一文教你如何解读Vintage

当我们在观测资产最终损失和不同资产的风险差异时,经常会用到一个指标,那就是Vintage。

这个指标的计算和展示与大多数指标有所不同,因为所需要的数据信息并不单来源于某一个固定时间的切片数据,而是来源于历史多个时间节点的切片数据,所以它也携带了历史信息。

Vintage本身携带了这么多信息,我们该如何挖掘呢?

PS:全文所有内容仅参考引用自FAL-【金科应用研院】内部公号,FAL公号所有内容未经许可,不得转载!
首先,我们先看下Vintage长什么样:
在这里插入图片描述

对应图表中指标的计算公式为:

Vintage 90+逾期率= 统计时间点逾期天数为90天以上资产的在贷余额/放款金额

图表中横轴为资产放款后的账龄月,纵轴为逾期率。

一、Vintage计算前期准备

月度切片逾期数据(若无现成的切片数据,则需要回退)
计算各切片数据中每个借据的逾期天数
根据想要观测的维度计算Vintage(常见的维度为月度、季度、年等)

二、Vintage的种类

1)根据选取切片数据时间不一样,可划分为Month end(月末)与Cycle end(期末)两种。

Month end:选取切片数据的时间为每个自然月的最后一天,所有借据都是在同一天统计。

Cycle end:选取切片数据的时间为每个借据还款日的第二天,每个借据都有自己的统计日。

在统计上,Month end的算法在每次计算逾期天数时,对于在同月内不同时间放款借据给的表现期是有差异的,Cycle end则弥补了这个问题。

2)根据计算标的不同,可划分为单量、金额与客户三类。

金额是最常规也是使用得最多的,能观测资产的最终损失;在借据金额与逾期有相关性的时候,使用单量和金额结合观测会有不错的效果;客户的Vintege则更能协助贷前策略找到目标客户。

3)根据指标的计算口径,可划分为当前逾期、ever逾期两类。

当前逾期:在统计节点计算当前逾期的标的
ever逾期:在统计节点计算历史逾期的标的

ever逾期更严格一些,将历史满足逾期条件的标的均计算进来,与当前逾期结合能观测到Vintage口径的留存率。另外在建模中定义Y样本的时候也会用到。

4)根据指标逾期的口径,常规可划分为X+,30+,60+,90+,120+,150+,180+。

按照上述的分类,粗略估算下,共有232*7=84种,所以我们在解读Vintage时,需要对好暗号,明确是哪一种。

如果再加上展示的维度,将会有更多类别(常见的维度为月度、季度、年等)。

三、Vintage的信息解读

对于Vintage的解读,我们大体可以归纳为以下几点:

【信息1】观测某笔资产最终的损失比例,也就是观测这根线最终平稳的值,当然打平的位置跟资产的平均借款期限有关。

【信息2】观测单根线增长趋势,前期增加以欺诈风险为主,后期增加主要为信用风险,结合指标能判断最终损失中欺诈与信用的大致占比。

【信息3】不同月份放款资产最终损失的差异,通过这个可与评判不同月份的放款资产的差异,从而对策略优化提供建议。

【信息4】不同年同组月份放款资产最终损失的差异,通过可以评判是否存在季节性。

【信息5】观测已有数据的增长趋势,预估最终损失,并进行过程监控,提前预警。

根据这些归纳的解读方法,结合不同类型的Vintage可能还需要做一些调整,但万变不离其宗,希望能帮到大家。

—————————end—————————

©️2020 CSDN 皮肤主题: 技术黑板 设计师:CSDN官方博客 返回首页