在信贷风控中，指标时反应业务变化最直观的手段，通过对指标的分析及时发现和定位业务开展过程中的问题，并及时采取相应的手段进行防控。本文列出工作中常关注的风险指标，介绍指标的定义及分析的方法，旨在精而不在全，希望能对各位读者有一点点启发。

　　FPD1:首次逾期1天发生在第一期。还款表现都为1开头。FPD7:首次逾期7天发生在第一期。FPD30：首次逾期30天发生在第一期。SPD30：首次逾期30天发生在第二期。对应的还款表现有F12,112。TPD30：首次逾期30天发生在第三期。对应的还款表现有1112,FF12,F112,1F12。FSTPD30:上面三个相加。表示首次逾期30天发生在第一期或者第二期或者第三期。

　　首逾指标常常和欺诈关联，是风险管理中常为关注的指标，其中需要注意的点有以下几个：

　　一般首逾发生在前3期的回收率会较低，因为其中有很多欺诈的因素，越往后发生首逾的回收率是越高的。比如，要计算SPD1的回收率，即首逾发生在第2期的用户的回收率，是否可以用SPD1为1的数量减去SPD30为0的数量呢？这是本人在工作中遇到过的一个错误。因为SPD30为0的人群中并不一定都是SPD1为1的，上面这种算法会多减去一部分首逾1天发生在第一期的人，导致回收的个数计算变少，导致指标计算出现误差，分析也毫无意义。

　　一般情况下每个月的FPD1%SPD1%TP1%,FPD30%SPD30%TPD30%，用图表的形式展示如下(数据纯属虚构)，如果曲线出现交叉情况，则表明某包资产出现异常，需要单独对这个异常指标进行拆分。拆分的维度一般有省份、渠道等。

　　此外从资产质量回收的角度，可以看首逾发生在不同期数的回收率，针对性地制定差异化催收策略。比如下图，首逾的回收率比次逾、三逾要低，所以制定催收策略时可以对首期逾期的客户进行差异化催收，加强催收频率。

　　Vintage是以账龄MOB（month on book）为轴，观察每个放款月贷后的质量情况，分母为对应月份的放款本金，分子是截止期末时点逾期Mn+客户的所有剩余未还本金，可观测一个多期产品的风险全貌。可以分为M1/M2/M3、M1+/M2+/M3+的件数/金额Vintage。

　　Vintage曲线的前几期会呈上升趋势，由于逾期会在前几期充分暴露出来。到后期逾期逐渐稳定，Vintage曲线的走势会逐渐平缓。Vintage曲线有以下两种情况，分别说明资产质量变好或者变差的两种趋势。下图右边的图中，Vintage曲线;的形状，说明早期资产的逾期数量较少，近期的资产逾期数较多，资产质量在变差。

　　如果Vintage曲线在某一期都出现了翘尾，因此应该关注这个时期是不是出现了结构性异常，比如说节假日影响了客户还款以及催收作业等。

　　迁徙率可以用来预测不同逾期阶段的未来坏账损失，是资产管理中的核心指标，可以分为M0-M1、M1-M2、M2-M3、M3-M4迁徙率，同时也可以拆分为件数、金额的迁徙率。计算公式大致如下，以月末金额迁徙率为例

　　综合迁徙率有即期和延滞两种口径。上面这种算法是即期的口径，即计算当月的各阶段迁徙率乘积，以表现月来观测。延滞口径的综合迁徙率可以理解为M0-M4的迁徙率，即用本月M4的未还本金/3个月前M0的未还本金。

　　综合迁徙率受到入催率和回收率两个因素的影响，入催率高相应的M0-M1的迁徙率就高，M1-M4的迁徙率则体现催收效率。一般情况下综合迁徙率的高低和资产质量高度相关，即首逾如果高的话，综合迁徙率也会较大可能性比较高。

　　回收率和迁徙率是高度相关的两个指标，比如本月M1的回收率较高，那么相应的M1-M2的迁徙率就会变低。仔细分析一下这两个指标的计算逻辑(按未还本金的口径计算)：M1的回收率：上月M1未还本金-本月M1未还本金/上月M1未还本金M1-M2迁徙率：本月M1未还本金/上月M0未还本金由于分母不一样，所以M1的回收率不可以用1减去M1-M2迁徙率，但是迁徙率和回收率成反比关系是确定的。回收率高，迁徙率自然就会低。泛亚电竞官方回收率的计算一般有三种口径：

　　上图是常见的回收率日报图，横轴是委案天数，可以观察批次内案件的回收率，一般会将近几个月的回收率绘制在一张图上，方便与前几个月的同期回收率进行对比，及时监控回收率的异常波动情况。如果账单日不是每月固定的一天，或者有缓催策略导致一个月有不止一天的入催情况，这时回收率的图就比较复杂。比如一个月30天每天都有账单日，上图中就会出现30条这样的曲线，无法直观地看出回收率变化情况，所以正确的做法就是将这30天的回收情况加总之后汇总成一条曲线。

　　如上图所示，5月1号入催的用户计算其在5月1号-5月31号批次内的回收个数，5月2号入催的用户计算其在5月2号-6月1号批次内的回收个数，以此类推，最后可以计算出委托日第一天的回收个数，除以委托个数就可以得到委托第一天的回收率。

　　总结:以上基本就是风控数据分析中常关注的指标，指标的分析方法常通过对不同客群特征、产品类型及业务渠道进行指标拆解，从而定位指标异常波动的具体原因。