信用评分模型中的滚动率分析

信用评分模型中的滚动率分析

信用风险模型的目标是识别出应被拒之门外的潜在坏客户，因此给出合理的客户好坏分类是建模的基础。比如，信用卡逾期的“坏客户”，究竟应该是所有逾期过的客户，还是逾了好几期的客户呢？前者是不是还能抢救一下，后者是不是风险太高？

本期就来讲讲如何用科学的方法，判断你的客户还能不能抢救一下。

信用风险模型，简单地说就是通过历史数据，抓取坏客户显著区别于正常客户的特征，并以此为标准去预测未来会有很大概率出现这种行为的人。所以在模型中“坏”的定义就显得尤为重要，也就是未来究竟想把哪些人拒之门外。我们曾经介绍过vintage分析（参见：《vintage分析，从酿酒到银行信用评分领域》），该方法主要用来判断客户展现好坏本性的时间因素，但是在判断客户的好坏程度方面，则需要引入另一种方法：滚动率分析。

在信用评分领域，一般用客户拖欠欠款的时间来刻画客户的行为，逾期时间越长，逾期等级越高，客户风险也就越高。但是由于收益与风险的正比关系，银行为了找到平衡，不会认为所有发生过逾期的客户都是坏客户，并且“适当”的逾期不仅不会带来损失，反而带来了可观的逾期利息收入，所以对于银行来说，他所关注的坏客户是坏到某一程度，也就是逾期等级较高且不还款的客户。

信用风险模型中的滚动率分析，简单地说就是以某一时间点为观察节点，观察客户在该点前一段时间内（比如一年）最坏逾期程度，并追踪其在观察点之后的一段时间向其他逾期程度发展的情况，特别是向更坏程度发展的情况。

听起来有点懵？那我们来举个栗子。

假设我们取2016年8月31日为观察点，向前推一年为观察期，向后推一年为表现期，分别观察X万客户。

对于某一位客户逾期记录如下：

首先我们解释一下表中逾期期数的意思，假设一个客户在本月还款日的时候没有及时还上钱，那么