Vintage账龄分析表计算底层逻辑（Python实操）

大家好，我是东哥。

信贷风控领域中，经常用到账龄Vintage报表，这是入门初学者的难点之一，因为它涉及到用户还款、逾期等多种行为以及业务上的多种统计口径，因此很多朋友一直无法将逻辑梳理清楚。本次来给大家详细介绍Vintage报表的底层计算逻辑是什么样的。

出品人：东哥起飞
原创：👉原创大数据风控课程《100天风控专家》

一、4个统计时点

以2022-11放款月份为例，各个MOB对应的M2+逾期率为：

MOB1的M2+逾期率=MOB1的M2+逾期金额/2022年11月总放款金额=0

MOB2的M2+逾期率=MOB2的M2+逾期金额/2022年11月总放款金额=0.95%

…

MOB12的M2+逾期率=MOB12的M2+逾期金额/2022年11月总放款金额=3.22%

通用公式：MOB(N)的M2+逾期率=MOB(N)的M2+逾期金额/xx放款月份的总放款金额

要计算每个单元格的逾期率，需要首先了解4个统计时点：应还款日、实际还款日、MOB观察日，当前观察日。

应还款日：还款计划生成后，确定了每个月的还款日。有两个方式，第一种是还款日根据放款日而定，比如2022年11月10日放款，那么后续每个月10号还款，第二种是所有客户都是同一还款日，比如所有客户都在每个月的21号还款。
实际还款日：客户实际的还款日，由客户还款行为决定，与应还款日比较以后可有三种方式，提前还款、按时还款、逾期不还。
MOB观察日：每个MOB月的观察时点，也分为两种，一种是期末时点，一种是月末时点。
当前观察日：就是假设你站在了某个时点，然后对历史每个月放款后各MOB逾期数据的回看。与前三个时点不同，当前观察日不是周期性产生的，而是固定不变的，对于所有放款月都一样。

总结一下，在进行Vintage计算之前需要确认几个事项：

当前观察日是哪天？
MOB观察日的口径，是月末时点，还是期末时点？
观察逾期的口径，是当前current逾期，还是曾经ever逾期？
金额口径还是订单口径？

实际业务场景中，比较常用的是“MOB月末时点观测+当前逾期口径+逾期未结清余额”的逾期率口径。

以上4个都确定以后，剩下就看应还款日和实际还款日了，而应还款日是根据产品设计而定的，因此只有实际还款日是不确定的。实际还款日是由客户行为决定的，可以发生在任何的时间点，所以根据实际还款日的不同发生位置，就会产生多种情况。

二、逾期天数计算

第一种是，当应还日超过当前观察日的时候，也就是应还日还在未来，是未发生的事，因此我们无法判断。

第二种是，应还日在当前观察日之内了，属于我们可以观察到的历史数据了。此时，如果实际还款日在应还日当天或者之前，说明是正常还款，未发生逾期，因此逾期天数为0。

第三种是，实际还款日在应还日和mob观察日之间，说明虽然逾期了，但在mob观察日之前还上了。此时如果是当前逾期的口径，那么在mob月底观察是未发生逾期的，那么逾期天数为0；如果是曾经逾期口径，那么就发生过逾期了，逾期天数=实还日-应还日=5

第四种是，实际还款日在mob观察日之后，虽然也还了，但晚于mob观察点，因此当前逾期与曾经逾期口径是一样的，逾期天数都=MOB观察日-应还款日=21

第五种是，从应还日一直到当前观察日，客户一直没有还款动作，也就是一直未结清。因此当前逾期与曾经逾期口径也是一样的，逾期天数都=MOB观察日-应还款日=21

三、逾期金额计算

前面我们根据4个统计时点，计算出每个客户在各个mob下的逾期状态和逾期天数。

逾期天数可以转化为逾期期数，比如M1+/M2+/M3+等等，因此我们就可以观察M1+/M2+/M3+的逾期率在vintage账龄下的趋势。
通过各mob的逾期状态判断，我们也可以统计出逾期的剩余未还本金，也就是我们前面所要求的金额逾期率口径的分子。

四、逾期率计算逻辑

五、Python代码实操

对于核心部分逾期天数和金额计算的Python代码展示如下。

############################逾期标识#########################################
# 加工出逾期标志
# VX搜：100天风控专家
# 原创作者：东哥起飞
data_all_1['odu_flag'] = 0
data_all_1.loc[(data_all_1['actual_repay_date']>data_all_1['obser_month_end'])|(data_all_1['actual_repay_date'].isnull()),'odu_flag'] = 1
data_all_1['odu_flag_sft'] = data_all_1.groupby('order_id')['odu_flag'].transform(lambda x:x.shift(1))
data_all_1['actual_repay_date_sft'] = data_all_1.groupby('order_id')['actual_repay_date'].transform(lambda x:x.shift(1))
data_all_1['odu_first_flag'] = 0
data_all_1.loc[(data_all_1['odu_flag_sft']==1)&(data_all_1['odu_flag']==1)&(data_all_1['actual_repay_date_sft']>data_all_1['obser_month_end']),'odu_first_flag'] = 2
data_all_1.loc[(data_all_1['odu_flag_sft']==1)&(data_all_1['odu_flag']==1)&(data_all_1['actual_repay_date_sft']<=data_all_1['obser_month_end']),'odu_first_flag'] = 1
# 更新剩余本金
data_all_1.loc[data_all_1['odu_first_flag']==1,'balance'] = data_all_1['balance_sft']
data_all_1.loc[(data_all_1['odu_first_flag']==2),'balance'] = np.nan
data_all_1['balance'] = data_all_1.groupby('order_id')['balance'].transform(lambda x:x.ffill())
############################逾期天数#########################################
# 实还未超过月底观测日
data_all_1.loc[(data_all_1['actual_repay_date'].isnull()==False)&(data_all_1['actual_repay_date']<=data_all_1['obser_month_end']),'odu_days'] = 0
# 逾期-首次逾期的
data_all_1.loc[(data_all_1['odu_first_flag']==1),'odu_days'] = (data_all_1['obser_month_end']-data_all_1['expected_date']).dt.days
# 继续逾期的
data_all_1['expected_date_2'] = data_all_1['expected_date']
data_all_1.loc[(data_all_1['odu_first_flag']==2),'expected_date_2'] = np.nan
data_all_1['expected_date_2'] = data_all_1.groupby('order_id')['expected_date_2'].transform(lambda x:x.ffill())
data_all_1.loc[(data_all_1['odu_first_flag']==2),'odu_days'] = (data_all_1['obser_month_end']-data_all_1['expected_date_2']).dt.days