3. 坏账率计算模块：逐笔交易坏账标记、滚动窗口坏账率计算、加权坏账率

坏账率是量化策略回测中衡量信用风险的核心指标。本模块从三个层次构建坏账率计算体系：逐笔交易坏账标记（微观判定）、滚动窗口坏账率计算（时序聚合）、加权坏账率（风险暴露调整）。三者形成从单笔到组合、从静态到动态的完整计算链路。

3.1 逐笔交易坏账标记

坏账标记是后续所有计算的基石。每笔交易在生命周期结束后，根据逾期状态和回收情况判定是否标记为坏账。判定规则如下表：

以下代码实现逐笔交易的坏账标记逻辑：

def mark_bad_debt(trades_df, overdue_threshold=90):
    """
    逐笔交易坏账标记
    trades_df: 包含 'overdue_days', 'recovery_rate', 'status' 列的 DataFrame
    """
    import numpy as np
    conditions = [
        (trades_df['overdue_days'] >= overdue_threshold) & (trades_df['recovery_rate'] < 1.0),
        (trades_df['overdue_days'] < overdue_threshold) | (trades_df['recovery_rate'] == 1.0),
        (trades_df['status'] == 'active')
    ]
    choices = [1, 0, 0]
    trades_df['bad_debt_flag'] = np.select(conditions, choices, default=0)
    return trades_df

3.2 滚动窗口坏账率计算

滚动窗口坏账率用于捕捉坏账率随时间的变化趋势，避免静态截面指标掩盖风险积累过程。核心参数包括窗口长度、步长和聚合方式。

计算步骤：

1. 确定窗口参数：窗口长度（如 30 天、90 天）、滑动步长（如 7 天）。
2. 窗口内聚合：对每个窗口内的交易，计算坏账笔数 / 总笔数（笔数口径）或坏账金额 / 总金额（金额口径）。
3. 时间对齐：将窗口坏账率对齐到窗口结束日期，形成时序序列。

滚动窗口坏账率计算示例：

def rolling_bad_debt_rate(trades_df, window_days=90, step_days=7):
    """
    滚动窗口坏账率计算（金额口径）
    """
    trades_df = trades_df.sort_values('exit_date')
    results = []
    max_date = trades_df['exit_date'].max()
    min_date = trades_df['exit_date'].min()
    current_start = min_date

    while current_start + pd.Timedelta(days=window_days) <= max_date:
        window_end = current_start + pd.Timedelta(days=window_days)
        window_data = trades_df[
            (trades_df['exit_date'] >= current_start) &
            (trades_df['exit_date'] < window_end)
        ]
        if len(window_data) > 0:
            bad_amount = window_data.loc[window_data['bad_debt_flag'] == 1, 'amount'].sum()
            total_amount = window_data['amount'].sum()
            rate = bad_amount / total_amount if total_amount > 0 else 0.0
            results.append({
                'window_end': window_end,
                'bad_debt_rate': rate,
                'trade_count': len(window_data)
            })
        current_start += pd.Timedelta(days=step_days)
    return pd.DataFrame(results)

3.3 加权坏账率

加权坏账率在滚动窗口基础上引入风险暴露权重，解决不同时期、不同产品风险敞口不均等的问题。常见加权方式包括：

• 余额加权：以窗口内每日未偿还余额为权重，反映资金占用期间的真实风险。
• 时间加权：以交易存续天数为权重，长周期交易对坏账率贡献更大。
• 风险敞口加权：以授信额度或风险价值（VaR）为权重，适用于组合层面风险度量。

余额加权坏账率计算实现：

def weighted_bad_debt_rate(trades_df, daily_balance_df, window_days=90):
    """
    余额加权坏账率计算
    daily_balance_df: 包含 'date', 'trade_id', 'balance' 的每日余额表
    """
    # 标记坏账交易
    trades_df = mark_bad_debt(trades_df)
    bad_trade_ids = trades_df[trades_df['bad_debt_flag'] == 1]['trade_id'].unique()

    # 计算窗口内每日坏账余额占比
    daily_balance_df['is_bad'] = daily_balance_df['trade_id'].isin(bad_trade_ids).astype(int)
    daily_balance_df['bad_balance'] = daily_balance_df['balance'] * daily_balance_df['is_bad']

    # 滚动窗口聚合
    daily_agg = daily_balance_df.groupby('date').agg(
        total_balance=('balance', 'sum'),
        total_bad_balance=('bad_balance', 'sum')
    ).reset_index()

    daily_agg['weighted_rate'] = daily_agg['total_bad_balance'] / daily_agg['total_balance']
    daily_agg['weighted_rate'] = daily_agg['weighted_rate'].fillna(0)

    # 窗口平均
    daily_agg['rolling_weighted_rate'] = (
        daily_agg['weighted_rate']
        .rolling(window=window_days, min_periods=1)
        .mean()
    )
    return daily_agg[['date', 'rolling_weighted_rate']]

3.4 三种坏账率的对比与选择