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
金融科技领域之迁徙率(Flow Rate)表的简介
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%。
迁徙率(Flow Rate)表案例应用—定义逾期天数-利用迁徙率(Flow Rate)表
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：
1、概念定义
T1、先设置观察期，再看表现
推荐文章：https：//zhuanlan.zhihu.com/p/81027037
T2、只看每个月的的账户在下个月的表现
| 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。
2、迁徙率—案例理解
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 |
||||||||
2.1、迁徙情况百分比关注重点
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？
2.2、迁徙情况百分比的意义
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。
2.3、提前预测90天后是否逾期
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。