一、信贷消费的整体周期

 

消费信贷是一种特殊的产品，交易的标的是将来而非当下，未来的蛋糕透过时间机器被送到你的面前，当你张口啃下去时，往后的日子将会为蛋糕买单，而将来又会怎样呢，没人知道。我们对未来充满信心时，杠杆是一件再合适不过的工具，披荆斩棘，无往不利，就如同我们坚信房价会一直涨下去一样，但哪里会有一直涨的房价呢，又哪里有可以吃100个蛋糕的人呢？金融的风险实质就是对未来的不确定，如果缺乏了随机性，那也就没有了套利的空间。所以对于时间尺度上的风险管理，那么就需要从整体的生命周期去衡量。

 

金融机构经营的是时间和风险，在线性上对资源重新分配。而造成资源错配的原因可能是利率的波动、积累与生产的关系、账期周转与销售周转的缺口等等，对于消费信贷来说，当下的消费欲望与预期的信心则是产生透支消费的根源。我们期待借款人在未来按时归还贷款，同时赚取消费者为了满足这种欲望所支付的额外费用。在信用风险管理领域中，为了确保未来的不确定性在可控范围内，我们设计了风险管理制度、政策框架、审批流程、数据模型、贷后管理和资产处置这些流程和部门，从一个信贷产品的产生到结束时时刻刻确保损失在预期之内（Expected Loss, EL），减少非预期损失（Unexpected Loss, UEL），祈祷不要发生灾难性损失（Catastrophe Loss, CL）。

 

图1 EL, UEL,CL的大致表现

我们希望所有的损失都在预期之内，同时完善的拨备制度也会尽可能地去覆盖非预期损失，对于遭遇了灾难损失的机构来说，如果够大，政府会捞一把，确保金融市场的稳定，正所谓Too Big to Fail（大不能倒），如果是小型机构，那么监管很可能就会踹门而入，Small Enough to Jail（小须入狱）也是现实的写照。

 

在时间跨度上要弄清人们消费借贷的需求从何而来，首先得明白一件事，社会属性的人也会如同经济周期一样经历低谷和高潮，最后归于平静直至消失。仅从个人财务上来看，初出社会参加工作拿的薪水比较低，工作后收入会随着经验的积累或者其它额外收入上升，年老后退休获得较低的退休金。而消费的生命曲线确不完全和收入曲线吻合，年轻时可能因为消费欲望、结婚、旅行等等有着不符合收入的开支，所以就产生了负现金流，同时对于预期收入的上升，极有可能通过消费信贷来弥补这部分开支。在上篇文章里，豆老师列出了不同场景的客户数据，同学们可以再比对一下不同年龄段的消费内容。

 

如图2所示，A区域是人在年轻时收入低于消费的情况下产生了信贷需求，区域是人在工作巅峰时候产生了储蓄需求，C区域是人在退休后取出储蓄或者退休基金支付的逆储蓄需求。当然，当期利率和信贷供给同样会影响到这两条曲线，这个不在本文讨论范围内。

 

图2 收入和消费的生命曲线

遵循这个原理，可以了解到不同阶段的信贷需求，也解释了互联网消费金融的年龄结构。年轻人在市场引导下的消费欲望越来越高，在这种刺激下，会借入更多的钱用于填补需求，也就是A区域会不断变大，超过借款人未来一定承受能力后，现金流就会变得岌岌可危。而借助目前广泛应用的数据审批模型，通过强弱变量的组合尽可能地去预测借款人未来的趋势可以显著地降低这种不确定性。如图3所示，风险越大，波动性和随机性就会增加，风险策略中应该显著增加高风险的客户群体的约束条件，使得波动性在控制范围内。

 

图3，风险越大，波动性越大，约束条件应该更严格

二、风险生命周期的指标管理

 

1、逾期率

 

