互联网金融资产质量评估指标---fpd、vintage、rollrate和迁移率等等

目录#

• 概述
• 基础概念
  • 风险分析有常见的5要素：
  • 其他的相关概念
  • 延滞率
    • 即期指标（coincidental）：
    • 递延指标（lagged）：
  • 账龄(Month of Book，MOB)
  • FPD 首逾率（反欺诈相关）
  • 入催率
  • 逾期时间
• vintage 成熟期
  • 观察点与表现期：
  • vintage举例
• roll rate滚动率
  • 滚动率定义—状态变化
• 如何确定bad和good标签的账龄
  • vintage和roll rate的区别：
    • roll rate已经确定了bad为什么还需要通过Vintage分析来确定表现期？
    • Vintage里所有的账户，我们的目的是抓住尽可能多的坏客户。
• Flow Rate迁移率
• 坏账准备金
  • 坏账准备金的概念----各期逾期余额乘以各自准备金率
  • 准备金比例
• 资产组合管理相关
• 参考文章链接：

概述#

想写一个vintage和roll rate的文章，查到求是汪大佬写的非常详细，图文并茂。直接偷懒摘录了一个脱水版，想看原文的在这里。下面开始干货。

本文主要讲述账龄vantage、滚动率roll rate、迁移率flow rate三个指标的关系。

• 账龄分析（Vintage Analysis）：用以分析账户成熟期、变化规律等。
• 滚动率分析（Roll Rate Analysis）：用以定义账户好坏程度。
• 迁移率分析（Flow Rate Analysis）：用以分析不同逾期状态之间的转化率。

基础概念#

风险分析有常见的5要素：#

1. 下单月：
2. 观察月：
3. 放款额（GMV）：就是零售业说的“流水”，成交总额包括销售额、取消订单金额、拒收订单 金额和退货订单金额。
4. 在贷余额（Balance）/ ENR：至某时点借款人尚未偿还的本金
5. 逾期天数（DPD）

其他的相关概念#

1. C,M1,M2,M3…的贷款余额：根据逾期期数(C,M1,M2,M3…)，计算每条借款的当时的贷款余额。（贷款余额 = 放款时合同额 –已还本金）
2. 核销金额: 贷款逾期M7+（坏账）后经审核进行销帐，核销金额即在核销日期当天的贷款余额。
3. 回收金额 Recovery：来自历史所有已核销合同的全部实收金额。（核销后又回收的部分）
4. 净坏账 NCL：当月新增核销金额 – 当月回收金额（坏账减去回收）

延滞率#

延滞率（delinquent%）的计算可分为coincidental以及lagged两种方式，除了各bucket延滞率之外，也会观察特定bucket以上的延滞率，如M2+lagged%以及M4+lagged%等指标，以M2+lagged%为例，分母为两个月前应收账款，分子为本月M2（含）以上尚未转呆账的逾期金额。

在消费金融风险管理上，M2以及M4为两个重要的观测点，原因是客户可能因为一时忙碌或疏忽造成账款逾期，但若经过M1催收仍旧落入M2以上，几乎可以确认为无力缴款或者蓄意拖欠。另外依据经验，客户一旦落入M4，事后转呆账几率非常高。

下面部分来自知乎京东白条的回复：

逾期率有两种方法：即期逾期率指标Coin(X)%和递延逾期率指标Lagged(X)%

这个指标分子 = 时点逾期余额，分母 = 时点透支余额。逾期率最直观，但也最容易被“操控”：

分子会受到统计粒度的影响（以客户/账户/贷款单/贷款分期单哪个粒度来计算差异很大，尤其是偏重分期的产品），也会受到核销等资产处置的影响（是否有核销处理、统计时是否包含）。

分母会受到当期时点规模的影响，季末/年末冲量或特殊的营销时点上，都会导致规模的激增，人为拉低时点的逾期率。

在产品高速发展时期，规模增长迅速，而风险滞后释放，导致对风险的低估和滞后判断；而在产品成熟和衰退期，导致对风险的高估，容易误导风险策略的制定。

由于上述原因的存在，一般逾期率只能说明累积的整体风险水平如何。如果根据时点的不良率判断近期风险水平，存在高估/低估的可能。-------------逾期率只能是整体一个粗略的观察，具体来说逾期的结构更重要。

