一、概述
国有商业银行每年的报告都会披露各家的不良贷款余额状态。因此，不少的报告、报道和研报都会拿这个数字来衡量信贷资产业务的好坏。但是贷款不良率并不能完全反应真实的贷款坏账风险。尤其是还处于一个早期增长期、或者处在大量拉新获客阶段的消费金融公司而言。其中原因在于贷款业务有较长的表现周期。在金融机构内部，一般使用逾期率Vintage分析法来分析一个多期产品的风险全貌、评估该资产的质量状况。比如做资产证券化ABS、对消费金融企业投资时候，对信贷资产的质量调查一般都会以Vintage表格来提供。
Vintage这个词原意是指酿造葡萄酒的酒窖。葡萄酒是很讲究年份的，哪年光景好，哪年光景不好，直接会影响到葡萄酒的品质。后来借用到信贷资产行业，指的是每个月（或者像乐信这样按照季度）贷款的资产质量情况，要直接跟每个相同时间段内的余额做比较。这样才不容易受到分母被累计余额拉大的风险。
二、不良贷款率
1998年5月，中国人民银行参照国际惯例，结合中国国情，制定了《贷款分类指导原则》(试行)，要求商业银行依据借款人的实际还款能力进行贷款质量的五级分类，即按风险程度将贷款划分为五类：正常、关注、次级、可疑、损失，后三种为不良贷款。但是，很多金融机构都是以逾期天数来界定不良贷款的，比较通用的定义是超过90天，就会被划为不良贷款。不过如果严格按照这个定义的话，市场上很多互联网金融公司的贷款产品，因为催收能力比较弱，逾期超过30天以后，贷款损失的概率已经非常大了。
我们先来看看不良贷款的计算公式和分析方法：
贷款不良率 = 不良贷款本金余额(去除核销)/当前本金余额
分母为截止统计时点，如下表中，就是每个月末的当前余额本金。
分子为截止统计时点的不良贷款本金余额，即逾期>90天的的本金余额(去除核销金额)；此处需要注意的是：逾期>90天的本金余额指的是逾期超过90天的借款人的所有剩余未还本金。
贷款不良率是金融机构所公认的不良率，一般银行和金融机构对外公布的不良率，如无特殊说明，都是公布的贷款不良率，如下表，就为上市银行财报中的公布数字：
三、不良贷款率分析的缺陷
贷款不良率真的可以反应所有金融机构的风险水平么？
从计算公式可以看出来，贷款不良率跟放款金额的趋势有很大的关系，因为分母为当前余额，分子是逾期超过90+的贷款余额，一笔贷款要完全进入90+，需要贷款结束后3个月，但是分母中的当前本金余额，是包含那些放出去未到还款期，或者还款表现还不完整的资产。在产品发放初期阶段，逾期较少而发放较多，显得不良率较低，而随着时间推移，如果资金发放趋于平稳，而逾期资产逐步显现，不良率会急剧恶化。
所以，贷款不良率这个指标，更多的是用来反应资产的机构组成，上市金融机构一般会利用贷款不良率来计算贷款拨备以及一些财务指标，但是贷款不良率是不能完全反应真实的贷款坏账风险的，尤其是对于一个新开展业务的互联网金融公司，因为他们的放款金额处于快速上升阶段，因此他们的贷款不良率，会被稀释的很低。
同理，因为它的计算方式问题，对于某些放款期限短的产品，这个指标也会把风险放的很大，比如对于1个月的贷款，当前本金余额基本上是最近1个月的放款量，但是不良贷款余额是会随着时间的累积，会把前面很多期的不良贷款余额累积起来，造成贷款不良率会越来越高。
四、Vintage分析法
先来看两个指标：
- 即期指标（coincidental delinquency）
- 当月特定逾期期数的贷款余额/当月总贷款余额，一般缩写为：Coin(Mn)%，例如Coin(M4)%=当月M4贷款余额/当月底贷款余额。
- 递延指标（lagged delinquency）
- 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，一般缩写为：Lagged(Mn)%，例如：Lagged(M4)%=当月逾期期数为M4的贷款余额/往前推四期的贷款余额。
Vintage分析法核心思想是以账龄（month on book，MOB）为主轴，观察贷后N个月的逾期比率，可以说Vintage本质上是以递延指标作为核心要素。
分母：每个放款月的放款本金
分子有2种定义:一种是期末时点，一种是期中ever逾期
期末时点的分子定义如下：
- M(1-3) -截止期末时点，逾期天数在1-30/31-60/61-90天客户的所有剩余未还本金（注意，这里的逾期也是针对人来说的）
- M4+ -截止期末时点，逾期时间在91天及以上的客户的所有剩余未还本金
