風控手札（三）：從生命周期去看互聯網金融產品的風險管理框架

歷史文章：

張少白：風控手札（一）：從一件100萬元的騙貸案說起zhuanlan.zhihu.com

張少白：風控手札（二）：互聯網金融的「場景」到底是什麼？zhuanlan.zhihu.com

大家好，這裡是豆老師的信貸風控自留地。文章同步發送微信公眾號：dlsjfk。

上兩篇給同學們講解了數據的驗證和場景分層的問題，還沒有閱讀的同學請點擊上方連接閱讀。

先回答兩個上一篇一些同學給豆老師留言的問題。

問題1：市場每個信貸產品的產品邊際在哪裡，客戶是通過什麼樣形式去選擇不同信貸產品的？

豆老師回答：上篇文章豆老師提出了兩個觀點：1、場景分層；2、利率分層。客戶就是通過分層的方式去選擇不同產品的。同一場景下，首先客戶的消費目的被確定了，比如3C類都是買手機的客戶而不會是去做美容的客戶，再次，在場景裡面選擇各種信貸產品，好的客戶只接受低利率產品，壞的客戶更容易接受高利率產品。這就是產品的邊際。

問題2：場景裡面的風控和現金貸的區別？

豆老師回答：有區別。首先場景圈定了大體的目標客群，與現金貸利率分層不同，客群更為集中，特徵更為明顯。同時，場景的主要風控難點是操作風險和流程設計，而非線上現金貸完全倚重的審批模型。

好了，正文開始了。

一、信貸消費的整體周期

消費信貸是一種特殊的產品，交易的標的是將來而非當下，未來的蛋糕透過時間機器被送到你的面前，當你張口啃下去時，往後的日子將會為蛋糕買單，而將來又會怎樣呢，沒人知道。我們對未來充滿信心時，杠杠是一件再合適不過的工具，披荊斬棘，無往不利，就如同我們堅信房價會一直漲下去一樣，但哪裡會有一直漲的房價呢，又哪裡有可以吃100個蛋糕的人呢？金融的風險實質就是對未來的不確定，如果缺乏了隨機性，那也就沒有了套利的空間。所以對於時間尺度上的風險管理，那麼就需要從整體的生命周期去衡量。

金融機構經營的是時間和風險，在線性上對資源重新分配。而造成資源錯配的原因可能是利率的波動、積累與生產的關係、賬期周轉與銷售周轉的缺口等等，對於消費信貸來說，當下的消費慾望與預期的信心則是產生透支消費的根源。我們期待借款人在未來按時歸還貸款，同時賺取消費者為了滿足這種慾望所支付的額外費用。在信用風險管理領域中，為了確保未來的不確定性在可控範圍內，我們設計了風險管理制度、政策框架、審批流程、數據模型、貸後管理和資產處置這些流程和部門，從一個信貸產品的產生到結束時時刻刻確保損失在預期之內（Expected Loss, EL），減少非預期損失（Unexpected Loss, UEL），祈禱不要發生災難性損失（Catastrophe Loss, CL）。

圖1 EL, UEL,CL的大致表現

我們希望所有的損失都在預期之內，同時完善的撥備制度也會儘可能地去覆蓋非預期損失，對於遭遇了災難損失的機構來說，如果夠大，政府會撈一把，確保金融市場的穩定，正所謂Too Big to Fail（大不能倒），如果是小型機構，那麼監管很可能就會踹門而入，Small Enough to Jail（小須入獄）也是現實的寫照。

在時間跨度上要弄清人們消費借貸的需求從何而來，首先得明白一件事，社會屬性的人也會如同經濟周期一樣經歷低谷和高潮，最後歸於平靜直至消失。僅從個人財務上來看，初出社會參加工作拿的薪水比較低，工作後收入會隨著經驗的積累或者其它額外收入上升，年老後退休獲得較低的退休金。而消費的生命曲線確不完全和收入曲線吻合，年輕時可能因為消費慾望、結婚、旅行等等有著不符合收入的開支，所以就產生了負現金流，同時對於預期收入的上升，極有可能通過消費信貸來彌補這部分開支。在上篇文章里，豆老師列出了不同場景的客戶數據，同學們可以再比對一下不同年齡段的消費內容。

如圖2所示，A區域是人在年輕時收入低於消費的情況下產生了信貸需求，區域是人在工作巔峰時候產生了儲蓄需求，C區域是人在退休後取出儲蓄或者退休基金支付的逆儲蓄需求。當然，當期利率和信貸供給同樣會影響到這兩條曲線，這個不在本文討論範圍內。

圖2 收入和消費的生命曲線

遵循這個原理，可以了解到不同階段的信貸需求，也解釋了互聯網消費金融的年齡結構。年輕人在市場引導下的消費慾望越來越高，在這種刺激下，會借入更多的錢用於填補需求，也就是A區域會不斷變大，超過借款人未來一定承受能力後，現金流就會變得岌岌可危。而藉助目前廣泛應用的數據審批模型，通過強弱變數的組合儘可能地去預測借款人未來的趨勢可以顯著地降低這種不確定性。如圖3所示，風險越大，波動性和隨機性就會增加，風險策略中應該顯著增加高風險的客戶群體的約束條件，使得波動性在控制範圍內。

