一、概述
五级分类迁移矩阵，通过将银行或者客群的初期五级信用风险等级与期末信用风险等级进行比较计算，分析不同资产优化或者恶化的趋势，度量在特定时间内从目前的信用等级迁移到其他信用等级的的概率，为风险管理人员提供精细化分析手段和预测手段，实现对银行、客群、单个企业的信用质量的微观度量和有效监控。
本文将使用Smartbi电子表格工具，采用五级分类迁移分析法，着重分析银行和客群的资产质量变化情况。
二、五级分类的定义
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。
通过运用五级分类工具，对借款人财务、非财务、现金流量和担保等因素的连续监测和适时分析，动态、真实的反映借款人各个时期的还款能力、还款意愿及贷款风险变化情况，判断贷款的实际损失程度。
- 正常：借款人能够履行合同，没有足够理由怀疑贷款本息不能按时足额偿还。
- 关注：尽管借款人目前有能力偿还贷款本息，但存在一些可能对偿还产生不利影响的因素。
- 次级：借款人的还款能力出现明显问题，完全依靠其正常经营收入无法足额偿还贷款本息，即使执行担保，也可能会造成一定损失。
- 可疑：借款人无法组合偿还贷款本息，及时执行担保，也肯定要造成较大损失。
- 损失：在采取所有可能的措施或一切必要的法律程序之后，本息仍然无法收回，或只能收回极少部分。
三、五级分类的分类标准
根据借款人的不同，分为企事业单位贷款和自然人贷款，分别使用不同的分类方法：
（一）大额企事业单位贷款按照《信贷资产风险分类指引》的要求，在对借款人财务、现金流量、担保、非财务等各项指标进行全面、综合分析等基础上进行分类。
（二）小额企事业单位先进行资信状况进行评定，评定指标为：
1、资产负债率小于70%
2、销售利润率高于同业平均水平
3、近三年净资产保持增长，或不减少
4、总现金净流量为正
5、法人代表有较强的经营管理能力、品德佳、还款意愿强
6、担保状况好、偿债能力较好
六项指标全部达标，视为优秀；一项不符视为较好；两项不符视为一般；三项不符时为不佳，四项及以上不符时为恶化。
（三）小微企业、自然人的自信状况评定指标为：
1、资产负债率小于60%
2、家庭人均纯收入高于当地平均水平
3、近三年固定资产保持增长，或不减少
4、生产经营正常，或收入来源合法、稳定
5、无任何不良嗜好及行为
6、担保状况好、偿债能力较好
六项指标全部达标，视为优秀；一项不符视为较好；两项不符视为一般；三项不符时为不佳，四项及以上不符时为恶化。
（四）信用卡透支，主要依据逾期时间进行分类：
（五）住房按揭贷款和企业贷款主要依据连续违约期数或者逾期时间进行分类：
正常：贷款期间正常还本付息
关注：连续违约期数1-3次；贷款本金或利息逾期60天以内
次级：连续违约期数4-6次；贷款本金或利息逾期60-90天
可疑：连续违约期数>=7次；贷款本金或利息逾期90-180天
损失：具备（一）、（二）、（三）所列损失标准，或者贷款本金或利息逾期180天以上
四、五级分类迁移分析法
迁移是由于风险程度发生变化所导致的贷款在不同类别之间转移变化的一种现象。
迁移率（Flow Rate）：观察前期逾期金额落入下一期的几率，一般缩写为(C-M1、M1-M2……M4-M5)，例如M2-M3=当月进入M3的增量贷款余额/上月末M2的存量贷款余额。
该表格数据体现的是某一时点，全行整体资产质量相比较上一时点的变化情况。需要注意的是，两个时点的资产结构并不一致，只是就整体资产质量进行比较分析。
从上表五级分类矩阵的形式上可以直观看出，每一级分类的资产质量基本上是逐级变化，既有向下恶化的情况，也有向上变好的情况。这种数据变化形式，适合用桑基图来进行可视化表达。
从迁移的方向来看，矩阵对角线上半角的迁移率明显大于下半角；从桑基图中也可以看出，期初各分类下方流向期末分类的居多，说明贷款的迁移方向是向下、贷款的总体趋势趋于恶化。
引入分析指标——标准差，又称均方差，记为：
标准差用来度量每一个级别的贷款在一年的波动情况，标准差越大，说明迁移分布的离散度越大，贷款变动的波动风险越大。
用五级分类迁移标准差，可以反映银行整体资产质量、不同场景客群、不同类型企业、不同行业的迁移波动风险。如：
大型企业各类贷款状态都能保持稳定，迁移分布离散度小，波动风险可控；中心企业后三类贷款标准差最大，迁移波动风险较大，需特别关注；小型企业前两类贷款波动较大，整体稳定性较差。
三类行业中，房地产行业波动性较小，企业现金流量比较稳定，但需重点监测目前房地产业整体经济下行的风险变化。
同理，单项资产也可以进行五级分类迁移分析，但因为不同时点的结构相同，单项资产的迁移可以进行多期比较和分析。
比较一下面积图：
面积图可以表达资产质量在不同阶段的变化趋势，但桑基图除了能表达变化趋势，还能逐级表达不同方向的变化细节。
五、五级分类迁移分析与Vintage分析
五级分类迁移分析法和Vintage迁移分析法，两种方法都可以成为金融机构场景获客决策、资产质量监控、资产分类管理的决策工具。
五级分类迁移分析，仍然是按时点汇总分析，每一期的五级分类资产，包含的资产项结构都是不同的，而Vintage分析是针对相同资产结构的趋势分析。
五级分类迁移分析法关注的是每一级分类的逐级变化迁移情况，包括向上迁移情况，而Vintage分析法只关注对应五级分类是次级或关注以下的资产逾期趋势情况。
五级分类迁移法，可以针对所有贷款业务品种进行分析；而Vintage分析法更适合针对多期还款的业务品种，如按揭贷款、消费贷款、卡分期等。
六、五级分类迁移率的预测
五级分类迁移率的预测，其基本原理来自马尔可夫链的基本原理。通常假定状态空间为正整数，对于离散随机序列{Xn}，Xn+1的值处于状态j的概率，当且仅当与前一状态Xn有关，称之为马尔可夫链。记为：
定义表明，迁移概率不仅与初始状态和最终状态有关，也与时间序列有关。当迁移概率独立于时间序列时，称之为平稳迁移概率。约定五级分类迁移概率是平稳的。
目前，国外对迁移矩阵的研究已非常深入，标准普尔、穆迪等机构都有基于迁移矩阵的信用风险管理工具和系统，包括CreidtMetrics、CreditPro、CreditPortfolio View等产品。国内对于迁移矩阵的研究尚处于初始阶段，主要原因是，我国商业银行开展信用评级的时间不是很长，缺乏大量数据的积累。
迁移率的预测不作为本文研究的方向。
七、参考
对比可以看出，三家银行中，工商银行各类别逐级迁移均处于较好水平。同时，也是唯一的不良贷款余额净下降的银行。
八、结论
五级分类迁移矩阵为贷款质量监测提供了一种动态分析方法和预测工具，为不同风险水平的贷款实施分类管理提供了比较有效的管理依据，为金融机构场景获客、批量获客提供了量化决策依据，同时，也为改进评级方法提供了新的变量。
使用Smartbi桑基图，非常适合五级分类迁移数据的可视化表达。
金融机构可以根据当月五级分类的资产情况进行风险拨备，而当月资产级别不能体现出风险的递延情况，所以，基于迁移率的风险拨备可能更加精准，具体情况将在下一篇中进行介绍。