企业官网建设流程全解析

简介：面向信贷风控、资产质量分析与策略调优从业者，这份资料以某1年期信贷产品为例，系统讲解如何利用Vintage指标测算贷款产品的年化损失。内容覆盖Vintage报表的核心字段（放款金额、加权平均期限、加权平均定价、Mob逾期率）与三个典型应用场景：单月观察Vintage30+演变走势、比较不同放款月份经历相同月份后的风险表现，以及将Vintage稳定值转化为年化风险损失。针对按月还息到期一次还本、等额本息/等额本金/等本等息等实际情况，资料给出了年化损失= Vintage×周转次数的推算逻辑，并通过等额本息下的还款计划、每期损失概率与资金占用比，演示APR与IRR口径的本金损失计算，便于读者迁移到自身业务数据。包内为1个docx文档，压缩包大小814KB，文字与表格结合、可读性强。目前已有243人学习，适合熟悉基础报表但希望深化损失评估方法的风控分析师参考。 做信贷风控的同行，应该都听过vintage这个词。我第一次接触它的时候也挺懵的——这不是红酒年份的意思吗，怎么跟贷款产品扯上关系了？后来才明白，vintage在信贷行业里指的是“放款月份”，而在风控语境下，它又是一个非常核心的分析工具。这篇内容我想聊聊怎么根据vintage指标，一步步推算出贷款产品的年化损失。

这几年消费金融、小微贷、信用卡分期这些业务，都离不开一个灵魂拷问：我这个产品到底亏不亏钱？利率定多少才能覆盖风险？风控策略是收紧还是放松？这些问题的背后，都绕不开对损失的测算。vintage分析恰恰就是干这个用的——它能把不同时点放出去的钱放到同一条时间轴上去比较，看出这批资产真实的质量。

适合看这篇内容的，主要是信贷风控、数据分析、产品经理，以及做贷后管理的同学。新手可以把它当成入门的vintage实操手册，老手也可以看看我在平均敞口、资金回收这些细节上的处理方式，说不定能帮你少走点弯路。

1. Vintage指标到底在看什么

1.1 一句话理解vintage

vintage就是按放款月份给贷款分组，然后把每一组的逾期率或损失率，按账龄逐步累积来看。红酒的年份代表当年葡萄的品质，vintage在信贷里也代表当月客群的质量。2023年1月放款的客户是一个池子，2023年2月放款是另一个池子。每个池子的钱放出去以后，从第1期账单日开始，风险逐渐暴露——有人正常还，有人逾期，逾期久了可能就变成坏账。vintage分析就是把这些池子分别跟踪，记录它们在“第1个月”“第2个月”“第3个月”时各自的逾期或损失比例。

这句话说起来简单，但理解它之后，很多风控问题都会变得清晰。比如你会明白为什么不能直接拿“这个月的不良率”来评价业务好坏，因为本月放款刚进来会稀释分母，上个月的坏账又还在计提，混合在一起根本看不清真实风险。vintage把时间维度拉平，是穿越噪音看本质的关键手段。

1.2 vintage分析的三大价值

第一个价值是横向可比。放款日期不同，对应的宏观环境、审批策略、获客渠道都可能不同。如果把不同月份放在“日历时间”坐标里去比，很容易得出错误结论。比如春节前后客群差异大，6月和12月放款的资金用途也不一样，直接对比时点不良率没有意义。vintage把坐标换成“账龄”，大家从第1个月重新起跑，这样才公平。

第二个价值是损失收敛。一笔贷款在放款后的前6到12个月最容易暴露风险，之后曲线会逐渐走平。通过vintage曲线的走势，可以判断某一批资产最终大概会坏到什么程度。这个特性让vintage成了预测损失的基础工具，因为我们可以尽早从曲线的斜率预估终局，不用傻等一年。

第三个价值是策略归因。vintage曲线若突然走高或走低，往往意味着审批策略、获客渠道、定价策略或者欺诈攻防出了问题。举个例子，如果3月放款的vintage在第4个账龄时损失率明显高于1月和2月，那大概率是3月的进件渠道或审批规则有变化。这种定位能力，是事后复盘和策略迭代的基础。

1.3 年化损失与vintage的关系

vintage曲线得到的最直接产出是“某个账龄下对应的累计损失率”，但它本身不是年化口径。而决策时，我们更关心的是：这笔钱在一年里到底能亏掉多少？这就需要一个从vintage损失率到年化损失率的换算。

举个例子，假设某产品12期等额本息，2023年1月放款1000万，到第12个账龄月时累计核销30万，那么vintage累计损失率是3%。那这3%对应的年化损失是多少？这里不能直接说3%，因为放款本金并不是完整占用了一年，它是按月等额回收的，平均资金占用时间其实只有半年左右。这个细节直接决定了年化损失的计算方法，也就引出了下一节要讲的核心问题。

