察點2018年6月30日，取1萬個客戶，統計該1萬個客戶從觀察期到表現期的最大逾期的變化狀況，以下表。

 

 

從該表能夠看出：

一、正常的客戶，在將來6個月裏，有96%會保持正常狀態；

二、逾期1期的客戶，將來有81%會回到正常狀態，即從良率爲81%，有7%會惡化；

三、逾期2期的客戶，從良率爲23%，有39%會惡化；

四、逾期3期的客戶，從良率爲14%，有61%會惡化；

五、逾期4期及以上的客戶，從良率僅爲4%，有82%會繼續此狀態。 

      在對壞客戶進行定義時，應將壞客戶定義得儘量壞，以與好客戶儘量的區分開來，所以能夠將逾期4期及以上的定義爲壞，而逾期2期和3期定義爲中度壞，逾期1期爲輕度壞。固然，在開發模型或規則時，還要結合樣本量，若是M1佔比較高，能夠將M1劃爲好客戶，M4+爲壞客戶，M2和M3爲灰度客戶，從樣本中剔除；若是M1佔比很低，也能夠將M1和M二、M3一塊兒歸爲灰度客戶，從樣本中剔除。

3、Y變量的定義

Y變量即爲客戶好壞標籤變量，前面的Vintage分析和滾動率分析中已經說過一些，這裏作個總結。Y變量要結合滾動率分析和Vintage分析來定義，滾動率分析用於對客戶好壞程度進行定義，Vintage分析用於設置合適的表現期。定義Y變量能夠分爲如下幾步：

一、進行滾動率分析，定義壞客戶，如上面所說的M4+爲壞客戶；

二、而後統計出M4+的Vintage數據表及Vintage圖，找出成熟期；

三、表現期大於成熟期的樣本能夠用於建模，表現期小於成熟期的樣本沒法準肯定義Y變量，暫時捨棄。

      固然，在實際應用中，根據業務須要，Y變量的定義能夠靈活變通。好比在業務剛開展不久，表現期較短，此時沒法根據上述方法定義Y變量，能夠暫將逾期大於10天、15天或30天的客戶定義爲壞等等，而後隨着時間的推移不斷修正Y變量及模型。

4、遷移率

 遷移率分析和滾動率分析比較像，都是分析客戶從某個狀態變爲其餘狀態的發展變化狀況，所不一樣的是，滾動率側重於分析客戶逾期程度的變化，因此在作滾動率分析時須要設置相對較長的觀察期和變現期；而遷移率側重於分析客戶狀態的發展變化路徑，如M0~M1，M1~M2，M2~M3等。

      先統計2018年6月至2018年12月各逾期狀態的資產分佈狀況，以下表。表中的回收率是指，假設每個月末將M7的資產以10%的價格賣掉，即收回M7資產的10%。

 

 下面計算月度遷移率，好比，2018年7月底，M0~M1的遷移率爲41110122/171325636=24%，以此類推，獲得以下表的遷移率。這裏遷移率的計算是以月爲時間顆粒度，當前也能夠精細到以天爲顆粒度計算遷移率，而後計算平均值得出月度遷移率，但更細的顆粒度要求資產規模更大，若是資產規模較小會產生較大的偏差。值得注意的是，表中M3~M4的遷移率較高，應該是逾期超過90天，過了黃金催收期，因此逾期惡化程度較高，但M4~M5的遷移率忽然下降了很多，有多是委外催收起到了必定效果所致。

 

 下面根據遷移路徑計算各逾期狀態的損失率，M0變爲M7的比例定義爲損失率等於16.06%*29.27%*42.28%*81.71%*52.75%*82.51%*86.05%=0.61%，由於M7將以10%的價格收回，因此淨損失率等於0.61%*90%=0.55%，以此類推，獲得各逾期狀態資產的損失率，以下表。

 

 

前面講到定義Y變量時，根據滾動率分析定義好壞的程度，其實這裏也能夠根據遷移率得出的損失率來分析好壞的程度，而且還能夠結合損失率與收益率，這裏再也不贅述。

      下面根據資產損失率計算2018年12月的資產預計損失，計算方法爲2018年12月M0~M6各資產乘以對應的淨損失率，而後求和，即等於367162809*0.55%+47230430*3.41%+14848678*11.64%+6011499*27.54%+4614038*33.70%+2326454*63.89%+1586471*77.44%=11273470。因此2018年12月撥備金額爲11273470，佔總資產的比例爲11273470/443823814=2.54%，即撥備率爲2.54%。

（注：文中數據非真實數據，而是爲了說明問題而生成的數據）

 

 

python風控建模實戰lendingClub(博主錄製，catboost，lightgbm建模，2K超清分辨率)

https://study.163.com/course/courseMain.htm?courseId=1005988013&share=2&shareId=400000000398149

 微信掃二維碼，免費學習更多python資源