DataScience&ML:金融科技领域之迁徙率(Flow Rate)表的简介、案例应用之详细攻略
目录
迁徙率(Flow Rate)表案例应用—定义逾期天数-利用迁徙率(Flow Rate)表
贷款迁徙率,经济学领域术语,计算方法为期初正常类贷款向下迁徙金额/(期初正常类贷款余额-期初正常类贷款期间减少金额)×100%。
通过下边的分析,可以确定目标里“逾期天数”—90天以上。过程如下:
推荐文章:https://zhuanlan.zhihu.com/p/81027037
概念定义 | |
时间窗口 | 每个时间窗口由一个月和下一个月的数据构成。例如我拿一年的数据,例如2019年,就有11个观察窗口(1-2月,2-3月....11-12月)。比如2019年11个时间窗口就是“11-12月” |
逾期期数 | 每个期数由30天组成(有的银行或者金融机构由自然月组成,会更加方便计算)。较多的金融机构会用Mn来形容逾期情况,例如 M0:当前未逾期 M1: 逾期1-30日 M2:逾期31-60日 M3:逾期61-90日 M4:逾期91-120日 以此类推...... |
此处的逾期和观察窗口(这个月、下个月)没有关系。观察窗口是相对关系;而逾期期数的大小,是从该客户逾期第一天开始计算,是一个绝对数值。
纵坐标是前月的逾期期数情况(时间窗口左边界);横坐标是次月的逾期期数情况(时间窗口右边界)。计算方式,例如我们只有两个时间窗口。在时间窗口【1月-2月】里有50个客户保持未逾期,【2月-3月】有100个客户保持未逾期,那么坐标[1,1]的总数会是150。
假设经过分析2019年11个时间窗口后,当前月(11月)、下个月(次月12月),我们得到以下一个统计表。
所有时间窗口的迁徙情况总和
下个月 | ||||||||
未逾期 | 逾期[0,30) | 逾期[30,60) | 逾期[60,90) | 逾期[90,120) | 逾期[120,∞) | 总计 | ||
当前月 | 未逾期 | 8000 | 250 | 1 | 0 | 0 | 0 | 8251 |
逾期[0,30) | 700 | 500 | 80 | 0 | 0 | 0 | 1280 | |
逾期[30,60) | 120 | 80 | 76 | 79 | 10 | 5 | 370 | |
逾期[60,90) | 70 | 25 | 19 | 60 | 60 | 5 | 239 | |
逾期[90,120) | 20 | 1 | 10 | 8 | 30 | 50 | 119 | |
逾期[120,∞) | 2 | 2 | 6 | 4 | 1 | 20 | 35 | |
总计 | 8912 | 858 | 192 | 151 | 101 | 80 | 10294 |
比如,
8000=11月未逾期客户数+12月未逾期客户数
700 =11月逾期M1客户数+12月未逾期客户数
转换成百分比,并根据值的大小,用颜色标出来
所有时间窗口的迁徙情况百分比
下个月 | ||||||||
未逾期 | 逾期[0,30) | 逾期[30,60) | 逾期[60,90) | 逾期[90,120) | 逾期[120,∞) | 总计 | ||
当前月 | 未逾期 | 96.96% | 3.03% | 0.01% | 0.00% | 0.00% | 0.00% | 100% |
逾期[0,30) | 54.69% | 39.06% | 6.25% | 0.00% | 0.00% | 0.00% | 100% | |
逾期[30,60) | 32.43% | 21.62% | 20.54% | 21.35% | 2.70% | 1.35% | 100% | |
逾期[60,90) | 28.29% | 10.46% | 7.95% | 25.10% | 25.10% | 2.09% | 100% | |
逾期[90,120) | 16.81% | 0.84% | 8.40% | 6.72% | 25.21% | 42.02% | 100% | |
逾期[120,∞) | 5.71% | 5.71% | 17.14% | 11.43% | 2.86% | 57.14% | 100% | |
总计 |
只需要关注黑色框框的部分,也就是彩色背景的部分
解释:因为那些已经好转了的账户我们不管了,因为不是我们的催收对象,我们需要看的是逾期情况没有好转甚至恶化的客户。一个时间窗口内你的逾期情况最多往前一格(遇到天数为31天的有可能小概率逾期两格,但较少发生,统计时可忽略)。用直白的语言说,就是你现在逾期10天,给你一个月,你怎么也不可能逾期超过60天吧?
说明了某个逾期期数的风险情况。我们这里用“从良”这个不太恰当但好理解的词来形容账户逾期期数变少。例如在上表里,
这个月当逾期<30天时,54.69%的客户都会在下个月还上款(因为大概率是忘了还款日而不是没钱还);
而这个月逾期在[90-119]天时:有42.02%的客户的逾期期数会继续增加(确实手头缺钱还不上);25.21%的客户逾期期数会保持不变(手头紧,仅还得上一期的欠款以确保账户不会被清算)。
“从良”占比:也就说是,当逾期天数超过90天,客户“从良”的概率只有(100-25.21-42.02)% = 32.77%。也就说,很大概率这个客户的情况会一直恶化下去,所以我们需要在Ta恶化前,就挑出来催收,以减少损失。“从良”的占比行业经验:至于低于多少就不能接受,则需要和商业部门沟通。但从良的少于1/3确实挺少了。
此处并非指逾期真的超过90天才催收,而是说,我预测这个人将来会逾期超过90天,所以我在他达到那个逾期时间前就去催收,避免严重逾期的发生。
网站声明:如果转载,请联系本站管理员。否则一切后果自行承担。
加入交流群
请使用微信扫一扫!