1. 坏账率基础概念
1.1 坏账率定义
坏账率（Bad Debt Rate, BDR）是衡量金融机构信贷资产质量的核心指标，指在一定统计周期内，因借款人违约、破产、失联等原因导致无法收回的贷款本金及利息总额，占该周期内全部应收贷款余额或放款总额的比例。坏账率直接反映资产组合的信用风险暴露程度，是风控模型验证、准备金计提、资本充足率计算的基础输入变量。
关键认知：坏账率 ≠ 逾期率。逾期率仅反映借款人未按时还款的状态，而坏账率特指经过催收、核销流程后确认无法收回的最终损失。通常逾期超过 90 天或 180 天的贷款才会被认定为坏账。
1.2 坏账率计算公式
坏账率的计算口径因业务场景不同而有所差异，金融行业最常用的三种计算公式如下：
| 计算口径 | 公式 | 适用场景 |
|---|---|---|
| 余额口径 | 坏账率 = (期末坏账余额 ÷ 期末应收贷款余额) × 100% | 监管报表、拨备计提、资产负债管理 |
| 发生额口径 | 坏账率 = (当期新确认坏账金额 ÷ 当期放款总额) × 100% | 回测模型、风控策略调优、产品定价 |
| 滚动率口径 | 坏账率 = (逾期 M3+ 余额 × 历史滚动损失率) ÷ 总资产余额 | 早期预警、动态监控、哨兵告警阈值设定 |
实战要点：在回测坏账率哨兵告警系统中，发生额口径是最常用的计算方式。因为它能直接反映每一期放款在后续观察窗口内的最终损失表现，便于与模型预测值进行对比，从而触发告警规则。
以下为 Python 实现坏账率计算的示例代码：
def calculate_bad_debt_rate(bad_debt_amount, total_loan_amount):
"""
计算坏账率（发生额口径）
Parameters:
bad_debt_amount (float): 当期新确认坏账金额
total_loan_amount (float): 当期放款总额
Returns:
float: 坏账率（百分比）
"""
if total_loan_amount == 0:
return 0.0
return round((bad_debt_amount / total_loan_amount) * 100, 4)
# 示例：某月放款 5000 万，12 个月后确认坏账 125 万
bdr = calculate_bad_debt_rate(1250000, 50000000)
print(f"坏账率: {bdr}%") # 输出: 坏账率: 2.5%1.3 金融行业常见坏账率水平
不同金融业态、客群定位、经济周期下的坏账率差异显著。以下为行业参考基准：
| 业务类型 | 常见坏账率范围 | 备注 |
|---|---|---|
| 银行信用卡 | 1.5% – 3.5% | 优质客群，风控体系成熟，坏账率相对较低 |
| 银行个人消费贷 | 1.0% – 2.5% | 有抵押或担保的贷款坏账率更低 |
| 互联网消费金融 | 3.0% – 8.0% | 客群下沉，无抵押，坏账率波动较大 |
| P2P 网贷（历史数据） | 5.0% – 15.0% | 风险定价不完善，坏账率普遍偏高 |
| 小微企业贷款 | 2.0% – 6.0% | 受宏观经济影响显著，周期性特征明显 |
| 汽车金融 | 0.5% – 2.0% | 有车辆抵押，回收率较高 |
注意：以上数据为行业平均水平，实际坏账率受产品期限、风控策略、催收能力、经济周期等多重因素影响。在设定哨兵告警阈值时，必须基于自身业务的历史回测数据，而非直接套用行业基准。
1.4 坏账率与风控哨兵的关系
坏账率是哨兵告警系统的核心监控对象。在回测框架中，我们通常将模型预测的坏账率与实际回测坏账率进行对比，当偏差超过预设阈值时触发告警。以下 SVG 图展示了坏账率在哨兵监控体系中的位置与流转关系：
1.5 坏账率监控的关键维度
在哨兵告警系统中，坏账率并非单一指标，需要从多个维度进行拆解监控：
- 时间维度：按日、周、月、季、年统计坏账率，观察趋势变化。
- 客群维度：按信用评分区间、产品类型、渠道来源、地域等维度拆分坏账率。
- 账龄维度：跟踪不同放款月份（vintage）的坏账率成熟曲线。
- 业务维度：区分新增放款坏账率与存量资产坏账率。