一、概述

國有商業銀行每年的報告都會披露各家的不良貸款餘額狀態。因此，不少的報告、報道和研報都會拿這個數字來衡量信貸資產業務的好壞。但是貸款不良率並不能完全反應真實的貸款壞賬風險。尤其是還處於一個早期增長期、或者處在大量拉新獲客階段的消費金融公司而言。其中原因在於貸款業務有較長的表現周期。在金融機構內部，一般使用逾期率Vintage分析法來分析一個多期產品的風險全貌、評估該資產的質量狀況。比如做資產證券化ABS、對消費金融企業投資時候，對信貸資產的質量調查一般都會以Vintage表格來提供。

Vintage這個詞原意是指釀造葡萄酒的酒窖。葡萄酒是很講究年份的，哪年光景好，哪年光景不好，直接會影響到葡萄酒的品質。後來借用到信貸資產行業，指的是每個月（或者像樂信這樣按照季度）貸款的資產質量情況，要直接跟每個相同時間段內的餘額做比較。這樣才不容易受到分母被累計餘額拉大的風險。

二、不良貸款率

1998年5月，中國人民銀行參照國際慣例，結合中國國情，制定了《貸款分類指導原則》(試行)，要求商業銀行依據借款人的實際還款能力進行貸款質量的五級分類，即按風險程度將貸款劃分為五類：正常、關注、次級、可疑、損失，後三種為不良貸款。但是，很多金融機構都是以逾期天數來界定不良貸款的，比較通用的定義是超過90天，就會被劃為不良貸款。不過如果嚴格按照這個定義的話，市場上很多互聯網金融公司的貸款產品，因為催收能力比較弱，逾期超過30天以後，貸款損失的概率已經非常大了。

我們先來看看不良貸款的計算公式和分析方法：

貸款不良率 = 不良貸款本金餘額(去除核銷)/當前本金餘額

分母為截止統計時點，如下表中，就是每個月末的當前餘額本金。

分子為截止統計時點的不良貸款本金餘額，即逾期>90天的的本金餘額(去除核銷金額)；此處需要注意的是：逾期>90天的本金餘額指的是逾期超過90天的借款人的所有剩餘未還本金。

貸款不良率是金融機構所公認的不良率，一般銀行和金融機構對外公布的不良率，如無特殊說明，都是公布的貸款不良率，如下表，就為上市銀行財報中的公布數字：

三、不良貸款率分析的缺陷

貸款不良率真的可以反應所有金融機構的風險水平么？

從計算公式可以看出來，貸款不良率跟放款金額的趨勢有很大的關係，因為分母為當前餘額，分子是逾期超過90+的貸款餘額，一筆貸款要完全進入90+，需要貸款結束後3個月，但是分母中的當前本金餘額，是包含那些放出去未到還款期，或者還款表現還不完整的資產。在產品發放初期階段，逾期較少而發放較多，顯得不良率較低，而隨著時間推移，如果資金髮放趨於平穩，而逾期資產逐步顯現，不良率會急劇惡化。

所以，貸款不良率這個指標，更多的是用來反應資產的機構組成，上市金融機構一般會利用貸款不良率來計算貸款撥備以及一些財務指標，但是貸款不良率是不能完全反應真實的貸款壞賬風險的，尤其是對於一個新開展業務的互聯網金融公司，因為他們的放款金額處於快速上升階段，因此他們的貸款不良率，會被稀釋的很低。

同理，因為它的計算方式問題，對於某些放款期限短的產品，這個指標也會把風險放的很大，比如對於1個月的貸款，當前本金餘額基本上是最近1個月的放款量，但是不良貸款餘額是會隨著時間的累積，會把前面很多期的不良貸款餘額累積起來，造成貸款不良率會越來越高。

四、Vintage分析法

先來看兩個指標：

  • 即期指標（coincidental delinquency）當月特定逾期期數的貸款餘額/當月總貸款餘額，一般縮寫為：Coin(Mn)%，例如Coin(M4)%=當月M4貸款餘額/當月底貸款餘額。
  • 遞延指標（lagged delinquency）當月不同逾期期數的貸款餘額/往前推N個月的總貸款餘額，一般縮寫為：Lagged(Mn)%，例如：Lagged(M4)%=當月逾期期數為M4的貸款餘額/往前推四期的貸款餘額。

Vintage分析法核心思想是以賬齡（month on book，MOB）為主軸，觀察貸後N個月的逾期比率，可以說Vintage本質上是以遞延指標作為核心要素。

分母：每個放款月的放款本金

分子有2種定義:一種是期末時點，一種是期中ever逾期

期末時點的分子定義如下：

  • M(1-3) -截止期末時點，逾期天數在1-30/31-60/61-90天客戶的所有剩餘未還本金（注意，這裡的逾期也是針對人來說的）
  • M4+ -截止期末時點，逾期時間在91天及以上的客戶的所有剩餘未還本金

