2. 逾期数据基础：逾期标签的定义（M0/M1/M2+）、样本窗口与表现期设定、好坏样本的划分标准
在信贷风控建模中，逾期标签的定义是区分“好客户”与“坏客户”的基石。如果标签定义不准确，后续的模型训练和策略优化将失去方向。本节将系统讲解逾期状态（M0/M1/M2+）、样本窗口与表现期的设定逻辑，以及好坏样本的划分标准。
2.1 逾期状态的定义：M0、M1、M2+
逾期状态通常以“M（Month）”加数字表示，代表客户逾期未还款的月份数。不同机构对M的定义略有差异，但业界通用标准如下：
| 逾期标签 | 逾期天数范围 | 状态描述 | 常见处理方式 |
|---|---|---|---|
| M0 | 0 天（未逾期） | 正常还款状态，客户在还款日或宽限期内完成还款 | 视为“好样本”候选 |
| M1 | 1–29 天 | 早期逾期，客户尚未进入严重违约阶段 | 通常视为“坏样本”或“待观察” |
| M2 | 30–59 天 | 中期逾期，违约风险显著上升 | 明确标记为“坏样本” |
| M3+ | ≥60 天 | 严重逾期，通常进入催收或核销流程 | 强制标记为“坏样本” |
实践提示： 多数消费金融公司将 M2+（逾期 ≥30 天）作为“坏样本”的硬性标准，而 M1 则根据业务容忍度灵活处理。对于高风险产品（如现金贷），M1 也可能直接归为坏样本。
2.2 样本窗口与表现期设定
在建模时，我们需要明确“观察期”和“表现期”两个时间窗口：
- 观察期（样本窗口）： 用于提取客户特征的时间段，通常为申请日前 3–12 个月。
- 表现期（表现窗口）： 用于观察客户是否逾期的时间段，通常为放款后 3–12 个月。
表现期的长度直接影响坏样本的识别率。过短的表现期会漏掉部分逾期客户，过长则导致样本时效性下降。下表展示了常见表现期设定：
| 产品类型 | 推荐表现期 | 理由 |
|---|---|---|
| 短期现金贷（7–30 天） | 1–3 个月 | 逾期集中在放款后 30 天内 |
| 消费分期（3–24 期） | 6–12 个月 | 逾期风险在中期暴露 |
| 抵押贷款（长期） | 12–24 个月 | 违约周期较长，需充分观察 |
关键原则： 表现期应覆盖产品生命周期中 80% 以上的逾期事件。例如，若 90% 的逾期发生在放款后 6 个月内，则表现期至少设为 6 个月。
2.3 好坏样本的划分标准
好坏样本的划分是建模的核心决策。常见的划分方法包括：
- 硬性阈值法： 以逾期天数（如 M2+）为界，逾期天数 ≥30 天为坏样本，否则为好样本。
- 滚动率法： 分析客户从 M0 到 M1、M1 到 M2 的滚动概率，选择滚动率趋于稳定的逾期阶段作为坏样本标准。
- 损失金额法： 以实际损失金额（如核销金额）为划分依据，损失超过一定比例视为坏样本。
以下 SVG 图展示了基于滚动率法确定坏样本标准的流程：
2.4 好坏样本划分的常见陷阱
避坑指南：
- 样本不平衡： 坏样本比例过低（如 <1%）时，模型难以学习违约模式。此时可考虑过采样或调整表现期。
- 时间偏移： 不同时间段的逾期定义不一致（如早期 M3+ 为坏，后期 M2+ 为坏），会导致标签混乱。
- 右截尾问题： 表现期未结束时，部分客户尚未逾期但未来可能逾期，应将其排除或标记为“待定”。
2.5 样本窗口与表现期设定的 SVG 示意图
以下 SVG 图展示了观察期与表现期在时间轴上的关系：
2.6 好坏样本划分的最终决策矩阵
综合以上因素，以下矩阵可作为好坏样本划分的参考：
| 逾期状态 | 表现期长度 | 样本分类 | 建模用途 |
|---|---|---|---|
| M0 | ≥6 个月 | 好样本 | 正样本训练 |
| M1 | ≥6 个月 | 坏样本（高风险产品） | 负样本训练 |
| M2+ | ≥3 个月 | 坏样本 | 负样本训练 |
| M0（表现期不足） | <3 个月 | 待定（排除） | 不参与建模 |
总结： 逾期标签的定义、样本窗口与表现期的设定、好坏样本的划分标准，三者共同构成了风控建模的数据基础。只有确保标签准确、窗口合理、划分一致，后续的逾期预测模型才能有效识别风险。