风控人必知必会的指标

无论是银行、P2P或者任何消费金融场景下都会产生风险，不仅包括政策、环境等不可测因素，也包含贷款人违约、欺诈套现等风险。所以出现一系列风控指标用于风险识别、分析、监控等维度，以下风控指标是个人总结，未必适合所有风控系统，仅供参考。

1. 首期逾期天数

释义：首期应还日起到统计日期间的天数，记为FPDN，其中N为逾期天数。

举例：

客户于2019/5/1申请贷款3000元，2019/6/1为客户的首期还款日，但是客户未还款，则客户于2019/6/10的逾期天数为10天，记为FPD10（解析：2019/6/10距离应还日2019/6/1共10天）。

以此类推，第二期逾期天数记为SPDN，第三期逾期天数记为TPDN….

2. 逾期期数

释义：应还日起到统计日期间的月份数，单位：月。

举例：

客户于2019/5/1申请贷款3000元，2019/6/1为客户的首期还款日，但是客户未还款，则表示该客户已出现逾期行为，随着时间推移逾期天数增加且客户一直未还款，到2019/7/1客户逾期一个月，逾期期数为1，记为M1，以此类推，M2逾期二期，Mn表示逾期N期，Mn+表示逾期N期(含)以上，M6+表示逾期期数 >=M6。

3. SPD10逾期比率

释义：第二期逾期10天的合同量/第二期可衡量的合同量。

由以上知SPD10为第二期应还日起到统计日相差10天且客户一直未还款，一般公司只统计首期还款日，所有正常情况下SPD10为统计日于首期还款日相差40天且未还款的客户，因此得到SPD10逾期比率的分子；分母为第二期可衡量的合同量，即统计日距离首期应还日至少相差40天的客户。

若2019/7/10统计SPD10的逾期比率，上述分析可得：SPD10逾期比率=首期还款日为2019/6/1且未还款的客户/首期还款日为2019/6/1的客户。

4. 近3个月的FPD10逾期比率

举例：

假设以2019/6/10为统计日，算近3个月可衡量的FPD10逾期比率，即2019/5/1为申请日，3个月可衡量即时间段为2019/2/1-2019/5/1，则此时间段2019/2/1-2019/5/1逾期10天的合同量/此时间段申请合同量为近3个月可衡量的FPD10逾期比率。

5. 迁移率

释义：处于某一逾期阶段的客户转到其他逾期阶段的变化情况，通常可以用来预测同逾期阶段的未来坏账损失。

假设统计2018/6-2018/12各逾期状态的合同量，数据如下（以下所有数据均为虚拟数据）：

由每个月在每个阶段的合同量，即可求各阶段迁移率，其中2018年7月MO-M1的迁移率就是2018年6月处于M0阶段的合同在2018年7月产生逾期，到M1阶段：=234827/1004844=23.4%，

从表2中可以看出M3-M4阶段迁移率较高，说明逾期超过90天，已经错过催收的黄金期，但是M4-M5迁移率有所下降，说明一些外部干涉，比如委外，上门催收等策略产生一定效果。

6. Vintage

解析：Vintage指标必须是比较同一阶段的目标，用于查看该目标的稳定期。

举例：

假设想要查看客户质量，首先我们得确定想看哪个阶段的客户质量，比如下图，统计每月M2+的客户占比，其中2018年1月的折线图，表示首期到期日为2018年1月的客户，随着时间的推移，每个月的月末产生M2+的客户占比；从图中可以看出M2+客户基本在10期已经稳定。

备注：

1、以上所有指标都是以合同量统计；根据实际情况，可按合同金额做相同处理