2. 年化损失测算的整体思路与公式

2.1 先厘清两个口径

测算之前，先要分清楚损失率的口径。业务上常见三种，很多人混淆了它们，算出来的数自然就不对。

第一种是逾期率，即M1+、M2+、M3+逾期金额占在贷余额的比例。它是一个“余额率”，分母随时间变化，容易受新放款、提前还款的冲击，所以一般不适合直接用来做年化损失测算。

第二种是损失率（vintage口径），即某个放款池的累计净损失（比如核销金额减去后续回收）除以期初放款金额。分母固定，因此适合做跨期比较和损失预测。

第三种是年化损失率，就是把上面的损失率放在“资金实际占用时间”上折算出来的年度比率。

vintage测算主要用第二种口径计算。注意这里必须用净损失，也就是扣掉后续回收后的数字，不扣的话会把损失算高，后面做定价时会直接传导到利率上。

2.2 三种测算方法对比

我在实践中形成了三档方法，从粗到细，按场景选用：

快速估算最容易理解。比如账龄18个月的池子，vintage累计损失率4.5%，那粗算年化就是4.5% / 1.5 = 3%。但这个公式隐含一个假设：损失在整个观察期内均匀发生。现实中损失往往集中在前几个月，所以这种算法会低估年化损失，只适合快速摸底。

平均敞口法更贴近资金占用，它把分母从“账龄年数”换成“资金实际被占用的平均时间”。等额本息12期产品，资金占用时间约0.54年，所以上面的例子年化损失 = 4.5% / 0.54 ≈ 8.33%，比粗算高出一大截。这个才是更接近真实情况的年化损失，尤其在给贷款定价时，不能轻视这个差异。

动态预测法适合数据不足的情况。比如一个新业务只跑了6个月，vintage曲线还没走平，可以用滚动率推断后续损失，再按平均敞口折算。核心思路是：当前M3+的人里，未来有多少比例会最终变成核销，把各个账龄段的迁移率乘起来，得到最终预计损失。

2.3 为什么“账龄除以12”只能做粗算

很多刚接触的同学会直接拿vintage损失率除以账龄再乘以12，这在业务初期做快速判断可以，但要用在定价和盈利测算上就有点危险。

问题出在两处。第一，损失不是均匀发生的，多数损失集中于前几个账龄月；第二，贷款本金也不是在整个账龄期内保持不变，等额本息下越往后剩余本金越少。两边叠加，意味着同样一笔损失实际占用的资金成本更高，如果忽略时间价值，年化损失会被系统性低估，进而导致定价过低、拨备不足。

所以在贷前定价和风控策略测算时，我建议至少用平均敞口法。等额本息的平均在贷余额比例，可以用“（首月余额+末月余额）/2”粗略估计；12期等额本息的平均在贷比例大约就是54%左右。用上这个比例，才算把“年化”两个字落实到位。

3. 实操演示：从vintage表到年化损失率

3.1 第一步：搭建vintage数据集

数据准备阶段，我习惯用一张宽表：每一行是一个vintage池，每一列是一个账龄月（MOB1、MOB2……）。Excel透视表可以直接做，SQL用户也可以用条件聚合。核心字段是：放款月份、放款金额、逾期或核销状态金额。

以下是一个简化示例（数据为演示用途）：

这里的“损失”，我用的是“核销金额 / 期初放款金额”。如果公司还没到核销阶段，也可以用M3+或M4+逾期余额做一个近似，但要注意这代表的是潜在损失上限，后续还需要再乘以核销系数来校准，否则会高估最终损失。

3.2 第二步：绘制vintage曲线并判断收敛

把上面的数据画成曲线，横轴是账龄月，纵轴是累计损失率，每条线代表一个放款月份。判断一条vintage曲线是否收敛，我的标准很简单：连续3个月新增的损失率都不到0.1个百分点，基本就算稳定了。

以2023年1月那批为例：MOB1到MOB6损失率涨得很快，从0.2%一路涨到2.5%；但MOB6到MOB12只增加了0.5个百分点，说明第6个月以后损失已经接近尾声。如果贷期是12期，通常到MOB10到MOB12基本能看到终局。这个“稳定后的损失率”，就是接下来做年化计算的核心输入。

实操中还有一个判断技巧：拿相邻两个vintage的相同MOB来比。如果2023年1月和2月在MOB6上的损失率差异不大，说明客群质量稳定，可以用近几个vintage的平均值来做预测；如果差异很大，就要先去找原因了——可能刚调过审批策略，也可能换了获客渠道，这时候直接取平均值会掩盖问题。

3.3 第三步：结合平均敞口计算年化损失

以一个12期等额本息产品为例。2023年1月vintage到第12个月累计核销30万元，放款金额1000万元，vintage损失率=3%。

先算平均资金占用。等额本息每月还款后剩余本金等比例递减，如果忽略正常还款中的违约因素，12期的平均在贷余额约为期初的54%。那么平均资金占用年限=0.54年。于是：

年化损失率 = 3% / 0.54 ≈ 5.56%

如果这笔钱同时还有资金成本和运营成本，比如资金成本4%，运营成本2%，全成本就是5.56%+4%+2%=11.56%，再加上预期利润，就能倒推最低定价了。这一步做完，年化损失就不再是一个抽象指标，而是直接进入了产品和盈利决策。

