3. 滚动率模型原理
滚动率模型是实时风险拦截中用于预测用户短期行为恶化的核心量化工具。它通过定义“滚动”行为、划定时间窗口、构建状态转移矩阵，并借助马尔可夫链的数学框架，将用户风险状态的变化过程建模为一个可计算的随机过程。本节将逐一拆解这四个关键组成部分。
3.1 滚动率定义
滚动率（Roll Rate）衡量的是用户从一个风险状态迁移到下一个更严重风险状态的比例。在信贷风控中，最常见的滚动是逾期天数的增加，例如从“逾期1天”滚动到“逾期2天”。
- 核心公式：
滚动率 = (从状态A迁移到状态B的用户数) / (期初处于状态A的用户总数) - 业务含义：滚动率越高，代表用户风险恶化的速度越快，需要更早的干预策略。
- 实时场景：在实时拦截中，滚动率用于评估“当前行为”是否预示着即将发生的风险迁移，从而决定是否触发拦截。
关键区分：滚动率关注的是状态间的迁移，而非静态的逾期率。例如，M0（未逾期）用户中，有5%在次日变为M1（逾期1-30天），则M0→M1的滚动率为5%。
3.2 时间窗口概念
时间窗口定义了滚动率计算和观察的粒度。不同的窗口长度会直接影响滚动率的数值和模型的敏感度。
| 窗口类型 | 定义 | 实时拦截适用场景 |
|---|---|---|
| 固定窗口 | 以固定的日历时间（如1天、7天、30天）为观察周期。 | 适用于周期性评估（如每日风险评分更新）。 |
| 滑动窗口 | 以当前时刻为终点，向前回溯固定长度的时间。 | 适用于实时事件触发（如用户发起交易时，回溯其过去24小时的行为）。 |
| 事件窗口 | 以特定事件（如首次逾期、还款行为）为起点，观察后续固定时长。 | 适用于分析特定事件后的风险演化路径。 |
实战建议：在实时风险拦截系统中，滑动窗口是最常用的方式。它能够动态捕捉用户最新的行为模式，使滚动率模型对短期风险变化保持高度敏感。
3.3 状态转移矩阵
状态转移矩阵是滚动率模型的量化表达。它将所有可能的风险状态（如M0、M1、M2、坏账）排列成矩阵，矩阵中的每个元素 P(i,j) 表示从状态 i 转移到状态 j 的概率。
以下是一个简化的3状态转移矩阵示例（M0: 未逾期, M1: 逾期1-30天, M2+: 逾期30天以上）：
| 当前状态 \ 下一状态 | M0 | M1 | M2+ |
|---|---|---|---|
| M0 | 0.95 | 0.04 | 0.01 |
| M1 | 0.30 | 0.50 | 0.20 |
| M2+ | 0.05 | 0.15 | 0.80 |
- 行：表示当前所处的风险状态。
- 列：表示下一个观察周期可能达到的状态。
- 概率：每一行的概率之和为1。
- 对角线：表示停留在当前状态的概率，数值越大代表状态越稳定。
注意：状态转移矩阵是时变性的。在经济环境变化或风控策略调整后，矩阵中的概率值需要重新计算和校准，否则模型会失效。
3.4 马尔可夫链基础
马尔可夫链为滚动率模型提供了数学基础。其核心假设是“无记忆性”（马尔可夫性质）：系统下一时刻的状态，只与当前状态有关，而与过去的状态序列无关。
- 数学表达：
P(X_{t+1} = j | X_t = i, X_{t-1} = i_{t-1}, ...) = P(X_{t+1} = j | X_t = i) - 在滚动率模型中的应用：
- 状态空间：定义所有可能的风险等级（如M0, M1, M2, 坏账）。
- 转移概率：由状态转移矩阵提供。
- 初始分布：用户当前所处的风险状态。
- 预测：通过矩阵乘法，可以预测未来N个周期后的风险状态分布。
实时拦截中的价值：利用马尔可夫链，我们可以计算一个“正常”用户在未来7天内变为“逾期”的概率。如果这个概率超过阈值，系统就会在用户当前行为（如提现、交易）发生时，实时触发拦截策略。
3.5 小结：四要素在实时拦截中的协同
滚动率模型在实时风险拦截中并非孤立存在，而是四个要素的协同工作：
- 滚动率：定义“风险恶化”的量化指标。
- 时间窗口：决定“何时”计算和评估滚动率。
- 状态转移矩阵：提供“如何”从当前状态预测未来状态的概率。
- 马尔可夫链：提供“为什么”可以这样预测的数学理论支撑。