2. 坏账率基础：坏账率计算公式、滚动率与迁移率、Vintage分析在监控中的应用

坏账率是量化风控策略最核心的监控指标之一。但仅看一个静态的坏账率数字，往往无法判断风险是真实恶化还是资产周期波动所致。本章从坏账率的基础公式出发，引入滚动率、迁移率与Vintage分析，构建一套完整的坏账漂移监控知识体系。

2.1 坏账率计算公式

坏账率（Bad Rate）通常定义为逾期超过某一阈值（如M3+、M6+）的资产余额占总资产余额的比例。根据业务场景不同，存在三种主流计算口径：

2.2 滚动率与迁移率

滚动率（Roll Rate）和迁移率（Transition Rate）是描述资产在不同逾期状态之间转移概率的核心工具。滚动率衡量的是某一逾期阶段的资产在下一个观察周期进入更严重逾期阶段的比例。

滚动率矩阵示例（月度观察）：

迁移率则更关注资产从某一逾期状态向下一状态转移的净比例，常用于计算最终损失率。例如：M1→M2迁移率 = 本期M2资产中来自上期M1的金额 / 上期M1总金额。

2.3 Vintage分析在监控中的应用

Vintage分析（账龄分析）是坏账率漂移监控最强大的工具之一。它将不同时期（通常按月）放款的资产按账龄（MOB，Month on Book）对齐，观察同一账龄下的坏账率变化趋势。

Vintage分析的核心价值：

• 剥离时间效应：消除资产成熟度差异，使不同月份放款在相同账龄下可比。
• 早期预警：MOB3~MOB6的Vintage曲线若出现上翘，预示最终坏账率可能恶化。
• 策略效果评估：收紧策略后的Vintage曲线应整体下移，反之则上移。

2.4 坏账率漂移监控的三大指标联动

在实际监控中，坏账率、滚动率/迁移率、Vintage曲线需要联动分析，才能准确判断风险漂移的性质和来源。

2.5 实战代码：计算滚动率与Vintage曲线

以下Python代码演示如何从资产明细数据中计算滚动率矩阵和Vintage坏账率曲线：

import pandas as pd
import numpy as np

# 示例数据：每笔贷款的月度状态
# 字段：loan_id, month, status (0=正常, 1=M1, 2=M2, 3=M3+)
df = pd.read_csv('loan_monthly_status.csv')

# 1. 计算滚动率矩阵
def calc_roll_rate(df, current_month, next_month):
    """计算从current_month到next_month的滚动率"""
    cur = df[df['month'] == current_month].set_index('loan_id')
    nxt = df[df['month'] == next_month].set_index('loan_id')
    merged = cur.join(nxt, how='inner', lsuffix='_cur', rsuffix='_nxt')
    roll_matrix = {}
    for status in [0, 1, 2]:
        subset = merged[merged['status_cur'] == status]
        if len(subset) == 0:
            continue
        total = len(subset)
        for target in [0, 1, 2, 3]:
            count = len(subset[subset['status_nxt'] == target])
            roll_matrix[f'{status}→{target}'] = round(count / total * 100, 1)
    return roll_matrix

# 2. 计算Vintage坏账率
def calc_vintage_badrate(df, max_mob=12):
    """按月放款月份和账龄计算坏账率"""
    df['vintage_month'] = df.groupby('loan_id')['month'].transform('min')
    df['mob'] = df.groupby('loan_id')['month'].cumcount() + 1
    vintage = df[df['mob'] <= max_mob].groupby(
        ['vintage_month', 'mob']
    )['status'].apply(lambda x: (x >= 3).mean() * 100).reset_index()
    vintage.columns = ['vintage_month', 'mob', 'bad_rate']
    return vintage.pivot(index='mob', columns='vintage_month', values='bad_rate')

# 输出滚动率
print("滚动率矩阵（M1→M2迁移率）:", calc_roll_rate(df, '2024-01', '2024-02'))

# 输出Vintage表
vintage_table = calc_vintage_badrate(df)
print("\nVintage坏账率表（前12期）:")
print(vintage_table.head(12))