期中ever逾期：
就是把期末时点，修改为，只要在这一期中发生过M1，M2，M3，M4+逾期。
二者的区别是，第一种只统计期末时点，就是某一期最后一个还款日的客户逾期状态，第二种是只要在这一期中发生过逾期，就都会统计。第一种目前更通用一些。
五、用Smartbi导入数据
● 数据整理：将原始数据整理成一维表。
原始表
● 创建对应的数据库表格，并与Smartbi连接。
● 用Smartbi导入数据。
Excel导入模板设置：进入“定制管理”，“资源定制”节点下任意文件夹上右键->新建分析->Excel导入模板；或者“数据管理”目录下“数据采集”->“Excel导入模板”。
设置导入规则：
注：填写数据源（上面创建关系数据源），回写表（上面数据源中通过数据库表管理将回写表添加到系统中），Sheet名（Excel文件中要导入Sheet名称，区分英文大小写），起始行（Excel文件开始导入的行，包含设置的值），结束行（Excel文件结束导入的行）。
列设置：绑定输入（设置数据库表字段的数据来源）
导入Excel数据：打开上步保存的模板，浏览选择Excel文件，导入即可。
六、制作Vintage报表
● 创建自助数据集（将两个表格字段关联，当然还有其他方法）。
● 创建透视分析（浏览数据并设置参数）。
● Excel表格中制作报表模板并绑定字段。
B3、B4单元格从上至下扩展，D2、D3单元格从左至右扩展，D1绑定参数。
● 预览效果如下，更改参数即可。
● 选择对应的字段，即可添加图表。
以下是某个12期产品的逾期率vintage报表（期末时点统计）
Vintage分析可以看到每一期的还款表现，以及每一期的新增逾期趋势，根据趋势判断产品风险主要集中在欺诈风险还是信用风险。如果首期逾期率（客户不想还）很高，但是后面期数风险明显降低，说明客户不想还、客户欺诈风险集中；如果首期逾期率低，但是逾期越来越高，则说明客户没钱还、客户信用风险集中。从M4+看各月份的真实不良情况，一般产品全部期满，再过一定的追偿期限(如90天)，在表中也就是MOB15的M4+逾期率，反应了一笔贷款放出去，最后转化成不良贷款的比例。
从案例中的该产品的Vintage分析来看，放款后90天内即有逾期情况的客户，欺诈风险较高，需要重点关注和催收。放款90天之后逾期情况趋于平稳，这部分客户以信用风险为主。其中，2017年5月和2017年6月放款的客群或场景不良较高，需进一步查询和分析。2017年10月放款客群不良率快速上升，需密切关注。
七、总结
Vintage分析方法能很好地解决时滞性问题，其核心思想是对不同时期的开户的资产进行分别跟踪，按照账龄的长短进行同步对比，从而了解不同时期发行的资产质量情况，是一个所谓竖切的概念。Vintage分析法广泛用于信用卡、非信用卡消费金融领域，是金融机构精细化运营、贷后管理的有效手段。如果再分别按照进件渠道、投放场景等分别进行Vintage分析，能有效的区分和管理不同渠道、不同场景的资产质量。
后续文章将在Vintage分析的基础上，使用递延率、滚动率、入催率等指标，为金融机构风险拨备、坏账拨备提供数据依据；使用Cohort分析法，分析信贷风险的时长效应、时期效应和同群效应，用Cohort分析的视角来审视Vintage分析；综合运用等额本息等不同还款方式、以及IRR、NPV等指标，进行资产定价。
八、参考案例
- 乐信M6+资产质量
总体来说，乐信M6+的资产质量一直稳定在2%以下，是很不错的了。
但其中有两条很危险的曲线要注意。2016年第2季度曲线和2015年第4季度的曲线一直在往上飙升，曲线斜率越来越大，没有减缓的趋势，这两条线代表的业务坏账当时可能有问题。
图片来源于森林学苑
- 趣店M1+
M1+居然只有1个点左右的坏账，果然是背靠大树好乘凉。
图片来源于森林学苑
- 51信用卡 M3+
图片来源于森林学苑
从上图中可以看出，持卡人群的Vintage资产质量经历了一个先变差又变好的过程。
从2015年第二季度开始，到2016年第二季度，分时段的曲线是处于一个平移上浮的过程，但在2017年的三个季度的三条曲线中，又逐步回降下来。
非持卡人群2016年第一季度的M3+总体逾期还是很低，基本上没有超过4%。但2016年第二季度的资产质量（图中蓝色线条）明显开始变差，在接近10%的坏账后又逐渐趋于平稳。
值得注意的是2017年第一季度的资产，图中红色线条上扬的趋势很明显，资产有变坏的可能性。