信用评分模型中的滚动率分析

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，那么他的逾期期数就记为1，如果他在下个月仍然没能在还款日时还上这笔款，那么他的逾期期数就记为2，期数会持续累加，直到他把这笔款还上。

所以上表中的这个客户，他在观察期里11月有过1次逾期，3-5月连续逾期了3期，也就是说该客户在前1年里面最坏的逾期记录应该是3期。同理，在后1年里面最坏的逾期记录是2期。

然后我们把X万个客户，在观察期和表现期最坏逾期期数都统计出来，就做出了如下频数汇总图：（以下数据纯属虚构）

上图纵坐标为观察期（前1年）客户最坏逾期期数，一共有5档：正常、逾1期、逾2期、逾3期、逾3期以上。横坐标为表现期（后1年）的表现情况。我们分别来看看这几类客户的情况：

1.正常档的客户在未来1年里，98%的客户还是会保持正常（无逾期）状态，也就是说此种程度下的客户比较倾向于保持自我属性；
2.曾经逾1期的客户在未来80%会从良不再犯，但是还有20%会继续，甚至有5%的人往更坏的程度发展去了；
3.曾经逾2期的客户在未来40%的人会继续恶化，22%左右的人会变正常（完全从良）；
4.曾经逾3期的客户在未来60%的人会继续恶化，15%左右的人会变正常（完全从良）；
5.逾期3期以上的客户在未来80%的客户会继续此状态（没救了）。

在风险里面我们对于坏的定义比较谨慎，所以需要找到一个不可逆的点，比如逾期3期以上的客户，就都是无力抢救的坏客户了。但是假如我们想把条件收紧一点，那么我们可能会选择逾3期或者2期。再假如我要给坏设定等级，那么我就可以把3期以上设为极度坏，逾3、2期的话可能设置为中度坏，那么1期的人我就觉得是不经意的坏。以此类推，这个道理也可以应用到其他行为的程度定义里。

当然，以上说的是最传统的滚动率分析，如果觉得计算过繁杂，可以考虑用另一种更容易操作的计算方法：当前与最坏情况的对比分析。这种方法与滚动率分析相近，简单地说，就是把表现期压缩成当前的观察点，当前观察点该客户的逾期表现即为表现期的最坏表现，而把观察期的时间跨度加长。这里就不展开详说了，有兴趣的你可以去搜搜资料。

所以在信用评分中对于定义客户好坏的两大利器：时间维度的vintage分析，和行为程度上的滚动率分析，但是万万不可忘记的是结合相应的业务策略，切记，切忌。