3.4 第四步：敏感性验证

计算完一个大数之后，不要急着下结论。我习惯做一次敏感性验证：比如把vintage损失率上下浮动10%，看年化损失对定价的影响有多大；或者把平均资金占用从0.54年调整到0.6年，看结果变化。如果结果对参数非常敏感，说明测算的稳定性一般，需要把参数定义得更明确。

还有一个反向验证方法：用财务账上的坏账准备除以月均贷款余额去对照。如果账务上每个季末的坏账计提比例和vintage算出来的年化损失差异很大，说明某个环节的口径可能有问题，比如核销政策不一致、核销后又有回收没有冲回等。这种交叉验证做多了，对数字的敏感度会明显提升。

4. 常见问题与避坑指南

4.1 vintage曲线还没收敛怎么办

新业务、新产品经常会遇到这种情况：放款才6个月，曲线还在爬坡，根本不知道该用什么数字。这时候不要硬用真实vintage曲线去外推，可以借助滚动率分析来看：观察最近几个月M1→M2→M3→核销的迁移率，把这些转移概率连乘，推算出当前M3+余额中未来会变成核销的比例，再叠加到存量未到期损失上。

这个方法有一定不确定性，所以建议给出区间而不是单个点值。比如“年化损失估计在5%到7%之间，6个月后再回头校准”。业务方要的是一个决策区间，不是精确到小数点的答案。硬给一个看似精确的数，反而容易误导决策。

4.2 提前还款怎么处理

提前还款对vintage损失率的影响是：分母没变，但后续未到期内可能产生的损失减少了。这里有个很容易被忽略的坑——如果某个池子提前还款率特别高，后续的损失天然会变少，容易让人觉得“资产质量好”。但实际上，有一部分提前还款可能来自借新还旧的客户，他们并不是真正的优质客户。

处理方式上，我建议做“合同本金口径”和“余额口径”的双轨对比。分母统一用期初放款金额不变，同时把提前还款单独拆一个指标出来看。如果提前还款率和损失率同时走高，就要警惕了，那可能说明风险在被还款行为掩盖，而不是真的消失了。

4.3 复借客户要不要合并算

很多消费贷产品有复借模式，同一个客户借了又还、还了又借。如果每一笔放款都算一个独立的观察对象，高复借客户会在vintage池里被重复计数，导致池子之间不可比。

我的建议是：对外做产品层面年化损失时，按“人”聚合更合理，因为它反映了客户维度的真实损失；但做审批策略监控时，还是要按“笔”来看，因为每次放款都对应一次新的审批决策。两种口径如果差异很大，说明复借客户和首贷客户的质量有明显区别，需要分别建模，不能用同一个vintage结论套在所有场景里。

4.4 资金回收产生的“负数损失”

核销不等于结束。有些客户后来又被催回了部分钱，这部分回收如果直接冲减当期损失，会导致vintage损失率出现波动。我在刚开始做vintage时就在这里栽过跟头，某个月的曲线突然往下掉，看起来像是资产质量变好，其实只是财务部把一批历史核销回收冲了进来。

更规范的做法是：按vintage归属期记录“核销-回收”的净额，单独挂账，计算损失率时才把它加总进去。这样月与月之间的曲线才不会来回抖动，才能看出真实的风险走势。这个点尤其影响年化损失的稳定性，因为年化损失假设的是一个最终净损失，不处理回收的话，同一批资产在不同月份看会算出完全不同的年化数字。

5. 一些实操上的个人体会

vintage和年化损失的测算，听着像是很理论的活，实际上每一步都跟业务决策紧紧绑在一起。我用这个框架算过不少产品的损失，最大的体会是：公式不难，难在口径统一和数据质量。技术层面的迁移率、敞口折算，只要花时间都能学会，但数据背后那些业务含义，没有踩过坑是真的体会不到。

几个小建议。第一，vintage表的损失口径一定要和财务核销口径对齐，否则技术再精，数字也是错的。第二，每次测算都要把假设条件写清楚，尤其是资金占用年限和稳定损失率从哪来的，这样下次复盘时才知道哪里变了。第三，不要只盯一个vintage池，最好连续看6个月以上的vintage，从趋势里看方向。第四，做定价时一定要用年化损失而非单期损失，否则算出来的利率会明显偏低，这一点在跟定价团队配合时特别重要。

最后再分享一个我踩过的坑。很多人计算“平均资金占用”时，直接拿总账龄除以2，但对12期等额本息来说，正确的比例不是50%而是54%左右。一次帮别人复核报告，就是用错了这个参数，硬是把年化损失少算了将近1个百分点。这种小细节平时不注意，一到业务会上被追问起来，特别容易掉链子。先把数据口径和公式原理搞扎实，vintage这个工具用熟了以后，你会发现自己对贷款产品风险的理解，会明显比别人深一截。

本文还有配套的精品资源，点击获取