如果一定要用时点余额来判断近期的风险，建议使用延滞率或逾期的净生成率：

Mi延滞率=当期Mi/i月前的M0

Mi净生成率=(当期Mi-i月前的Mi)/i月前的透支余额

这两个指标至少能在一定程度上排除当期时点规模、历史存量的影响，能更真实反映近期的风险水平。

新增客户/资产的风险水平如何？#

整体的逾期率并不一定能回答或甄别近期客户/资产的风险水平。需要通过VINTAGE拆解客户和资产，观察相同的表现期后不同客群/资产的逾期占比，例如激活或放款后1~24个月各月月末时点的0+/30+/90+贷款户数和金额或余额的占比。

通过对比不同激活月或放款月在相同的表现窗口后的逾期水平，能观察不同激活月/放款月（对应了不同的策略或人群）的风险走势，更合理评价不同时点人群/资产的情况和策略的效果。

如果运营是针对的客户的，按照激活时间划分客群统计VINTAGE更通用一些；如果是针对资产进行运营，按照贷款的放款月划分资产统计VINTAGE更通用一些。

存量资产的迁移情况？#

除了需要时刻关注新增的风险外，也需要掌握已经逾期资产的迁移/退出情况，也就是滚动率(或者迁徙率、迁移率)。

滚动率一方面体现了客群和资产的质量，也能反映催收运营的状况。

常见的滚动率一般是当期账龄余额与上一期上一账龄余额的比值，用百分比表示。账龄越高，滚动率越高，表示资产回收的可能性越低，进入下一期高账龄的概率越高。

滚动率也可以进一步细分为向上/向下滚动，一般默认的滚动率都是向上滚动，即从低账龄滚到高账龄。向上/向下滚动需要锁定月末时点某一账龄的客户/资产，在下月底观察锁定的这部分客户或资产，统计向上/向下滚动的占比，能排除统计粒度和分期带来的降期影响。

另外，滚动率与产品、前中后的运营等诸多因素有关，短期容易波动，可以计算复合滚动率，例如M0->M4的滚动率，能从长周期来观察资产质量和运营的稳定水平。

即期指标（coincidental）：#

计算延滞率时常用的两种方法之一，以当期各bucket延滞金额÷应收账款（AR）。

如逾期率Coin©%、Coin(M1)%、Coin(M2)%、Coin(M3)%等等：

当月不同逾期期数的贷款余额/当月底总贷款余额

例：

Coin©%=当月C贷款余额/当月底贷款余额(C-M6)-------------------正常用户余额占所有贷款余额

Coin(M1)%=当月M1贷款余额/当月底贷款余额(C-M6)

Coin(M1+)%=当月M1−M6贷款余额/当月底贷款余额(C-M6)------------------逾期M1以上的用户余额占所有贷款余额

递延指标（lagged）：#

计算延滞率时常用的两种方法之一，延滞金额÷上月应收账款。若单纯想了解各月资产质量结构，可使用coindental，但若想精准溯及逾放源头的话，建议采用lagged。

与coincident相同也是计算延滞率的一个指标，区别是lagged的分母为产生逾期金额的那一期的应收账款。Lagged观察的是放贷当期所产生的逾期比率，所以不受本期应收账款的起伏所影响。

逾期率Lagged(M1)%、Lagged(M2)%、Lagged(M3)%、Lagged(M4)%、Lagged(M5)%、Lagged(M6)%

Lagged DPD30+ = 当前逾期>=30天的客户的本金余额 / 30天前的累计放款本金

当月不同逾期期数的贷款余额/往前推N个月的总贷款余额可以提出当前时点的影响。

例:

Lagged(M1)%=当月M1的贷款余额/上个月底时点的贷款余额 -----------------其实就是平台当月M1/1月前的M0

Lagged(M4)%=当月M4的贷款余额/往前推四期的总贷款余额

Lagged(M4+)%=当月M4的贷款余额/往前推四期的总贷款余额 + 当月M5的贷款余额/往前推五期的总贷款余额 + 当月M6的贷款余额/往前推六期的总贷款余额

