我在信贷风控领域摸爬滚打了八年，亲手搭建过三个不同规模信贷平台的监控体系。一个让我至今难以释怀的教训是：某平台账面不良率连续三个月维持在2.5%的“安全线”内，管理层据此放慢了催收资源投入，结果六个月后，实际坏账损失率冲到了8.3%。问题出在哪？我们一直在看“后视镜”，不良率是滞后指标，等它显露出问题，损失已经做实了。从那以后，我把所有核心监控都换成了两个前瞻性指标：滚动率与账龄分析。这才是真正能提前预警、穿透业务本质的“透视镜”。
这篇文章，我打算把八年来踩过的坑、验证过的判断逻辑、以及在不同业务阶段如何取舍的经验，全部摊开来讲。不讲虚的，只讲你是如何用滚动的数据，在信贷业务中赢得决策的主动权，而不是被动地“接盘”。
如果你只能记住一个结论，那就是：滚动率是“前瞻性预警器”，账龄分析是“回顾性体检报告”。 两者必须结合使用，才能形成从“预测风险”到“归因风险”的完整闭环。
单一使用滚动率，你能看到“接下来要出事”，但不知道“是哪个环节的哪个批次出了问题”；单一使用账龄分析，你能看到“这批货质量不行”，但无法预判“下一批会不会更糟”。只有把这两只“眼睛”叠在一起，你才能看清信贷业务的全貌。
在我的经验里，一个健康的信贷监控体系，至少应该包含以下三个核心判断：
别指望一个万能公式。接下来的内容，我会一步步拆解这些判断是怎么来的，以及具体该怎么用。
2020年，我参与优化一个消费金融平台的监控体系。当时，他们的监控报表核心指标就是“不良率”（逾期90天以上贷款余额/总贷款余额）。这个数字从年初的5.2%降到了4.5%，管理层很高兴，认为资产质量在改善。
但直觉告诉我不对劲。我调取了滚动率数据，发现一个令人不安的迹象：M0-M1迁移率（即当月应还款但未还的客户，到下个月仍未还款的比例）从15%悄悄爬升到了22%。这意味着，在“账面不良率”这个“老病人”还没出院的时候，新一批“病人”正在加速涌向病房。而“账面不良率”的下降，只是因为大量前期坏账被核销了，分母变小了，分子却没变。
这个案例清晰地说明了一个问题：账面不良率是一个严重滞后且被多种因素干扰的指标。 它无法告诉你风险的“流速”和“增量”，只会告诉你“存量”的某个侧面。而滚动率，正是测量“流速”的仪表盘。
我们常说，中小企业数字化程度低，但很多信贷平台也好不到哪去。他们不缺数据，催收系统的通话记录、还款系统的交易流水、风控系统的评分卡，但缺少一个能将数据转化为决策信息的“翻译器”。
在我接触的几十个信贷项目中，超过80%的团队能熟练使用Excel做加总求平均，但只有不到20%的人能独立构建一个滚动率矩阵，或者区分Vintage分析中的“成熟期”和“收敛期”。不是他们不聪明，而是缺乏一套系统的、可落地的分析框架。
这正是我写这篇文章的初衷。不是要教你怎么做学术研究，而是要告诉你，在真实的业务场景中，如何用这两个工具，把“死数据”变成“活决策”。
在正式讲解如何操作之前，我想先澄清几个在行业里流传甚广的误区。这些误区，我几乎每个项目都能碰到。
这个说法，只对了一半。滚动率高，确实意味着风险在加速暴露，但“高”是相对的，而且需要结合业务阶段来看。
比如，一个处于快速扩张期的平台，新客占比高，新客的风险天然高于老客，M0-M1迁移率可能在20%以上。但这不一定代表“资产质量差”，可能只是客群结构发生了变化。同样，一个稳定期的平台，M0-M1迁移率稳定在5%，但突然降到3%，也不一定是好事，可能意味着催收力度过大，导致有还款意愿的客户被误伤。
正确的判断逻辑是：看滚动率的“趋势”和“突变”，而不是看绝对值。 和一个历史均值对比，看它是否在合理范围内波动。如果连续三个月上升，或者单月跳升超过某个阈值（比如20%），那才是真正的警报。
这太浅了。Vintage分析的核心不是看一条曲线，而是看一堆曲线的“相对关系”。
