1.5.2 催收指标
入催:进入到催收列表。
催回:当月流入当月催回账户数。
催回率:当月流入当月催回账户数在流入账户数中占比。
回流:账户状态回落(即当月账户状态在月末未发生恶化)。
其他指标:逾期罚息、逾期利息、逾期未还本金、未到期待还本金。
1.5.3 坏账指标
WO%*呆账*:为write-off%的简写,当月转呆账金额÷逾期开始月的应收账款。经过年化之后,月转呆账率转换为年损失率。
累计WO%:主要目的为观察期满客户的累积损失率,计算样本为已届满总期数后的N期客户,计算公式为:分母案件第1~(K N)期的转呆账总金额/已满(K N)期案件的初贷总金额。K表示为总期数,N表示转呆账所需期数。最后1期应缴金额若延滞,经过N个月后才会转为呆账。转换为年化后才较易解读。可精确计算该产品整个生命周期结束后的实际损失率。但在中长期贷放产品中较少使用。
准坏账:账户预计是当月新增坏账。
新增坏账:当月末新增逾期天数≥91天账户本金。
Bad%(坏账/不良):bad定义除了逾期户外,可能还饱含各式债务协议及高风险控管户等。转呆账率(WO%):为write-off%的简写,当月转呆账金额÷逾期开始月的应收账款。经过年化之后,月转呆账率转换为年损失率。
贷款余额:在贷账户(包含逾期账户)剩余本金之和。
回收:月初坏账账户回收本金。
Re(Recovery):回冲=上月末呆账金额 本月转呆金额-本月末呆账金额。
NCL%:为net credit loss的简写,当期转呆账金额减当期呆账回收,亦即为净损概念。计算繁复,不常用,但具参考价值。通常NCL%与WO%一并列示。NCL的计算方式为:净损金额÷逾期开始月的应收账款,通常也以年化形态为主。
2.分析方法
风险管理所面对的问题是复杂且多面向的,实务上所使用的的分析手法与品管技巧有许多类似之处,下面介讨论各几类分析手法及其应用。
2.1 问题界定
在进行任何分析前,首要工作就是界定问题,描述问题轮廓,确定分析方向。确认目标,锁定主题,选择合适的分析方法。
报表上的数字只是问题的“病症”,分析人员要探究的正是背后的“病因”。
界定方法:一般界定问题大多采用“回溯法”,即由结果回推原因,程序可分为开展分析及收敛确定量大阶段(首先列出问题可能原因,再一一检测问题所在)
常用方法:经验法则、鱼骨图、直方图、柏拉图、决策树。(介绍一下这几种方法,举几个栗子啥的)
2.2 分析类型
趋势分析:
趋势分析以时间轴线为基础,搭配各种指标及维度发展而成,此类分析应用极为广泛。
例:核准率追踪、延滞率追踪、回收率追踪 (追踪的概念)
功能:了解过去趋势变化,推测未来走势
结构分析:
结构分析主要用于分析各项指针的组成结构,例如客户风险等级、进件通路、年龄、性别、地区、学历、额度等结构分析。
方式:饼图、堆叠图、线性占率变化图
累计分析:
累计分析用来显示特定指针的累积量或累计百分比,亦可视为结构分析的延伸。
在风险管理的应用上,累计分析通常具有顺序性,比如客户依风险由低而高,给予一个风险评级
例:KS、ROC
单一指标分析:
单一指标分析的使用时机是以多维变量围绕单一指标值讨论
综合指标分析:
单一指标分析无法展现问题全貌的时候,将相关指标一起列出,以避免信息不全导致误判。
例:核准率和延滞率搭配使用,进件数与进件占比搭配使用。
注:分析维度不宜太多,一般低于三维交叉,否则报表将变得复杂,不易阅读,不易理解。
账龄分析:
账龄分析的目的在于,显示各bucket至观察点为止的延滞率。其主要特色为结算终点一致,也就是说,样本客户的核贷日期也许分散于各个月份,但皆于同一时点合并计算逾期比率。
vintage analysis:
由于网贷业务的特点,用户的借款行为和还款表现具有时滞性。特别是在贷款的扩张阶段,伴随这贷款余额的激素增长,风险指标的分母极速扩大,但是分子由于时滞性而没有同步的增加。如果采用传统的(当前逾期/当前余额)的方法,容易使决策机构低估了当前的风险。
Vintage分析方法能很好的解决时滞性问题,其核心思想是对不同时期的授信的资产进行风险跟踪,按照账龄的长短进行同步对比,从而了解不同时期贷款的风险情况,是一个所谓的竖切的概念。而迁移率模型能够很好的提示贷款整个周期的演变情况,是一个所谓横切的概念。
Vintage:是以账龄MOB(month on book)为轴,观察每个放款月贷后的质量情况,分母为对应月份的放款本金,分子是截止期末时点逾期Mn 客户的所有剩余未还本金,可观测一个多期产品的风险全貌。
vintage analysis的目的是以账龄为主轴,分析拨贷后各往来期间的逾期状况,也就是说用来观察贷后N个月的逾期比率,由于拨贷后逾放尚需一段时间后才会陆续出现,因此N多从6开始算起。
vintage analysis的主要特色为以往来月数取代绩效月份,探讨的重点为案件逾放反应时间与恶化的程度。