逾期结算#

实际风险有两种结算方式：

Month end：月底结算 （常用方式，主要以自然月月底的逾期指标为主）

Cycle end：期末结算（单个借款人还款日时间不同，在月底结算的数据不准确，所以一般设置20日还款，留出10天给催收部门）

早期逾期多数为借款人忘记还款，或短时间资金周转不周，这是与策略密切相关的。通过借款人债偿能力评估识别出借款人有足够资金，可以不做提醒，以获取滞纳金，对于借款人资产表现不好的，可以设置提前10天提醒还款。

逾期天数90-119天，为资产M4阶段。M4-M6的阶段都称之为不良。M4是一个重要的节点，因为消金公司，上报给银监会，或上市公司披露财务数据、风险数据时，都会选择披露不良率。如果有些公司要在审计认可这个方法论时，会对M4做一些调整。

通常180天以上都作为坏账处理，坏账也是被披露的数据之一，还包含一些特别的计提。

账龄(Month of Book，MOB)#

指资产放款月份。放款日截止观察点的月数。如：

• MOB0：放款日至当月月底
• MOB1：放款后第二个完整的月份
• MOB2：放款后第三个完整的月份

FPD 首逾率（反欺诈相关）#

FPD是指首期逾期率，是说在某一个还款日，仅第一期到期的客户中有多少没有按时还款。与入催率的差别在于，入催率包含了第一期、第二期、第三期等等所有到期的M0。FPD一般用来做反欺诈，因为欺诈用户他第一期是根本不会还款的。

用户授信通过后，首笔需要还款的账单，在最后还款日后7天内未还款且未办理延期的客户比例即为FPD 7，分子为观察周期里下单且已发生7日以上逾期的用户数，分母为当期所有首笔下单且满足还款日后7天，在观察周期里的用户数。常用的FPD指标还有FPD 30。
举例：

假设用户在10.1日授信通过，在10.5日通过分期借款产生了首笔分3期的借款，且设置每月8日为还款日。则11.08是第一笔账单的还款日，出账日后，还款日结束前还款则不算逾期。如11.16仍未还款，则算入10.1-10.30周期的FPD7的分子内。通常逾期几天的用户可能是忘了还款或一时手头紧张，但FPD 7 指标可以用户来评价授信人群的信用风险，对未来资产的健康度进行预估。

与FPD 7 类似，FPD 30也是对用户首笔待还账单逾期情况进行观察的指标。对于逾期30天内的用户，可以通过加大催收力度挽回一些损失，对于逾期30天以上的用户，催收回款的几率就大幅下降了，可能进行委外催收。如果一段时间内的用户FPD 7较高，且较少催收回款大多落入了FPD 30 内，则证明这批用户群的non-starter比例高，借款时压根就没想还，反之则说明用户群的信用风险更严重。

入催率#

有了前面的铺垫，入催率就比较简单了。它指的是在某一个还款日，客户从M0变成M1的比例。比如说，今天，有N个M0客户到了还款日，里面有M个客户按时还款了，那么今天的入催率就是（N-M）/N。它与上面的FPD是有区别的。

逾期时间#

DPD、M0（未逾期）、M1（逾期一个月类）、M2（逾期两个月内）。。。

一般M3+就要委外了，M6+(180天以上)就要记为坏账了。

vintage 成熟期#

其实就是逾期率随着账龄变化的趋势图。常见的作用有：

• 逾期率：vintage的纵轴随着横轴账龄的增大肯定是变大的，最终的平稳后的逾期率（最大值）就是逾期率。（有资产逾期率、账户逾期率两种口径）
• 欺诈：如果前两期逾期率陡增，短期风险没处理好，是欺诈（特别是第一期就违约的）
• 信用风险：如果一直上升、很久不拐，说明信用风险控制不太好。
• 成熟期：
• 因素判断：风险策略变化、客群变化、市场环境、政策法规变化时，资产质量的变化。（看vintage曲线的波动）