想象一下，你把2022年1月到12月每个月放款的贷款，都画一条Vintage曲线（逾期率随时间变化）。如果这12条曲线形状相似，并且最终都“收敛”到同一个区间，说明你的风控策略和客群质量是稳定的。但如果某几个月的曲线，从一开始就明显偏离大部队，并且始终没有追上，那说明那几个月放款的资产质量存在系统性问题。
正确的判断逻辑是：Vintage曲线是“群像分析”，不是“个体分析”。 关注曲线的“收敛性”和“分化点”，才是找到问题根源的关键。
这是最大的误区。很多分析师的报告里，滚动率是一张表，账龄分析是另一张图，相互之间没有关联。这就像你把一个病人的血压和心率分别记录在两个本子上，而不去看它们之间的关联。
正确的做法是：用滚动率去“预测”账龄曲线的未来走势，用账龄曲线去“验证”滚动率预测的准确性。 比如，你发现本月M0-M1迁移率下降了5%，那你就可以预期，三个月后某批贷款的Vintage曲线会呈现一个向下的“拐点”。 如果三个月后这个拐点没有出现，那就说明你的预测模型有问题，或者有其他因素在干扰。
我花了很长时间才从“两套工具”的思维中跳出来，建立起“一个系统”的认知。希望你不要走我的弯路。
现在，我们进入核心部分。我会手把手教你，如何构建一个以滚动率和账龄分析为核心的监控仪表盘。这个仪表盘，我至少在五个项目中验证过，效果显著。
首先，你需要构建一个滚动率矩阵。这个矩阵的核心是“迁移率”，即从某个逾期状态（如M0，未逾期）迁移到下一个更严重状态（如M1，逾期1-30天）的概率。
计算逻辑很简单：本月M1的客户数 / 上月M0的客户数。但实际操作中，有几个关键点需要注意：
下面是一个模拟的滚动率矩阵，你可以看看它长什么样：
接下来，构建Vintage分析。你需要将贷款按“放款月份”分组，追踪同一组贷款在后续每个月的逾期率或损失率变化。
核心操作要点：
以下是一个模拟的Vintage曲线对比图，展示了“收敛”与“分化”两种状态：
这是最核心的部分。如何把滚动率和账龄分析结合起来？
我的做法是：在仪表盘左侧展示滚动率矩阵（实时预警），右侧展示Vintage曲线图（历史归因），中间用一个“联动筛选器”连接。
比如，当左侧滚动率矩阵显示M0-M1迁移率在4月跳升时，我点击“4月”，右侧的Vintage曲线图会自动高亮显示“2022年4月放款”的这条曲线。 如果这条曲线恰好也是异常高发的，那“归因”就完成了：这批放款的质量有问题，导致了后续的迁移率上升。
如果滚动率跳升了，但Vintage曲线没有异常，那问题可能出在“催收”环节，而不是“放款”环节。比如，催收团队在4月换了新话术，但效果不好，导致M0-M1迁移率上升，但这批贷款本身的质量是没问题的。这就是“归因”的价值，它让你知道该再去查哪个环节。
以下是一个仪表盘布局的示意：
理论讲得再多，不如一个真实案例来得有说服力。下面我用一个我亲身经历的案例，完整展示如何用这两个指标，解决一个棘手的业务问题。
2022年，我接手一个优化任务。一个做小额信贷（平均借款金额5000元，期限12个月）的平台，在2022年第三季度，坏账率（逾期90天以上）从4.5%飙升到了7.8%。
管理层的第一反应是催收不力，要求加大催收力度。但直觉告诉我，问题可能不在催收，而在“放款”。
第一步：看滚动率，找“预警信号”
我调取了2022年全年的M0-M1迁移率数据。发现从2022年4月开始，M0-M1迁移率从15%跳升到了20%，并且在5月、6月、7月，连续四个月保持在18%-22%的高位，直到8月才回落到16%。这意味着，2022年4月到7月放款的这批客户，借款意愿（还款意愿）显著低于其他批次。
第二步：看Vintage，找“归因证据”
