快速导航×

风控分析常用指标介绍2023-11-15 03:38:11

  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。

风控分析常用指标介绍(图1)

  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。