观察点与表现期：#

• 观察点、观察期、表现期：通常是在整个MOB中选取一个月份作为观察点，前面的期限是观察期，后面的期限是表现期。也就是在时间轴上选取一个点，这个点是观察点。前面的是观察期，后面的是表现期。

• 表现期越长，信用风险暴露将越彻底，但意味着观察期离当前越远，用以提取样本特征的历史数据将越陈旧，建模样本和未来样本的差异也越大。(模型PSI高)

• 反之，表现期越短，风险还未暴露完全，但好处是能用到更近的样本。（模型PSI低）

vintage举例#

下面是求是汪大佬的一个例子：

对于一个12期分期还款的信贷产品，理论上当用户在12期结束，并还清所有的钱后，我们才能定义为绝对的好客户；反之，我们只能说到目前为止是一个好客户，但并不能知道未来几期用户会不会逾期不还钱。

汪大佬的这个图中可以看到：

1. 账龄最长为12个月，代表产品期限为12期。
2. 根据2018年5月放贷的订单完全走完账龄生命周期，而2018年6月却没走完，说明数据统计时间为2019年6月初。
3. 账龄MOB1、MOB2、MOB3的逾期率都为0，说明逾期指标为M4+（逾期超过90天）风险。
4. 由放贷月份从2018年1月～12月的账户的最终逾期率都在降低，说明资产质量在不断提升，可能是因为风控水平在不断提升。
5. 2018年5月相对于2018年1～4月的逾期率大幅度下降，说明该阶段风控策略提升明显。
6. 不同月份放款的M4+在经过9个MOB后开始趋于稳定（后面违约率不再大幅上升），说明账户成熟期是9个月。

roll rate滚动率#

滚动率定义—状态变化#

滚动率：就是从某个观察点之前的一段时间**（观察期）的最坏的状态，向观察点之后的一段时间（表现期）的最坏的**状态的发展变化情况。（就是说从上一状态向下一状态发展的一个度量，说最坏是因为可能用户逾期多笔）

滚动率分析的具体操作步骤为：

• step 1. 确定数据源。一般利用客户还款计划表（repayment schedule）。

• step 2. 选择观察点，以观察点为截止时间，统计客户在观察期（如过去6个月）的最长逾期期数，按最坏逾期状态将用户分为几个层次，如C（未逾期）、M1、M2、M3、M4+。

• step 3. 以观察点为起始时间，统计客户在表现期（如未来6个月）的最长逾期期数，按最坏逾期状态将用户分为几个层次，如C、M1、M2、M3、M4+。

• step 4. 交叉统计每个格子里的客户数，如图6中表1所示。

• step 5. 统计每个格子里的客户占比，如图6中表2所示。

• step 6. 为了排除观察点选择时的随机影响，一般会选择多个观察点。重复step1 ～5。

  

上面的图说明：

1. 逾期状态为M0的客户，在未来6个月里，有96%会继续保持正常状态，4%会恶化为M1和M2；
2. 逾期状态为M1的客户，未来有81%会回到正常状态，即从良率为81%，有7%会恶化，13%会保持M1状态；
3. 逾期状态为M2的客户，从良率为23%，有39%会恶化为M3和M4+；
4. 逾期状态为M3的客户，从良率为14.7%，有60.7%会恶化为M4+；
5. 逾期状态为M4+的客户，从良率仅为4%，有80%会继续保持此状态。
6. 因此，我们认为历史逾期状态为M4+的客户已经坏透了，几乎不会从良。为了让风控模型有更好的区分能力，需要将客户好坏界限尽可能清晰(也就是从良率最剧烈减少的点开始)，可以定义：

坏用户（bad）= 逾期状态为M4+（即逾期超过90天）

如何确定bad和good标签的账龄#

vintage和roll rate的区别：#

• 滚动率分析用于定义客户的好坏程度。(定义标签bad和good)
• Vintage分析用于确定合适的表现期。（找到一个合适的观测点，前面的该逾期的已经逾期了，充分暴露了）