我按月份绘制了2022年各月放款的Vintage曲线（逾期30天以上率）。结果非常清晰：2022年4月、5月、6月、7月这四个月放款的Vintage曲线，从第1个月就开始明显偏离其他月份，并且始终没有“收敛”，在第12个月时，逾期30天以上率分别达到了12%、13%、11%、14%，而其他月份基本在8%左右。
结论很明确：问题出在“放款”环节，而非“催收”环节。 2022年4月到7月放款的这批资产，质量本身就差。
第三步：找原因，查“业务动作”
我回溯了2022年4月到7月这个平台的业务动作。发现他们在2022年4月做了一个“新客首借免息”的营销活动，导致大量新客涌入。同时，为了冲量，风控部门在4月也临时放宽了准入规则，将最低评分卡门槛从650分降到了600分。
真相大白： 营销活动带来了大量低质量的“羊毛党”，风控门槛的放宽又放大了这层风险。两者叠加，导致2022年4月到7月放款的资产质量急剧恶化。
基于分析结果，我们做了以下调整：
调整后的效果：三个月后，M0-M1迁移率回落到15%的正常水平。六个月后，新批次的Vintage曲线开始收敛，并逐渐向历史正常水平靠拢。最终的坏账率，没有像最初预测的那样继续恶化，而是在第四季度被控制在了6%以内，并开始下降。
这个案例让我深刻认识到：数据不会说谎，但你需要用对工具去解读它。 如果当时我们只是盲目地加大催收力度，不仅效果会大打折扣，还会浪费大量人力物力，甚至可能因为催收过激导致客诉率上升。
没有放之四海而皆准的监控策略。不同的业务阶段、不同的产品类型、不同的团队配置，都需要不同的侧重点和取舍。下面是我根据不同情况总结的建议。
创业初期（放款规模<1亿，历史数据<1年）
成熟期（放款规模>10亿，历史数据>2年）
高客单价（如房贷、车贷，平均借款>10万）
低客单价（如小额信贷、消费贷，平均借款<1万）
团队能力弱（只有1名分析师，会Excel）
团队能力强（有3-5名分析师，会SQL/Python）
说了这么多，我想用一句话总结我的核心观点：滚动率与账龄分析，不是两个独立的“工具”，而是一个完整的“系统”。 这个系统的输入是“原始数据”，输出是“决策行动”。
我见过太多团队，机器上跑着精美的报表，但决策时还是凭感觉，或者凭“账面不良率”这个后视镜。他们缺的不是数据，也不是工具，而是“用数据做决策”的思维方式。而滚动率和账龄分析，正是培养这种思维方式的最佳切入点。
下一步，你应该怎么做？
数据从来不会直接告诉你答案，它只会给你线索。而滚动率和账龄分析，就是你寻找这些线索的“放大镜”和“显微镜”。用好了，你就能在信贷业务的迷雾中，比别人看得更远、更清晰。
如果你在搭建自己的监控体系时遇到了具体问题，或者对某个细节有疑问，欢迎在实际工作中继续探索。记住，没有完美的模型，只有不断迭代的认知。开始动手，就是最好的学习。
我在做信贷风控时，尝试计算滚动率矩阵，但发现下一步的迁移率总是算不对，比如M0->M1的迁移率，用本期M1余额除以上期M0余额，但结果总是和实际催收情况不符。是不是我理解错了？有没有更靠谱的计算方法？
我第一次做滚动率矩阵时也踩过这个坑。核心问题在于分母选错了，你用的是上期M0的'总余额'，但正确做法应该是用'上期M0中在本期发生逾期的账户对应的余额'。如果混入正常还款账户，迁移率会被严重低估。我后来改用'账户数'口径，先统计每个账户在每个月的逾期状态，然后建一个'逾期状态迁移汇总表'。
具体步骤：1）从还款计划表里提取每个账户每月末的逾期天数，M0是逾期0-29天，M1是30-59天，以此类推；2）用数据透视表，行是上月末状态，列是本月末状态，值计账户数；3）迁移率 = 从M0迁移到M1的账户数 / 上月末M0总账户数。这样算出来的迁移率更稳定，也更容易解释。
另外，建议做一期回溯校验：用连续3个月的迁移率平均，预测未来1个月的坏账，跟实际坏账对比，如果偏差超过10%，排查数据源或客群变化。