信贷产品常见的还款方式有等额本息、等额本金、一次还本、固定或不固定的循环额度等。消费金融行业比较常见的信贷产品有等额本息和循环额度，有些短期现金贷可以归为一次还本。不同还款方式的信贷产品在整个生命周期的违约曲线表现会略有不同，这里豆老师用分期产品举例说明。如图4所示，A产品不考虑回收率的情况下，在24期的尺度上去观察12期分期产品整体逾期曲线，可以看到逾期率随着期数的增加而上升，最后在12期结束时确定了该信贷产品的最终损失率为20%，因为此时整个产品的正常还款期限已经结束，剩下余额都是逾期余额，只等着贷后管理的同学去捞回来之后确定最终的损失率。显然，产品B和产品C的表现都要好于产品A。逾期曲线可以用对数函数去拟合出来计算得到周期内大致的最终损失率，得到前几期的数据后就可以进行模拟。所以逾期率在信贷产品周期内是不断上升的，如果发现逾期率在下降，豆老师建议检查一下计算方法。

 

图4 信贷产品生命周期逾期率M0+，数据为虚构

2、Vintage

 

实际上信贷产品每月都在放款，如果单纯采用逾期金额/余额的方法，那么在一定程度上会掩盖实际的逾期趋势，特别是业务处于上升阶段。Vintage逾期率是在互联网金融行业运用地比较广泛的方法，该方法引入了账期的概念（Month On Book, MOB）。账期指的是当期贷款从放款开始的期数而非自然月，期数可以指月份，也可以指周，这就看具体业务，比如第2个账期指是从放款开始第二期，对于月份来说就是第二个月截止时。使用Vintage方法时，需要将不同放款月份的对齐至账期上，如图5所示，4月份发放的贷款在4月份截止时是0账期，即MOB0，在5月份时就是MOB1；而5月份发放的贷款在5月份截止是MOB0，在6月份时就是MOB1，所以最后无论几月份发放的贷款，起始日期都被对齐到MOB0，而MOB1在自然月上就有可能指的是4月，5月，6月等等。

 

图5 MOB对齐示意图

这样处理后使得我们可以横向地去比对每个月发放贷款的差异，其中可能会有季节性差异、风险策略调整，客群变化的因素，发现问题后就可以通过不同的方法去定位问题。Vintage方法的另一个好处是在对齐后可以通过锁定变量的方法去定位问题，将有可能发生问题的变量单独提取出来，可以观察到是什么原因导致逾期率异常。如图6所示，5月份发放的贷款与其它月份逾期率相比最高，那么就要进一步地去寻找问题所在。比如说将申请渠道、申请金额、客户年龄等等分别生成Vintage表格，抽丝剥茧，去检视问题发生的原因。

 

图6 Vintage以月份为维度横向对比

3、迁徙率

 

通常来说余额我们会按照天数划分为M1、M2、M3等等，按照银监会要求会划分为五级分类。逾期情况需要通过分析不同的划分组成来研究其严重程度，因为每个逾期划分里面客户的组成会有很大不同，如M1里面，逾期在30天内的客户有可能只是偶发性地忘记还款，或者临时周转困难；如M4里面，客户逾期已经超过90天了，此时回收的概率就已经很小，客户可能已经选择不再归还贷款了。迁徙率就是揭示有多少比例的客户正在由差变坏，从M1滑落到M2，又有多少从M2滑落到M3，以此类推。

 

迁徙率在周期管理里最重要的作用就是计算拨备，此外还可以检视催收效用和计算回收率。但在互联网金融里面，运用大量历史数据统计出来的迁徙率会更加准确可靠地揭示业务。例如图7，每个月份从正常贷款M0有5%的余额滑落到M1里面，2月份发放的贷款在4月份的时候M1有50%的余额滑落到M2，可以理解为有50%的逾期30天的贷款变得更差了，也可以理解为有50%的余额在M1时并没有催收成功。

 

图7 迁徙率表，数据为虚构

在计算好迁徙率后，请注意每一个划分都是由上一个划分滑落下来，例如M3一定是经历了M1,M2之后才会变为M3的，所以将表中黄色数据相乘之后就变为M0直接到M6的比率，这个数据就是M0的损失率。再将每个划分的损失率计算完成再与当前每个划分的余额相乘就可以计算出相应的拨备金额了。

 

图8 拨备计算示意图，数据为虚构，未考虑回收率

通过这些指标可以简单地去从整个生命周期去看待某一信贷产品的风险管理水平，从整体上去控制产品的风险，确保在大方向上不会走偏，至于说细细地去调整每个产品的风控措施，那都是细节，豆老师会在以后文章里面一一给大家呈现。