3. 坏账率基础概念：坏账的定义、坏账率计算公式、与传统低频坏账率的区别
在金融风控与量化交易领域，坏账率是衡量资产质量与信用风险的核心指标。本章从高频Tick数据视角出发，重新定义坏账的边界，并推导适用于实时监控的坏账率计算公式。
3.1 坏账的定义
传统坏账指借款人逾期超过一定天数（如90天）且经催收仍无法收回的贷款本金及利息。但在高频Tick数据场景下，坏账的定义需要从“静态逾期”扩展为“动态流动性违约”。
高频Tick坏账定义： 在连续竞价或做市商报价过程中，因对手方无法在Tick级时间窗口内完成资金或证券交割，导致交易失败或头寸无法平仓的违约事件。
具体包含以下三类情形：
- 即时流动性违约： 在Tick级撮合中，买方账户可用余额不足或卖方证券持仓不足，导致订单被交易所拒绝或撤销。
- 结算延迟违约： 在T+0或T+1结算周期内，因资金/证券未按时到账，触发清算所罚金或强制平仓。
- 连续报价违约： 做市商在连续报价过程中，因自身风控阈值被击穿，无法履行双边报价义务，被交易所暂停做市资格。
3.2 坏账率计算公式
传统低频坏账率通常按“期末逾期余额 / 期末总贷款余额”计算，时间粒度以月或季度为单位。高频Tick坏账率则采用“事件驱动 + 时间加权”的实时计算方法。
| 维度 | 传统低频坏账率 | 高频Tick坏账率 |
|---|---|---|
| 计算粒度 | 月 / 季度 | Tick级（毫秒/微秒） |
| 分子 | 逾期90天以上贷款余额 | Tick级违约交易金额之和 |
| 分母 | 期末总贷款余额 | 滚动时间窗口内总成交金额 |
| 时间窗口 | 固定期末时点 | 滑动窗口（如过去1小时/1天） |
| 更新频率 | 低频（每日/每月） | 实时（每Tick更新） |
高频Tick坏账率公式：
BadRate_t = (Σ DefaultAmount_i) / (Σ TradeAmount_j)
其中：
- BadRate_t：t时刻的实时坏账率
- DefaultAmount_i：在滑动时间窗口 [t - W, t] 内，第i笔违约交易的金额
- TradeAmount_j：在同一时间窗口内，第j笔成功成交的金额
- W：滑动窗口长度（通常设为1小时、4小时或1个交易日）
实践建议： 在Tick级监控中，建议同时计算“瞬时坏账率”（窗口W=1分钟）和“趋势坏账率”（窗口W=1个交易日），前者用于实时风控拦截，后者用于策略回测与归因分析。
3.3 与传统低频坏账率的区别
高频Tick坏账率与传统低频坏账率在数据源、计算逻辑、业务含义三个层面存在本质差异。以下通过SVG架构图进行对比：
3.4 关键差异总结
高频Tick坏账率与传统低频坏账率的本质区别可归纳为以下五点：
- 时间维度不同： 传统坏账率是存量时点指标，高频坏账率是流量滑动指标。
- 违约定义不同： 传统定义依赖逾期天数，高频定义依赖Tick级交割失败。
- 数据粒度不同： 传统使用汇总报表，高频使用逐笔流水。
- 更新频率不同： 传统日/月更新，高频每Tick更新。
- 业务目标不同： 传统用于监管合规与拨备，高频用于实时风控与策略优化。
注意： 高频Tick坏账率不能直接替代传统坏账率用于监管报告。两者应并行使用：高频指标用于日内风控，低频指标用于合规披露。在回测历史策略时，需将Tick级违约事件按时间窗口聚合，才能与传统坏账率进行对比验证。
3.5 高频Tick坏账率计算流程
以下SVG图展示了从Tick数据采集到坏账率输出的完整计算流水线：
工程实现要点： 在Python中实现上述流水线时，建议使用
deque维护滑动窗口数据，利用numba或Cython加速Tick级计算。窗口长度W的选择需平衡灵敏度与稳定性：W过短易受噪声干扰，W过长则延迟过高。推荐初始值W=3600秒（1小时），后续根据回测结果动态调整。