我按照网上的教程做了Vintage曲线，但不同月份放款组的逾期率曲线交叉严重，有的上升有的下降，看不出规律。是不是我的数据样本太小？还是说Vintage分析不适合我的小额短期产品？
波动大是短期产品的常态，我处理过3个月期现金贷，Vintage曲线第一个月就冲到高点，后面几乎平缓。这时候重点不是看曲线走向，而是看'组间差异'和'收敛趋势'。如果连续3个月放款组的曲线在成熟期（比如第3个月）的逾期率落在同一个置信区间，说明策略稳定；如果某组明显偏离，才需要深挖。
对于小额短期，建议改用'首期逾期率'（即放款后30天内的逾期率）代替累计逾期率，因为首期已经包含了大部分风险。另外，样本量确实关键：每组至少500笔放款，否则统计噪声过大。我有个实战案例：某平台某月只有200笔，Vintage曲线异常高，后来发现是样本偏差，增加样本后恢复正常。
如果数据量实在不够，可以用滚动率替代Vintage来做趋势监控，滚动率对样本量要求低得多。
领导让我搭建一个风控监控报表，要我同时展示滚动率和Vintage分析，但我觉得这两个指标好像重复了，而且报表太大，领导看不懂。能不能只用一个？或者告诉我它们各自在什么场景下最有用。
这两个指标完全不重复，就像温度计和X光片，滚动率告诉你当前风险是否在发烧，Vintage告诉你放款策略有没有内伤。我建议保留两者，但精简展示。具体做法：报表左上角放一个滚动率热力图，行是逾期状态（M0、M1、M2…），列是上下月，颜色深浅表示迁移率高低，一眼就能看出哪些环节恶化。
右上角放Vintage曲线，只展示最近6个月放款组，并标出成熟期（比如12个月）的参考线。下方加一个对比表格：当前M0-M1迁移率 vs 历史均值，最新Vintage组逾期率 vs 同期组。这样领导只看3个区块就能掌握全局。
如果非要二选一：做催收优化时优先看滚动率，做客群准入调整时优先看Vintage。我在一家消费金融公司就是用这个搭配，帮业务部门把逾期率从8%降到5%。
我按照“滚动率预测法”计算预期损失，用各月迁移率乘积得到最终损失率，但预测的坏账总是比实际发生的大很多。是不是我用的迁移率没有考虑核销和回收？我应该怎么调整？
你踩的坑我全踩过。直接乘迁移率得到的是'乐观上限'，因为它假设所有逾期都会变成坏账，但实际有核销和回收。我后来用的方法是：先计算历史Vintage的成熟期最终损失率作为基准（比如12个月后损失率5%），再用滚动率趋势做调整。
具体步骤：1）拉取过去12个月每个Vintage组的最终损失率，取中位数作为基准；2）用最近3个月M0-M1迁移率的均值，除以历史均值，得到风险系数（比如1.2表示风险上升20%）；3）预测损失率 = 基准 × 风险系数 × 核销回收调整因子（通常0.85-0.95）。
我在某平台实战时，用这个方法预测下季度坏账，实际偏差只有3.2%。关键是要定期回测：每季度对比预测值与实际值，如果偏差超过5%，就调整基准或系数。另外，注意不要让迁移率乘积法的级数太多，超过M6的迁移率通常不稳定，建议在M6之后直接统一用历史平均损失率替代。
读者评论
文章把滚动率和账龄分析结合起来的思路很实用，特别是用M0-M1迁移率做预警，比看不良率提前了几个月，这在实操中确实能避免账面数据迷惑管理层。
作者提到Vintage曲线要关注收敛性和分化点，这个点很关键。很多团队只盯着一条曲线看，忽略了批次间的对比，结果找不出问题源头。
文中关于快速扩张期滚动率偏高的解释很到位，不能简单用绝对值判断好坏。但实际业务中，如何定义‘合理波动范围’需要历史数据积累，新手可能难把握。
联动仪表盘的设计思路很好，但实现起来需要数据平台支持。中小平台可能连滚动率矩阵都难自动化，希望作者能补充一些低成本的替代方案。
作为管理层，我确实遇到过不良率下降但实际损失上升的情况。文章解释清楚了为什么滞后指标会骗人，后续会考虑引入滚动率做辅助决策。