滚动率怎么算，滚动波动率怎么算

在信用风险控制场景中，信用记分卡模型是最常用的风险控制手段之一，根据模型的应用场景(如A、B、C卡)，明确模型的目标变量是模型开发过程的重要前提。确定目标变量的方法，即如何定义“好”和“坏”样本，是实际业务中经常用到的。

滚动率分析是信用风险管理资产质量分析中的一个重要概念，是指从观察点前一段时间的最差状态到观察点后一段时间的最差状态的发展变化。

滚动率分析的具体流程如下:

1.明确数据来源，“CustomerRepaymentSchedule”比较常见(具体表名可能因业务方不同而不同)；

2.选择观察点，向前推m个月将观察点定义为观察期，向后推n个月将观察点定义为业绩期(观察期和业绩期的时长根据产品特性定义)；

3.提取分析样本。对于选取的样本用户，需要限定观察期前的借款日期和履约期后的最后还款日期(以保证样本用户的分析时间段一致)；

4.统计观察期的逾期状态，以观察点为截止日期，统计客户在观察期内(观察点前m个月)最长的逾期时间对应最差的逾期状态，如C、M1、M2、M3+ (C表示当期前未逾期，M1表示逾期1-30天，M2表示逾期31-60天，M3+表示逾期61天及以上)。

5.统计业绩期的逾期状态，从观测点开始，统计客户在业绩期内(观测点后n个月)最长的逾期状态对应最差的逾期状态，如C、M1、M2、M3+等。

6.构建逾期矩阵，交叉统计观察期的逾期情况和业绩期的逾期情况，依次形成样本数矩阵表和样本比例矩阵表(即滚动率分析表)；

7.分析滚动率数据表，根据不同状态的变化率定义目标变量的过期状态阈值；

8.比较多个观测点，为了消除一个观测点选取的随机影响，一般选取多个观测点的数据，重复上述过程，形成多个滚动率分析表进行比较，得到最终的目标定义。

假设有一个场景的例子:某网贷的小额分期产品，一次性贷款，12期等额本息还款等。现结合以上滚动率分析步骤，简述滚动率分析的过程和结果。

我们选取20200630为观察点，观察期往前推三个月(20200101-20200630)，绩效期往后推三个月(20200701-20201230)，将用户的逾期状态统计为C、DPD7+、DPD15+、DPD30+和DPD60+。

DPD7+表示逾期8~15天，

DPD15+表示逾期16~30天，

DPD30+表示逾期31~60天，

DPD60+表示逾期61及以上。

从数据库中抽取10000个用户的样本，借款周期满足观察期和业绩期的数据表现。现分别统计观察期和绩效期样本用户的最高逾期状态，样本数量和样本比例分布如下表所示:

(表1逾期样本数量)

(表2逾期样本比例)

根据表2，滚动率分析表可以分析如下:

(1)观察期内，86.21%状态为正常(C)的用户在性能期内保持正常，13.79%变为逾期状态(DPD7+，DPD15+，DPD30+，DPD 60+)；

(2)观察期内，DPD7+最高逾期状态的用户有61.37%转为正常状态，20.93%保持DPD7+状态，17.70%转为更高逾期状态(DPD15+，DPD30+，DPD 60+)；

(3)观察期内，DPD60+最高逾期状态的用户只有0.82%变为正常状态，4.86%变为较低逾期状态(DPD7+、DPD15+、DPD30+)，94.32%仍处于DPD60+逾期状态；

(4)对于观察期内DPD15+和DPD30+逾期状态最高的用户，绩效期内变化状态的分析思路同上；

(5)表中“回退率”表示逾期状态从观察期到绩效期有所下降的样本比例，如从DPD7+变为C，从DPD15+变为C或DPD7+，从DPD30+变为C或DPD7+或DPD15+，从DPD60+变为C或DPD7+或DPD15+。根据表中回滚率的统计结果，随着观察期内逾期状态的增加，相应性能期的回滚率逐渐下降，观察期内逾期状态为DPD7+的用户中有61.3%在性能期内转为正常，说明更多逾期状态为DPD7+的用户仍然是“好”用户；在观察期内，逾期状态为DPD30+的用户中，有32.49%在性能期内变更为较低的逾期状态，说明逾期状态为DPD30+的用户仍然存在。

有的用户后期换了一个“好”的方向；而观察期内逾期状态为DPD60+的用户，只有5.68%在绩效期内变为了较低的逾期状态，说明观察期内逾期状态为DPD60+的用户，大部分已经成为“不良”用户；

(6)根据以上分析，得出逾期状态为DPD60+的用户后期降低逾期程度的概率较低，因此可以将DPD60定义为目标变量Y的定义范围，即逾期61天及以上的用户定义为“差”用户，其余为“好”用户。

以上是风险控制中滚动率的知识点，更系统的内容可以关注: