信贷风控实战——如何用MOB和Vintage分析资产质量？
1. 信贷风控中的MOB和Vintage是什么？
我第一次接触MOB和Vintage分析是在2015年做消费金融风控的时候。当时团队刚上线一个新贷款产品，前三个月逾期率看起来很正常，但到了第四个月突然飙升。老板拍着桌子问："这到底是偶然波动还是风控模型出了问题？"正是这次危机让我彻底搞懂了这两种分析方法的价值。
MOB（Month on Book）直译就是"账龄"，它表示一笔贷款从发放之日起已经过去了多少个月。比如1月放款的客户，到3月末的MOB就是2。这个概念看似简单，但在风控分析中至关重要——不同账龄的贷款风险特征完全不同。
Vintage分析则是按放款月份对贷款进行分组，然后跟踪每组贷款在不同账龄的表现。这个概念源自葡萄酒行业：酿酒师会把不同年份的葡萄分开酿造，通过长期观察来评估每个年份的品质。在信贷领域，我们把2023年1月放款的贷款称为"2023年1月Vintage"，就像"1982年拉菲"一样，每个Vintage都有自己独特的风味——也就是资产质量曲线。
2. 为什么要用MOB和Vintage分析？
很多风控新人会问：我们有每天的逾期报表，为什么还要搞这么复杂的分析方法？这里我分享一个真实案例。
去年某持牌消金公司推出了一款"先享后付"产品，前两个月30+逾期率始终保持在1.5%以下。但用Vintage分析后发现：首批客户在MOB3时的逾期率已经突破5%，而常规产品同期只有2%。这个预警让他们及时调整了授信策略，避免了上千万元的坏账损失。
MOB和Vintage的核心价值在于：
- 穿透短期波动看本质：消除新业务增长带来的"稀释效应"
- 建立可比基准：让不同时期的放款资产能在相同"发育阶段"比较
- 预测未来风险：通过成熟期曲线的收敛形态预估最终损失
举个例子：2023年1月放款的客户在MOB6时逾期率达到8%，而历史同期的Vintage在MOB6平均只有5%，这就提示需要立即排查是客群变化、模型失效还是外部经济环境的影响。
3. 如何计算Vintage分析表？
3.1 基础数据准备
做Vintage分析需要准备以下核心字段：
- 客户编号
- 放款日期（精确到月）
- 放款金额
- 当前本金余额
- 最大逾期天数（M1+指逾期30天以上）
这里有个容易踩坑的地方：一定要用剩余本金计算逾期金额。比如客户借款1万元，已经还款6千元后发生逾期，那么计入分子的应该是4千元而非原始借款金额。
3.2 单月Vintage计算步骤
以2023年1月Vintage为例：
- 确定基准月：2023年1月
- 计算该月放款总额（分母）
- 在每个月末（MOB0到当前月）统计：
- 处于M1+逾期的客户剩余本金总和（分子）
- 逾期率 = 分子 / 分母
假设1月放款1000万元，到7月末（MOB6）时有50万元本金处于M1+状态，则MOB6逾期率=50/1000=5%。
3.3 多期对比分析
完整的Vintage表应该包含近12个月的基准月数据，格式如下：
| 基准月 | MOB0 | MOB1 | MOB2 | MOB3 | MOB4 | MOB5 | MOB6 |
|---|---|---|---|---|---|---|---|
| 2023-01 | 0.1% | 0.5% | 1.8% | 3.2% | 4.5% | 5.7% | 6.2% |
| 2023-02 | 0.1% | 0.6% | 1.5% | 2.9% | 4.1% | 5.3% | - |
| 2023-03 | 0.2% | 0.8% | 1.7% | 3.0% | 4.2% | - | - |
注意观察三点：
- 每条Vintage曲线的斜率变化
- 同期MOB点的数值对比（如MOB3时各月的表现）
- 成熟期（通常MOB12+）的逾期率稳定值
4. 实战中的高级技巧
4.1 曲线标准化处理
不同月份放款量差异很大时，建议对逾期率做加权处理。比如1月放款1亿，2月放款5千万，直接比较绝对逾期率会失真。我的做法是：
- 计算各Vintage的逾期金额
- 按放款量加权平均
- 用移动平均法平滑短期波动
4.2 多维交叉分析
基础Vintage分析可以结合以下维度深入挖掘：
- 产品类型：现金贷vs场景贷
- 渠道来源：线上申请vs线下推广
- 风险等级：A类客群vs次级客群
- 还款方式：等额本息vs气球贷
曾经我们发现某渠道MOB3逾期率异常高，交叉分析后发现是他们把"月利率"错误展示为"日利率"，导致客户误以为利率极低而冲动借款。
4.3 提前预警指标
除了常规的M1+，我还会监控：
- MOB1逾期率：反映欺诈风险
- MOB3-MOB6斜率：预测最终损失
- 回流率：已逾期客户的恢复情况
有个很实用的经验公式：当MOB6逾期率 > MOB3逾期率×1.5时，大概率会出现风险恶化。
5. 常见问题解决方案
问题1：新业务没有历史数据怎么办？
- 参考同类产品Vintage曲线
- 用MOB1-3数据拟合成熟期表现
- 设置更频繁的监控节点（如每周）
问题2：如何区分系统性风险和模型失效？
- 建立宏观经济指标对照表（如失业率、CPI）
- 对比不同客群的表现差异
- 检查通过率、批核额度的变化
问题3：数据量太大计算缓慢？
- 按月预聚合基础数据
- 使用滚动窗口计算（如最近36个月）
- 对早期MOB采用抽样分析
去年我们处理过一个典型案例：某产品MOB12+逾期率突然上升2个百分点。最初怀疑是模型问题，但Vintage分析显示所有渠道同步上升，结合当时制造业裁员潮，最终判断是经济下行导致的系统性风险。
6. 可视化呈现技巧
好的图表能让分析结果一目了然。我常用的有：
热力图：
MOB 1 2 3 4 5 6 2023-01 0.1 0.5 1.8 3.2 4.5 5.7 2023-02 0.1 0.6 1.5 2.9 4.1 5.3 2023-03 0.2 0.8 1.7 3.0 4.2 4.8用颜色深浅直观显示风险高低。
趋势对比图：
- 横轴：MOB
- 纵轴：逾期率
- 多条线：不同Vintage
建议添加一条"行业基准线"作为参考。
在实际汇报时，我通常会准备三张图：
- 整体Vintage趋势
- 重点产品的专项分析
- 高风险维度的交叉对比
记得去年用这套方法向CEO汇报时，他当场就看懂了风险聚集点，立即叫停了某个渠道的合作。