定义目标客户到底是good还是bad的具体操作步骤为：

• step 1. 利用滚动率分析定义坏客户（找到不会再从良的那个账龄点），例如上文案例中定义：M4+为坏客户。（先找到bad和good）
• step 2. 以M4+作为资产质量指标（上一步找到定义了bad还是good），统计Vintage数据表，绘制Vintage曲线。目的是分析账户成熟期（逾期率不再明显增加），例如上文案例确定：账户成熟期是9个月。

也有根据迁徙率确定bad还是good的，下面是FAL提到的一个例子：

由下表可以看出，M2以上的迁徙率将近90%，所以确定当前逾期31天以上为区分好坏客户的标准，及后续分析的目标变量。

roll rate已经确定了bad为什么还需要通过Vintage分析来确定表现期？#

这是因为：虽然滚动率分析确定了M4+作为坏的程度（从良率最低），但是对于12期的产品，有些账户是在前4期MOB（也就是MOB1 ~ MOB4，经过4个表现期）就达到M4+，有些是在（观测点前）后几期才达到M4+。而这很重要。

Vintage里所有的账户，我们的目的是抓住尽可能多的坏客户。#

现在进一步补充Vintage曲线的绘制过程：如图8所示，对于这10,000个账户，以MOB1为起点，把前N个MOB作为一个窗口，滑窗统计坏客户率，得到图5-表1中的Vintage数据，并绘制Vintage曲线。我们可以发现：经过9期，我们几乎能够抓住所有的坏客户。（也就是前9期该逾期的都逾期了，充分暴露了）

下图是每个用户逾期的不同起止情况举例：

因此，我们将两者结合起来，定义：

• Bad = 账户经过9期表现期后，逾期状态为M4+（逾期超过90天）。此时 Y=1。
• Good = 经过9期表现期，但未达到M4+逾期状态。此时Y=0。
• Intermediate = 未进入9期表现期，账户还未成熟，无法定义好坏，也就是不定样本。

有时候也考虑到这么干的话，bad用户会太少，会往上移动到M3,同时因为前面的good用户要和bad做一个截断。比如M1以内的都是good，m3+的都是bad，m2的忽略截断。

Flow Rate迁移率#

展示客户贷款账户在整个生命周期中的变化轨迹，也是预测未来坏账损失的最常用的方法。

其核心假设为：处于某一逾期状态（如M2）的账户，一个月后，要么从良为M0账户，要么恶化为更坏的下一个逾期状态（如M3）。

迁移率 = 前一期逾期金额到下一期逾期金额的转化率

一般缩写为M0-M1、M4-M5等形式，例如：

• M0-M1 = 当月进入M1的贷款余额 / 上月末M0的贷款余额
• M2-M3 = 当月进入M3的贷款余额 / 上月末M2的贷款余额

迁移率分析的具体操作步骤为：

• step 1. 定义逾期状态，如前文所述的M0、M1、M2等。
• step 2. 计算各逾期状态之间的迁移率，如M0-M1、M2-M3等。
• step 3. 计算不同月份（也可称为Vintage）的平均迁移率。目的是对本平台在不同时期的资产的迁移率有整体的认知。
• step 4. 根据平均迁移率和不良资产回收率，计算净坏账损失率。

接下来，我们以数值案例（非真实业务数据）展示上述过程。

下面表1，每一列代表截止当月放款的总额M0一直到M6的情况，每一行代表1-7月的各个月对应周期的违约率,所以斜线是前后时间序列关系：

上图表2中，2月份的逾期M1资产只能从1月份的正常M0资产滚动而来（斜线迁移），因此从逾期M0资产向M1的转化率为:

