2. 坏账率基础概念：定义、公式、行业标准与监控意义

坏账率是金融风控中最核心的量化指标之一，它直接反映信贷资产组合的信用质量。在事件驱动架构下，坏账率的实时或准实时计算能力决定了回测系统的有效性。本节从定义出发，逐步拆解计算公式、行业基准与监控价值。

2.1 坏账率定义

坏账率（Bad Debt Ratio, BDR）是指在特定统计周期内，逾期超过约定宽限期且被认定为无法收回的贷款本金余额，占该周期内全部应回收贷款本金余额的比例。在金融实务中，“坏账”通常对应逾期 90 天以上（含 90 天）或监管认定的“损失类”资产。

2.2 计算公式

坏账率的标准计算公式分为两种口径：余额口径（存量视角）和 发生额口径（流量视角）。在回测场景中，通常优先使用余额口径以保持与资产负债表的一致性。

2.3 行业标准参考

不同金融业态的坏账率容忍度差异显著。以下为国内主流信贷场景的参考基准（数据来源于行业白皮书与上市金融机构年报，2023-2024 年）：

2.4 坏账率监控意义

在事件驱动架构下，坏账率监控已从“事后统计”升级为“事中干预”。其核心价值体现在以下四个维度：

1. 风险预警前置： 通过实时计算坏账率变化率，在指标突破阈值前触发告警事件，为风控策略调整争取时间窗口。
2. 策略回测校准： 坏账率是回测模型的输出标签，用于评估授信策略、催收策略、核销策略的有效性。
3. 资本充足率管理： 坏账率直接影响拨备覆盖率与风险加权资产（RWA）的计算，是监管合规的关键输入。
4. 产品定价反馈： 坏账率与风险定价模型形成闭环，当实际坏账率持续高于定价假设时，需触发定价重审事件。

2.5 回测场景中的坏账率计算示例

以下 Python 代码演示了在事件驱动回测中，如何基于滑动窗口计算坏账率：

import pandas as pd
from datetime import timedelta

def compute_bad_debt_rate(events_df, window_days=30, bad_debt_days=90):
    """
    事件驱动坏账率计算函数
    
    Parameters:
    -----------
    events_df : DataFrame
        包含 event_date, loan_id, event_type, amount 的事件流
    window_days : int
        滑动窗口天数
    bad_debt_days : int
        认定为坏账的逾期天数阈值
    
    Returns:
    --------
    DataFrame : 每个时间点的坏账率序列
    """
    # 标记坏账事件：逾期超过 bad_debt_days 且未回收
    events_df['is_bad_debt'] = (
        (events_df['event_type'] == 'overdue') & 
        (events_df['overdue_days'] >= bad_debt_days)
    )
    
    # 按日期排序
    events_df = events_df.sort_values('event_date')
    
    # 滑动窗口计算
    results = []
    for current_date in events_df['event_date'].unique():
        window_start = current_date - timedelta(days=window_days)
        window_end = current_date
        
        # 窗口内数据
        window_data = events_df[
            (events_df['event_date'] >= window_start) & 
            (events_df['event_date'] <= window_end)
        ]
        
        # 坏账总额 / 应回收总额
        bad_debt_total = window_data[window_data['is_bad_debt']]['amount'].sum()
        total_receivable = window_data[window_data['event_type'] == 'repayment_due']['amount'].sum()
        
        bad_debt_rate = bad_debt_total / total_receivable if total_receivable > 0 else 0.0
        
        results.append({
            'date': current_date,
            'bad_debt_rate': round(bad_debt_rate * 100, 4),
            'bad_debt_amount': bad_debt_total,
            'total_receivable': total_receivable
        })
    
    return pd.DataFrame(results)

2.6 监控指标树

坏账率不应孤立使用，需与以下关联指标组成监控体系：

• 迁徙率（Migration Rate）： 从 M1→M2→M3 的转化比例，是坏账率的先行指标。
• 回收率（Recovery Rate）： 坏账核销后的实际回收比例，用于修正净坏账率。
• 滚动率（Roll Rate）： 各逾期阶段的滚动比率，辅助判断坏账恶化速度。
• Vintage 坏账率： 按放款批次统计的最终坏账率，用于评估策略长期效果。

在事件驱动回测系统中，上述指标均可通过独立的事件处理器并行计算，最终汇聚到统一的监控仪表盘，形成多维度风险视图。