期中ever逾期：

就是把期末時點，修改為，只要在這一期中發生過M1，M2，M3，M4+逾期。

二者的區別是，第一種只統計期末時點，就是某一期最後一個還款日的客戶逾期狀態，第二種是只要在這一期中發生過逾期，就都會統計。第一種目前更通用一些。

五、用Smartbi導入數據

● 數據整理：將原始數據整理成一維表。

原始表

● 創建對應的資料庫表格，並與Smartbi連接。

● 用Smartbi導入數據。

Excel導入模板設置：進入「定製管理」，「資源定製」節點下任意文件夾上右鍵->新建分析->Excel導入模板；或者「數據管理」目錄下「數據採集」->「Excel導入模板」。

設置導入規則：

註：填寫數據源（上面創建關係數據源），回寫表（上面數據源中通過資料庫表管理將回寫表添加到系統中），Sheet名（Excel文件中要導入Sheet名稱，區分英文大小寫），起始行（Excel文件開始導入的行，包含設置的值），結束行（Excel文件結束導入的行）。

列設置：綁定輸入（設置資料庫表欄位的數據來源）

導入Excel數據：打開上步保存的模板，瀏覽選擇Excel文件，導入即可。

六、製作Vintage報表

● 創建自助數據集（將兩個表格欄位關聯，當然還有其他方法）。

● 創建透視分析（瀏覽數據並設置參數）。

● Excel表格中製作報表模板並綁定欄位。

B3、B4單元格從上至下擴展，D2、D3單元格從左至右擴展，D1綁定參數。

● 預覽效果如下，更改參數即可。

● 選擇對應的欄位，即可添加圖表。

以下是某個12期產品的逾期率vintage報表（期末時點統計）

Vintage分析可以看到每一期的還款表現，以及每一期的新增逾期趨勢，根據趨勢判斷產品風險主要集中在欺詐風險還是信用風險。如果首期逾期率（客戶不想還）很高，但是後面期數風險明顯降低，說明客戶不想還、客戶欺詐風險集中；如果首期逾期率低，但是逾期越來越高，則說明客戶沒錢還、客戶信用風險集中。從M4+看各月份的真實不良情況，一般產品全部期滿，再過一定的追償期限(如90天)，在表中也就是MOB15的M4+逾期率，反應了一筆貸款放出去，最後轉化成不良貸款的比例。

從案例中的該產品的Vintage分析來看，放款後90天內即有逾期情況的客戶，欺詐風險較高，需要重點關注和催收。放款90天之後逾期情況趨於平穩，這部分客戶以信用風險為主。其中，2017年5月和2017年6月放款的客群或場景不良較高，需進一步查詢和分析。2017年10月放款客群不良率快速上升，需密切關注。

七、總結

Vintage分析方法能很好地解決時滯性問題，其核心思想是對不同時期的開戶的資產進行分別跟蹤，按照賬齡的長短進行同步對比，從而了解不同時期發行的資產質量情況，是一個所謂豎切的概念。Vintage分析法廣泛用於信用卡、非信用卡消費金融領域，是金融機構精細化運營、貸後管理的有效手段。如果再分別按照進件渠道、投放場景等分別進行Vintage分析，能有效的區分和管理不同渠道、不同場景的資產質量。

後續文章將在Vintage分析的基礎上，使用遞延率、滾動率、入催率等指標，為金融機構風險撥備、壞賬撥備提供數據依據；使用Cohort分析法，分析信貸風險的時長效應、時期效應和同群效應，用Cohort分析的視角來審視Vintage分析；綜合運用等額本息等不同還款方式、以及IRR、NPV等指標，進行資產定價。

八、參考案例

  • 樂信M6+資產質量

總體來說，樂信M6+的資產質量一直穩定在2%以下，是很不錯的了。

但其中有兩條很危險的曲線要注意。2016年第2季度曲線和2015年第4季度的曲線一直在往上飆升，曲線斜率越來越大，沒有減緩的趨勢，這兩條線代表的業務壞賬當時可能有問題。

圖片來源於森林學苑

  • 趣店M1+

M1+居然只有1個點左右的壞賬，果然是背靠大樹好乘涼。

圖片來源於森林學苑

  • 51信用卡 M3+

圖片來源於森林學苑

從上圖中可以看出，持卡人群的Vintage資產質量經歷了一個先變差又變好的過程。

從2015年第二季度開始，到2016年第二季度，分時段的曲線是處於一個平移上浮的過程，但在2017年的三個季度的三條曲線中，又逐步回降下來。

非持卡人群2016年第一季度的M3+總體逾期還是很低，基本上沒有超過4%。但2016年第二季度的資產質量（圖中藍色線條）明顯開始變差，在接近10%的壞賬後又逐漸趨於平穩。

值得注意的是2017年第一季度的資產，圖中紅色線條上揚的趨勢很明顯，資產有變壞的可能性。


推薦閱讀：
相关文章