3. Vintage分析核心指标：Vintage逾期率、Vintage坏账率、累计Vintage曲线、月度Vintage曲线

Vintage分析的核心在于通过一组标准化指标，将不同账龄的资产表现对齐到同一时间轴上进行比较。本节将详细拆解四个最关键的指标：Vintage逾期率、Vintage坏账率、累计Vintage曲线与月度Vintage曲线。理解这些指标的定义、计算逻辑与业务含义，是后续进行坏样本归因的基础。

3.1 核心指标定义与计算公式

以下表格汇总了四个核心指标的定义、计算公式与典型应用场景，便于快速对照理解。

3.2 累计Vintage曲线：资产生命周期的“心电图”

累计Vintage曲线是Vintage分析中最核心的可视化工具。它通过追踪同一批次放款在后续每个月的表现，揭示风险是如何随时间累积的。

曲线形态解读：

• 陡峭上升型：早期逾期率快速攀升，说明该批次资产在放款后3-6个月内迅速暴露风险，可能对应高风险客群或宽松的审批策略。
• 平缓爬升型：风险释放缓慢，曲线斜率较小，说明资产质量相对稳定，风险暴露周期较长。
• 趋于平坦（成熟期）：当曲线斜率趋近于0时，表示该批次资产已进入“成熟期”，后续新增逾期或坏账极少，此时累计坏账率可视为该批次的最终损失率。

3.3 月度Vintage曲线：风控策略的“温度计”

月度Vintage曲线固定了“账龄”这个变量，专门用来观察不同放款月份之间的质量波动。例如，固定观察MOB 6的逾期率，将2023年1月至12月每个放款批次在MOB 6的表现连成一条线。

曲线形态解读：

• 上升趋势：说明近期放款在相同账龄下的表现变差，可能原因是：审批标准放松、获客渠道下沉、外部经济环境恶化。
• 下降趋势：说明风控策略优化见效，或客群结构上移，资产质量持续改善。
• 突然跳升/跳降：往往对应特定事件，如：上线了新评分卡、调整了定价策略、遭遇了黑产攻击、或发生了疫情等宏观冲击。

3.4 指标对比与选择策略

在实际分析中，需要根据分析目的选择合适的指标组合。下表总结了不同场景下的指标推荐。

3.5 计算示例：从原始数据到指标

以下是一个简化的Python计算示例，展示如何从原始还款计划表计算Vintage逾期率。

import pandas as pd
import numpy as np

# 示例数据：每笔贷款的放款月份、账龄月、逾期状态
data = {
    'loan_id': ['L001', 'L002', 'L003', 'L004'],
    'vintage_month': ['2023-01', '2023-01', '2023-02', '2023-02'],
    'mob': [1, 2, 1, 2],
    'overdue_flag': [0, 1, 1, 0],  # 1表示逾期
    'loan_amount': [10000, 10000, 15000, 15000]
}
df = pd.DataFrame(data)

# 计算每个Vintage在每个MOB的逾期率
vintage_group = df.groupby(['vintage_month', 'mob']).agg(
    overdue_amount=('loan_amount', lambda x: x[df.loc[x.index, 'overdue_flag'] == 1].sum()),
    total_amount=('loan_amount', 'sum')
).reset_index()

vintage_group['vintage_overdue_rate'] = (
    vintage_group['overdue_amount'] / vintage_group['total_amount']
)

print(vintage_group[['vintage_month', 'mob', 'vintage_overdue_rate']])
# 输出示例：
#   vintage_month  mob  vintage_overdue_rate
# 0       2023-01    1                   0.00
# 1       2023-01    2                   1.00
# 2       2023-02    1                   0.67
# 3       2023-02    2                   0.00