$\frac{237338}{1007844}=23.55\%$

• 截止1月末，正常M0资产为 1007844 元，这是起点。
• 截止2月末，1月末的正常M0资产中有$\frac{237338}{1007844}=23.55\%$ 恶化为逾期M1资产。【较低，因为有不小心逾期的】
• 截止3月末，2月末的逾期M1资产中有 \frac{55362}{237338}=23.33%恶化为逾期M2资产。【较低，因为有不小心逾期的】
• 截止4月末，3月末的逾期M2资产中有 \frac{25144}{55362}=45.32% 恶化为逾期M3资产。【翻倍上升了】
• 截止5月末，4月末的逾期M4资产中有83.38%恶化为逾期M5资产。此时已过催收黄金期（90天以内）。【大幅上升！】
• 截止6月末，5月末的逾期M5资产中有49.37% 恶化为逾期M6资产。这可能采用了委外催收、司法手段等催收策略，效果显著。【从80+%下降到49%】
• 截止7月末，6月末的逾期M5资产中有82.7% 恶化为逾期M7资产。此时将视为不良资产，打包转卖给第三方公司，这样就能回收部分不良资产，减少损失【没救了】

我们从横向比较每个月的迁移率，发现不完全一样。这是因为随着时间推移、外在宏观经济环境、用户渠道、内部政策、资产质量等变化而产生一定的波动。我们可以利用这些数据：

1. 观察迁移率的发展轨迹，监控坏账的发展倾向和催收效果。
2. 通过对多个月份的迁移率计算平均值，从而使迁移率更加稳定。

坏账准备金#

坏账准备金的概念----各期逾期余额乘以各自准备金率#

呆帐风险是信贷机构必须面对的风险，主要来源于信用风险和欺诈风险等。为了应对未来呆帐的可能，信贷机构一般都会设定一个储备资金，这就是**坏账准备金（Bad Debt Reserve）。**那么我们该如何计算坏账准备金？

一般做法是，把未清偿贷款余额乘以一定的**准备金比例（Reserve Ratio）**所得。可以理解，资产逾期等级越高（越差），准备金比例也应该越高，因为恶化为呆帐的可能性也更高。如图10所示，正常M0资产恶化为呆帐的可能性最低，因此我们预留的准备金比例也就最少。

我们总结下计算坏账准备金的步骤为：

• step 1. 统计未清偿贷款金额的分布，也就是M0~M6状态分别对应的资产余额。
• step 2. 为每个逾期状态的资产分配一个准备金比例。
• step 3. 每个子项目的准备金金额 = 未清偿贷款余额 x 准备金比例。
• step 4. 每个子项目的准备金金额相加，得到最终的准备金。

准备金比例#

准备金比例是如何给出的？

由于坏账准备金是用来覆盖预期的未来呆帐损失的，准备金比例必须等于处于各个逾期状态的资产未来演变为呆帐的比例。

回到上一节的迁移率分析中，我们发现从正常M0资产迁移至逾期M7资产（呆帐）需经过7次迁移，如图11所示。那么，我们只要把各个状态之间的转化率相乘，不就得到准备金比例了？

因此，我们定义正常M0资产对应的毛坏账损失率，也就是迁移到呆帐的转化率为：

毛坏账损失率 = (M0-M1)×(M1-M2)×(M2-M3)...×(M6-M7)

也就是从M0一直到M7的平均迁移率的乘积。

在本案例中，正常M0资产对应的毛坏账损失率为上上图表2最左侧截止M6-M7的平均迁移率88.03%上面所有的乘起来：0.60%

在实际中，信贷机构会将不良资产打包转卖给第三方公司，这样就能回收部分不良资产，减少损失。因此，我们定义净坏账损失率为：

净坏账损失率 = 毛坏账损失率 - 不良资产外卖回收率

由于M7不良资产的平均回收率为 10.79%，则可计算净坏账损失率为：

0.60%×(1-10.79%)=0.54%

同理，我们可以计算正常资产到不同逾期状态资产的毛损失率和净损失率如下：

根据图12所示的损失率表，我们定义：

• 当月应计拨备额 = SUM(净坏账损失率 * 月末应收账款余额)
• 拨备率 = 当月应计拨备额 / 总资产金额

其中，拨备率是用来预防不良资产的发生而准备的金额的比例。拨备率应越低越好。拨备率越高说明风险越大，损失越大，利润越小。

在本案例中，当月应计拨备额为65421元，如图13所示。拨备率为：

$\frac{65421}{2625091}=2.49\%$

资产组合管理相关#

根据风控成因分类：信用风险、欺诈风险。信用风险主要是用户因为各种原因导致逾期而存在的风险，欺诈风险就是黑产欺诈团队的攻击对公司造成的风险，通过设置规则来拦截高风险用户。

