1. 坏账率基础概念

1.1 坏账率定义

坏账率（Bad Debt Rate, BDR）是量化风控策略中最核心的损失度量指标之一，用于衡量在特定时间窗口内，因借款人违约导致无法收回的本金及利息占整体放款金额的比例。在量化策略回测中，坏账率直接反映策略的风险暴露水平，是哨兵告警系统必须监控的首要指标。

1.2 计算公式

坏账率的标准计算公式分为两种口径：

在量化回测中，推荐使用金额口径作为哨兵告警的主指标，因为其与资金损失直接挂钩。具体计算时需注意：

• 逾期天数阈值（通常为M3+，即逾期90天以上）需在策略文档中明确定义
• 核销金额包含已催回部分后的净损失
• 分母“当期放款总额”应与分子保持相同账龄窗口

# 坏账率计算示例（Python伪代码）
def calculate_bad_debt_rate(loan_book, overdue_days=90):
    """
    计算金额口径坏账率
    :param loan_book: DataFrame，包含放款金额、逾期天数、核销金额
    :param overdue_days: 逾期阈值
    :return: 坏账率（百分比）
    """
    total_principal = loan_book['loan_amount'].sum()
    bad_debt = loan_book[
        (loan_book['overdue_days'] >= overdue_days) |
        (loan_book['write_off_flag'] == 1)
    ]['loan_amount'].sum()
    return round(bad_debt / total_principal * 100, 2)

1.3 在量化策略中的重要性

坏账率在量化策略中扮演三重角色：

1. 策略有效性标尺：任何量化策略的最终目标都是在风险可控前提下最大化收益，坏账率是衡量风险端最直接的指标。策略A的通过率比策略B高10%，但坏账率高出3个百分点，则策略A可能不具备实际部署价值。
2. 哨兵告警核心维度：在回测与实时监控中，坏账率一旦突破预设阈值，系统应立即触发告警，暂停策略或自动调参。没有坏账率监控的量化策略如同没有仪表盘的飞机。
3. 策略迭代优化锚点：坏账率与通过率、收益率构成“不可能三角”。调优阈值时，坏账率是必须锁定的约束条件——例如“在坏账率不超过5%的前提下最大化通过率”。

1.4 坏账率与其他风险指标的对比

在量化策略中，坏账率常与以下指标配合使用，形成完整的风险监控体系：

1.5 坏账率的时间窗口与账龄效应

坏账率具有显著的时间滞后性和账龄累积性。一笔贷款从发放到被确认为坏账，通常需要经历3-6个月的账龄窗口。因此，在量化策略回测中必须明确：

• 观察窗口：至少覆盖12个月的账龄，确保大部分坏账已被识别
• 滚动计算：使用滚动12个月（Rolling 12M）坏账率作为告警基准，消除季节性波动
• 截断处理：对于账龄不足的放款，使用“预期坏账率”替代实际坏账率，避免低估风险

1.6 坏账率在哨兵告警中的阈值设定原则

基于以上概念，在《量化策略回测坏账率哨兵告警阈值调优指南》中，坏账率阈值的设定需遵循以下原则：

• 绝对阈值：根据监管要求或资金方风险偏好设定硬性上限（如坏账率不得超过8%）
• 相对阈值：基于历史回测坏账率的均值+2倍标准差，捕捉异常波动
• 动态阈值：结合宏观经济指标（如GDP增速、失业率）进行周期性调整
• 分层阈值：按客群、产品、渠道分别设定差异化阈值，避免一刀切