ML之FE：Vintage曲线/Vintage分析的简介、计算逻辑、案例应用之详细攻略
目录
Vintage曲线简介—通过葡萄酒产业理解Vintage曲线
(2)、信贷领域待确定的指标——账户表现期—信贷产品Vintage曲线挖掘
Vintage曲线简介—通过葡萄酒产业理解Vintage曲线
(1)、Vintage来源
最初，Vintage原来的意思是，特定年份酿制的葡萄酒。由于每年采摘的葡萄会受到日照、气温、降水等因素的影响，最终酿造的葡萄酒品质会存在差异。在窖藏一定年份后，葡萄酒的品质将趋于稳定，也就是品质成熟，这段年份数被称为成熟期（maturity）。
Vintage 分析原来用于评估不同年份的葡萄酒的品质，随着窖藏时间的推移而发生的变化。简便起见，我们以酒精浓度作为衡量葡萄酒品质的标准，约定：浓度越高，品质越好。首先，记录入窖年份作为该批次葡萄酒的标签，这也被称为Vintage或者Cohort。之后，我们将每年定期抽样测量酒精浓度，保存记录数据，如图所示。
经过几年的数据积累，我们就可以绘制出酒精浓度随时间变化的Vintage曲线。俗话说，酒越酿越醇，Vintage曲线通常是单调递增的。
(2)、Vintage曲线的意义
葡萄酒的Vintage曲线分析流程图如下所示：
Vintage曲线可以做什么呢？
1)、分析变化规律：评估不同年份的葡萄酒的品质随着窖藏时间推移的变化规律。比如，**年份的葡萄酒浓度在入窖第1年就能达到较高的水平，但上升缓慢；**年份的葡萄酒浓度，虽然起点低，但上升快。
2)、确定最终品质：Vintage曲线最终稳定值，表明了这批葡萄酒的最终酒精浓度。
3)、确定成熟期：根据Vintage曲线图可知，一般在入窖第6年后，酒精浓度稳定不变，可以确定成熟期是6年，我们最早在第6年就可以开桶品尝。
4)、分析影响因素：根据Vintage曲线图，我们可以分析某个年份的葡萄所受到的环境影响因素，从而改善生产工艺。比如，由于某一年的光照不充分，糖分积累少，酒精浓度可能最终就比较低。我们就可以人工增加光照强度。
Vintage曲线应用案例扩展—信贷领域
在金融风控领域中，通常需要观察用户的全周期风险情况，明确用户风险的成熟期，Vintage曲线正好可以实现这一点。
现在，Vintage Analysis一般都被翻译为账龄分析，因为在信贷领域，Vintage是资产质量分析的重要工具，因为Vintage损失率是静态的，所以可以方便分析同一产品不同时间放款的质量变化。
不同产品往往有着不同的Vintage形状，背后是迁徙率的不同，而迁徙率背后可能是逾期情况或者回收情况的不同，需要拆解分析。
实际上，不同产品或不同机构的Vintage是无法直接进行比较，比较的前提是必须知道两个必要的条件：产品期数和产品还款方式，然后将Vintage损失率转为年化损失率再进行比较。特别要注意的是：在不知期数和还款方式的情况下，无法准确比较不同产品的Vintage。
参考文章
Vintage损失率转为年化损失率(名义利率/内部收益率/年化利率等概念)，Vintage损失率转为年化损失率(名义利率/内部收益率/年化利率等概念)
金融风控中的Vintage和滚动率介绍
(1)、葡萄酒VS信贷→Vintage曲线的意义
在信贷领域中，我们也可以用Vintage曲线分析资产（portfolio）质量的成熟过程变化规律。为更容易理解，在此列举了Vintage分析过程中两个领域的对应关系。
| 行业 |
葡萄酒 |
信贷 |
备注 |
| 批次 |
入窖年份 |
房贷月份 |
批次标签 |
| 品质 |
酒精浓度 |
逾期风险 |
纵坐标 |
| 时间 |
入窖年龄 |
账龄MOB |
横坐标 |
| 成熟期 |
品质成熟期 |
账户成熟期 |
Vintage曲线特征 |
| 影响因素 |
气温、日照、降水等 |
风控策略、客群、市场环境等 |
原因分析 |
Vintage数据表格通常由三部分组成，其中横纵坐标通常是在账月份（MOB）和入账月份，内容可以为各种统计量，其中逾期率、逾期金额是比较常见的（图1统计的就是M1+的逾期率），但也能用其他比例、比率、数值和数量，比如总金额、平均待还余额等。Vintage分析有三个维度：