生命周期分为三类：

1. 拓展客户期（学校刚成立时，既要招生，又要有教材支撑）
2. 审批客户期（学习成绩、平时表现）
3. 管理客户期（对学生进行管理）

拓展客户期需要三个方面的支持

1. 目标用户：

   适用于拨备segment的风险分级或用户画像支持（拨备与财务挂钩）

2. 目标产品：

   风险分级对应期数、利率支持

3. 资产配置有效性分析

资金成本、获客成本、运营成本，在放贷还没开始的时候，就已经由资产管理部门估算确定下来了。后续需要技术来创造价值的，主要是风控的坏账成本，所以资产管理部会用拨备工具来给予支持。

在一个产品刚产生的时候，资产管理部门需要给出关于目标客户的年龄身份，期数，利率的建议；放款后，又需要从其他金融机构拉资金，债权转让等。每一个公司的要求都不一样，我们需要给出推荐，哪一些标的推荐给哪一些公司，如何进行资源组合配置。

审批客户期

主要由贷前策略实施，资产组合管理部门可提供盈利性测算支持，并做好监控、预测、预警系统，当准入用户风险状况超阈值，需提出干预。

资金成本、获客成本、运营成本，在放贷还没开始的时候，就已经由资产管理部门估算确定下来了。后续需要技术来创造价值的，主要是风控的坏账成本，所以资产管理部会用拨备工具来给予支持。

在一个产品刚产生的时候，**资产管理部门需要给出关于目标客户的年龄身份，期数，利率的建议；**放款后，又需要从其他金融机构拉资金，债权转让等。每一个公司的要求都不一样，我们需要给出推荐，哪一些标的推荐给哪一些公司，如何进行资源组合配置。

审批客户期

主要由贷前策略实施，资产组合管理部门可提供盈利性测算支持，并做好监控、预测、预警系统，当准入用户风险状况超阈值，需提出干预。

管理客户期

1.指标方面：新增/存量、风险/规模指标

	风险	规模
新增	vintage、FPD	GMV
存量	roll rate、coincident dpd、lagging dpd、badrate	在贷余额

2.策略方面：主要由贷中贷后策略实施，可提供盈利性测算支持，并做好监控、预测、预警系统，风险状况超阈值，需提出干预。

资产组合管理作为支撑部门，支撑什么？

1. 风险计量
2. 策略规则上线
3. 模型效力验证
4. 向CRO提供各种专题类或临时性分析
5. …

风险计量主要是数据分析，报表，专题性报告，为了规避、减少风险，策略实施者和策略制定者需要分为2个部门。资产管理部门接到业务部门提交的需求，然后根据内容做一些空跑，监控。同时大的模型开发与模型验证也是两个部门，需要资产管理部对模型做持续的监控与评估。统筹贷前、贷中、贷后的数据给到CRO。

资产组合管理方法？

1.拨备准备金

思考：实际风险与名义风险的区别？

2.风险分级(用户画像)

思考：有了评分卡模型为什么还要做风险分级?

3.监控、预测、预警系统

思考：资产组合管理报表和业务部门（贷前、中、后）的不同点？

本次分享总结

1.资产组合管理部门不同于传统的风控业务部门，而是直属于CRO的信息整合部门；

2.资产组合管理贯穿于客户及产品的全生命周期，需要从业者极强的沟通能力；

3.作为支撑部门，资产组合管理部需要运用数据分析把控公司全局资产质量，除此之外还需要以降低作业风险的目的为模型或策略设置二次防线。

4.资产组合管理部门是小白进入金融风控核心岗位的捷径，可以快速的积累风控经验，之后如果转岗策略或模型，都比较容易。

参考文章链接：#

https://zhuanlan.zhihu.com/p/81027037/

https://blog.csdn.net/liulj_0803/article/details/52964473

https://www.zhihu.com/question/51583052 这里也有很多干货