4. 坏账率定义与计算：在量化交易场景下，坏账率的业务定义与滚动计算方法

在量化交易与信贷风控的交叉场景中，坏账率是衡量资产质量恶化的核心指标。与传统的“逾期天数”定义不同，高频行情下的坏账率需要结合盯市价值（Mark-to-Market）与滚动时间窗口进行动态计算，以捕捉资产在极端行情下的瞬时违约风险。

4.1 业务定义：什么是“坏账”？

在量化风控体系中，一笔资产被标记为“坏账”需同时满足以下两个条件：

• 条件一：盯市亏损超过阈值 —— 当前持仓市值相对于初始本金或保证金的比例跌破预设警戒线（例如：亏损 > 80%）。
• 条件二：流动性枯竭 —— 连续 N 个交易时段内无法以合理价格平仓，或买卖价差（Bid-Ask Spread）超过正常范围。

4.2 坏账率的计算公式

坏账率定义为：在特定时间窗口内，被标记为“坏账”的资产数量（或名义本金）占该窗口期初总资产数量（或总名义本金）的比例。

基础公式：

BadDebtRate(t) = (累计坏账资产数 / 期初总资产数) × 100%

其中：

• 累计坏账资产数：在时间窗口 [t - window, t] 内，首次触发坏账条件的资产个数。
• 期初总资产数：窗口起始时刻 t - window 时的活跃资产总数。

4.3 滚动计算方法：为什么不用固定周期？

固定周期（如每月、每季度）计算坏账率存在严重的滞后性和边界效应。在行情剧烈波动时，固定周期无法及时反映资产质量的瞬时恶化。因此，量化风控系统普遍采用滚动窗口（Rolling Window）计算。

滚动计算的核心逻辑：

1. 设定一个固定的时间窗口长度（例如：过去 24 小时、过去 100 个交易周期）。
2. 每产生一个新的交易数据点（如每分钟），窗口向前滑动一个单位。
3. 剔除窗口最旧的数据，加入最新的数据，重新计算窗口内的坏账率。

4.4 滚动坏账率计算流程

以下表格展示了滚动计算的核心步骤与数据流：

4.5 滚动坏账率计算流程图

下图展示了从行情数据输入到坏账率输出的完整滚动计算链路：

4.6 Python 实现：滚动坏账率计算函数

以下代码实现了基于 deque 的滚动窗口坏账率计算，适用于高频数据流场景：

from collections import deque
import numpy as np

class RollingBadDebtRate:
    """
    滚动坏账率计算器
    """
    def __init__(self, window_size: int = 100):
        self.window_size = window_size
        self.bad_debt_flags = deque(maxlen=window_size)
        self.initial_asset_count = None

    def update(self, current_asset_count: int, 
               mark_to_market_loss_pct: float,
               liquidity_ok: bool) -> float:
        """
        更新滚动窗口并返回当前坏账率
        
        参数:
            current_asset_count: 当前总资产数
            mark_to_market_loss_pct: 盯市亏损比例 (0~1)
            liquidity_ok: 流动性是否正常 (True=正常, False=枯竭)
        
        返回:
            当前滚动坏账率 (百分比)
        """
        # 初始化期初资产数
        if self.initial_asset_count is None:
            self.initial_asset_count = current_asset_count

        # 判断是否触发坏账条件
        is_bad_debt = (mark_to_market_loss_pct > 0.8) and (not liquidity_ok)
        self.bad_debt_flags.append(1 if is_bad_debt else 0)

        # 计算滚动坏账率
        if len(self.bad_debt_flags) < self.window_size:
            # 窗口未满时，使用已有数据计算
            cumulative_bad = sum(self.bad_debt_flags)
            total_assets = self.initial_asset_count
        else:
            cumulative_bad = sum(self.bad_debt_flags)
            total_assets = self.initial_asset_count

        bad_debt_rate = (cumulative_bad / total_assets) * 100.0
        return round(bad_debt_rate, 4)

# 使用示例
if __name__ == "__main__":
    rbd = RollingBadDebtRate(window_size=50)
    
    # 模拟高频行情数据流
    for i in range(100):
        loss = np.random.uniform(0.7, 0.95)
        liquid = np.random.choice([True, False], p=[0.7, 0.3])
        rate = rbd.update(current_asset_count=1000, 
                          mark_to_market_loss_pct=loss,
                          liquidity_ok=liquid)
        if i % 20 == 0:
            print(f"第 {i:3d} 周期: 坏账率 = {rate:.2f}%")

4.7 滚动窗口 vs 固定周期对比

4.8 坏账率漂移监控的输入输出关系

下图展示了坏账率作为 PSI 监控的输入指标，如何与后续的漂移检测模块衔接：

4.9 常见陷阱与避坑指南

• 陷阱一：窗口长度选择不当 —— 窗口过短导致坏账率剧烈抖动，产生大量误报；窗口过长则无法及时捕捉漂移。建议通过历史回测选择使 KS 统计量最大的窗口长度。
• 陷阱二：忽略期初资产数的动态更新 —— 若窗口内总资产数发生剧烈变化（如大规模赎回），固定期初值会导致坏账率失真。应使用窗口起始时刻的实际资产数。
• 陷阱三：流动性判断过于简化 —— 仅用“能否成交”作为流动性标准可能误判。建议结合买卖价差、订单簿深度、成交量等综合指标。