1)、横着看，表明用户生命周期效应，体现了用户成熟过程中发生的变化，体现了不同账龄用户的违约率变化。
2)、纵着看，表明了新账户效应，体现了拥有相同账龄用户随着时间改变而发生的变化，体现了不同月份的违约率变化。
3)、对角线斜着看，表明了组合效应，体现了相同时期拥有不同账龄用户的组合变化。
遵循同样的分析思路，按账龄（MOB）长短对齐后比较，我们可以了解同一产品，在不同时期放款的资产质量。
1)、分析变化规律：资产质量（例如逾期率指标）的变化情况，如果前几期逾期率上升很快，那么说明短期风险没有捕捉住，欺诈风险较高；反之，如果曲线一直在上升，说明信用风险识别能力不佳。
从MOB9开始，大部分月份的逾期率趋于稳定，这说明9个月的表现期，用户的风险基本都暴露完全了，这对我们建模过程中确定样本表现期具有指导作用。
2)、确定资产质量：一般以逾期率来定义资产质量，也就是曲线平缓后对应的逾期率。
3)、确定账户成熟期：用来判断客户展现好坏的时间因素，从而帮助定义表现期。
4)、分析影响因素：风控策略收紧或放松、客群变化、市场环境、政策法规等都会影响资产质量。分析影响因素，可以用来指导风控策略的调整。
(2)、信贷领域待确定的指标——账户表现期—信贷产品Vintage曲线挖掘
在金融风控领域中，尤其是在风控建模的时候，通常需要观察用户的全周期风险情况，明确用户风险的成熟期，Vintage曲线正好可以实现这一点。
- 1)、对于风控建模来说，经常需要确定Target，对于欺诈来说，我们可以简单的用首逾指标来定义为Target。但是对于PD模型来说，通常需要通过分析来确定表现期。如果表现期定义的不合适，那么一个好用户可能被定义成Bad，一个坏用户也可能被定义成Good。我们通常通过Vintage曲线来确定逾期率何时趋向于稳定，从而选择合适的表现期。
- 2)、Vintage分析可以反映不同账龄周期客户的风险情况，通过观察不同周期风险情况的变化，我们可以分析不同周期的客户风险变化（例如宏观形势的变化会导致客户风险发生波动）、风控策略变化（例如更新了风控模型或者策略调整导致的风险下降等）。另外，通过走完全部生命周期的客户，可以看到用户的整体逾期情况，从而用来调整风控策略。
进一步思考，如果以逾期率来定义资产质量，那么逾期风险（目标变量Y）是如何定义的？如何确定？M3，还是M6？ 这个指标，需要结合滚动率来决定。
首先，我们来分析为什么要确定账户的表现期？众所周知，表现期越长，信用风险暴露将越彻底，但意味着观察期离当前越远，用以提取样本特征的历史数据将越陈旧，建模样本和未来样本的差异也越大；反之，表现期越短，风险还未暴露完全，但好处是能用到更近的样本。
例如，对于一个12期分期还款的信贷产品，理论上当用户在12期结束，并还清所有的钱后，我们才能定义为绝对的好客户；反之，我们只能说到目前为止是一个好客户，但并不能知道未来几期用户会不会逾期不还钱。因此，我们需要确定一个合适的表现期能覆盖足够多的坏客户即可。
根据图中所示的信贷产品Vintage曲线，我们可以得到哪些信息呢？
1)、账龄最长为12个月，代表产品期限为12期。随着12期结束，账户的生命周期走到尽头。
2)、账龄MOB1、MOB2、MOB3的逾期率都为0，说明逾期指标为M4+（逾期超过90天）风险。
3)、由放贷月份从2018年1月～12月的账户的最终逾期率都在降低，说明资产质量在不断提升，可能是因为风控水平在不断提升。
4)、2018年5月相对于2018年1～4月的逾期率大幅度下降，说明该阶段风控策略提升明显。
5)、不同月份放款的M4+在经过9个MOB后开始趋于稳定，说明账户成熟期是9个月。
(3)、Vintage曲线绘制逻辑
绘制Vintage曲线时，就不得不提到纵坐标中逾期率的定义。通常有两种计算口径：
T1、订单口径：逾期率 = 逾期订单数 / 总放贷订单数
T2、金额口径：逾期率 = 逾期剩余本金 / 总放贷本金
目前互联网金融各家机构的口径定义存在差异，因此仅仅根据各家发布的Vintage曲线，有时并不能客观分析资产质量和风控水平。
推荐文章：Vintage分析表计算过程详解，Vintage分析表计算过程详解 - 知乎