表中是对M2用户的Vintage分析。 其中行为用户授信的时间,列为特定时间授信的贷款在某一时间切片的还款质量,比如2.12%就是2018年4月授信的用户在2018年7月份M2逾期的情况(2018年4月授信的用户在7月的M2逾期的总额/2018年4月份用户在7月的总的贷款余额)
从表中可以看出2018-07月的授信的用户M2逾期率明显偏高,这就提醒策略机构要分析引起贷款质量下降的原因了。
2.3 指标选择
理清不同指标之间的关联,为报表使用者提供完整可靠的分析。
相对性:
事件的一体两面,一个指标的上升也许对应另一个指标的下降,相对考量,不可骤下结论
比较性:
对关键指标制定标杆值,以实际业务需要制定一定的业务警戒线。
例:止损线
互补性:
单独一个指标也许无法说明问题,需用额外的指标配合解释。
例:延滞率偏高,不可因此轻易断言质量不佳,因为有可能是样本量过少导致
多面性:
有时单一指标呈现的信息,从另一面切入考虑会得出完全不同的结论。
例:逾期率在逐渐降低,但是发现业务通过率也在变低,最终的收益不升反降。
顺序性:
有些指标有前后顺序关系,甚至依序发生,环环相扣,有时一个指标的好坏与前一个指标有非常大关系。
例:进件量、核准量、拨贷量
层次性:
剖析指标,层层探索原因
例:总体催收效果不好,可以下探到各催收小组的催收效力上,是人员不足,还是员工动力不够。
落差性
阶段性的指标变化,通常需要等待一段时间,才好下结论
例:观察期&反应期
2.4 分析维度
在整个credit cycle运行过程中,影响风险的因子有四大类型,依次规划单一或多维度分析,对风险进行深入剖析,能确实掌握各种因子组合下的风险。
产品维度:
包括:产品种类、期数、利率、额度、专案、卡别等。
多期产品、单期产品、公积金贷、车抵贷、消费贷A、消费贷B、现金贷等;
产品维度包括各类产品的属性,例如产品种类、期限、期数、类型、额度、等相关产品属性。
以贷款类业务为例最主要的贷款六要素(借款人、贷款金额、利率和费率、期限、用途、类型)。
渠道维度:
贷款超市、线下渠道、白名单、交叉营销、短信等。
用户维度:
客户的维度包含很多中,例如身份特征、自然人或者法人或者其他类型身份,性别、年龄、区域、学历、收入、行业等都很关系,特别是要针对客户的逾期、坏账分布来挖掘一些事情。
信用维度:
包括:进件评分、在贷余额、有无负债、拒绝原因等。信用维度这个概念比较大,比如人行征信、芝麻分以及各种各样的信用分,具体的应用还需要看场景和客户群表现而定,如果单纯的就认为芝麻分700 以上的都是好人而且请用的扩大授信额度,是需要三思的。
行为维度:
包括:交易类型、预借现金使用率、缴款记录、循环额度使用率等。一般来说行为多以客户内部行为为主,因笔者学识浅薄,无能力谈论行为维度相关内容。
基本数据维度:
包括:年龄、性别、区域、学历、收入、行业、账龄等。
其他数据维度:
其他的可以通过内部,外部获得一些数据,这些数据维度可以通过大数据的方法来进行处理。不过对于弱项的影响力还需要进行科学的验证方可。
设备信息维度:
在互联网金融中,因为可以通过移动设备来申请贷款,所以较传统银行业,我们多了一个设备信息这方面的维度,主要包括如下几个大类,各大类又可以进行细化
1)申请行为类:在移动设备上各环节填写时间、阅读条款时间、申请时间等。
2)数据识别类:移动设备位置信息、安装应用信息、手机型号、App版本信息等。
3)社会关系类:通过分析移动设备中的联系人,得到其社会关系信息。
用户画像维度:
2.5 样本分群
分群原则:组内差异小,组间差异大,如样本数少,考虑合并。
2.6 实验设计
产品推出一段时间后,风险管理单位就各项陆续出炉的分析进行监控工作,需要采用一定的测试方式,观察测试结果,必要时调整计划。
方式:
①定时测试:特定时间内,一律按照某种条件对案件进行管理。
②定量测试:事先规划好样本数,直到样本量满足设定条件。
③定性测试:按照某种预定的属性条件测试,如:针对全体女性群体。
2.7 测量方式
指标分为原生性指标和衍生性指标,通常使用的测量方式有平均数、绝对值、百分比,这些测量方式与时间轴线搭配,可观察各项指标的持续性、稳定性及发展趋势。
2.8 变异因素
在分析过程中,会存在某些不可抗力因素而造成的数据变异,如行业风险、政策风险、目标客群等发生变化,造成的影响可能是暂时性,也可能是永久性的。
暂时性:加以说明;永久性的话,可以考虑对不同条件切割,继续分析,尽量避免该因素的混淆与干扰。
3.预测方法
3.1 关联推测
属于定性法的一种,借历史数据加上经验判断预测未来指标走向。
优点:简单方便
缺点:精度不够
3.2 移动平均
将时间序列概念带入算术平均的一种改良方法,根据一定期间的实际数字,次第推移计算平均值,借以推测未来趋势。
例:相邻5个月份的平均值
3.3 线性回归
较移动平均有更好的预测效果
例:线性插值
3.4 对数回归
较线性回归在好坏客户的判别上使用更普遍。
长期讲,业务增长或者递延率趋势,都不可能一路直线增长,当增长到一定程度上,增长率会衰减。使用对数就是突显这种比例上的关系。