圖3，風險越大，波動性越大，約束條件應該更嚴格

二、風險生命周期的指標管理

1、逾期率

信貸產品常見的還款方式有等額本息、等額本金、一次還本、固定或不固定的循環額度等。消費金融行業比較常見的信貸產品有等額本息和循環額度，有些短期現金貸可以歸為一次還本。不同還款方式的信貸產品在整個生命周期的違約曲線表現會略有不同，這裡豆老師用分期產品舉例說明。如圖4所示，A產品不考慮回收率的情況下，在24期的尺度上去觀察12期分期產品整體逾期曲線，可以看到逾期率隨著期數的增加而上升，最後在12期結束時確定了該信貸產品的最終損失率為20%，因為此時整個產品的正常還款期限已經結束，剩下餘額都是逾期餘額，只等著貸後管理的同學去撈回來之後確定最終的損失率。顯然，產品B和產品C的表現都要好於產品A。逾期曲線可以用對數函數去擬合出來計算得到周期內大致的最終損失率，得到前幾期的數據後就可以進行模擬。所以逾期率在信貸產品周期內是不斷上升的，如果發現逾期率在下降，豆老師建議檢查一下計算方法。

圖4 信貸產品生命周期逾期率M0+，數據為虛構

2、Vintage

實際上信貸產品每月都在放款，如果單純採用逾期金額/餘額的方法，那麼在一定程度上會掩蓋實際的逾期趨勢，特別是業務處於上升階段。Vintage逾期率是在互聯網金融行業運用地比較廣泛的方法，該方法引入了賬期的概念（Month On Book, MOB）。賬期指的是當期貸款從放款開始的期數而非自然月，期數可以指月份，也可以指周，這就看具體業務，比如第2個賬期指是從放款開始第二期，對於月份來說就是第二個月截止時。使用Vintage方法時，需要將不同放款月份的對齊至賬期上，如圖5所示，4月份發放的貸款在4月份截止時是0賬期，即MOB0，在5月份時就是MOB1；而5月份發放的貸款在5月份截止是MOB0，在6月份時就是MOB1，所以最後無論幾月份發放的貸款，起始日期都被對齊到MOB0，而MOB1在自然月上就有可能指的是4月，5月，6月等等。

圖5 MOB對齊示意圖

這樣處理後使得我們可以橫向地去比對每個月發放貸款的差異，其中可能會有季節性差異、風險策略調整，客群變化的因素，發現問題後就可以通過不同的方法去定位問題。Vintage方法的另一個好處是在對齊後可以通過鎖定變數的方法去定位問題，將有可能發生問題的變數單獨提取出來，可以觀察到是什麼原因導致逾期率異常。如圖6所示，5月份發放的貸款與其它月份逾期率相比最高，那麼就要進一步地去尋找問題所在。比如說將申請渠道、申請金額、客戶年齡等等分別生成Vintage表格，抽絲剝繭，去檢視問題發生的原因。

圖6 Vintage以月份為維度橫向對比

3、遷徙率

通常來說餘額我們會按照天數劃分為M1、M2、M3等等，按照銀監會要求會劃分為五級分類。逾期情況需要通過分析不同的劃分組成來研究其嚴重程度，因為每個逾期劃分裡面客戶的組成會有很大不同，如M1裡面，逾期在30天內的客戶有可能只是偶發性地忘記還款，或者臨時周轉困難；如M4裡面，客戶逾期已經超過90天了，此時回收的概率就已經很小，客戶可能已經選擇不再歸還貸款了。遷徙率就是揭示有多少比例的客戶正在由差變壞，從M1滑落到M2，又有多少從M2滑落到M3，以此類推。

遷徙率在周期管理里最重要的作用就是計算撥備，此外還可以檢視催收效用和計算回收率。但在互聯網金融裡面，運用大量歷史數據統計出來的遷徙率會更加準確可靠地揭示業務。例如圖7，每個月份從正常貸款M0有5%的餘額滑落到M1裡面，2月份發放的貸款在4月份的時候M1有50%的餘額滑落到M2，可以理解為有50%的逾期30天的貸款變得更差了，也可以理解為有50%的餘額在M1時並沒有催收成功。

圖7 遷徙率表，數據為虛構

在計算好遷徙率後，請注意每一個劃分都是由上一個劃分滑落下來，例如M3一定是經歷了M1,M2之後才會變為M3的，所以將表中黃色數據相乘之後就變為M0直接到M6的比率，這個數據就是M0的損失率。再將每個劃分的損失率計算完成再與當前每個劃分的餘額相乘就可以計算出相應的撥備金額了。

圖8 撥備計算示意圖，數據為虛構，未考慮回收率

通過這些指標可以簡單地去從整個生命周期去看待某一信貸產品的風險管理水平，從整體上去控制產品的風險，確保在大方向上不會走偏，至於說細細地去調整每個產品的風控措施，那都是細節，豆老師會在以後文章裡面一一給大家呈現。

好了，這篇文章就先到這裡，謝謝大家的閱讀！

如有問題可以在下方或者給豆老師留言交流。如果你還喜歡本文和豆老師，請關注、轉發！

掃描下方二維碼，關注豆老師講風控，隨時獲取風控第一手知識！

http://weixin.qq.com/r/6io5ITLEeW8GrXZC93-4 (二維碼自動識別)