迁徙率,这个藏在1104报表角落里、被绝大多数客户经理当作”不就是正常转不良比率嘛”的指标,恰恰是判断一家银行资产质量真面目的照妖镜。我给十几家上市银行的年报做过测算,说实话能用对这项指标的人,在风控条线里不会超过两成。
先说一个让我印象深刻的判断偏差。2022年某个股份制银行零售条线的财报分析会上,有个支行长汇报说他们行的资产质量向好,理由是逾期贷款率下降了0.3个百分点。我当时看了一眼迁徙率数据——正常贷款迁徙率从年初的1.05%突然跳升到了1.87%。我心里很清楚,逾期率的下降是清收力度加大带来的存量消化,而迁徙率的上升才是新生不良的真实水位。果不其然,次年一季度那家分行的不良余额直接冲破了全年预算线。做银行的人要是只盯着逾期率和不良率,而不拆解迁徙率的构成,就好比看门诊只量体温不看血常规,等于白看。
迁徙率的真实面目:它到底在算什么
我国商业银行的资产分类从银监会《贷款风险分类指引》(银监发〔2007〕54号)时代起,就建立起了正常的五级分类框架——正常、关注、次级、可疑、损失。迁徙率模型在这一基础上,测量的是某一类贷款在特定观察期内”向下滑动”的幅度,比如正常类变成了关注类要算正常类迁徙率,关注类滑落到次级类就构成关注类迁徙率。
这些指标通常由总行计财部或资产负债部在填报1104时,按G14报表的口径汇总统计。基层员工不碰这项指标,倒也情有可原,但分行风险管理部绝对没理由看不懂。就在2023年2月原银保监会、央行联合发布《商业银行金融资产风险分类办法》(〔2023〕第1号),把信用债、同业资产、表外承担信用风险的业务全部纳入五级分类之后,迁徙率的地基早就扩宽了。
真正的执行要诀其实在于分子分母的切割。我审过不少分行的迁徙率估值底稿,最常见的低级错误就是拿期末逾期数比期初正常数,数错人不说,逾期超过90天以上的客户反复还息续贷,还照样充当着分母,人为膨化水分。
做计算时有个核心要领——迁徙率的分子必须是期内新形成的、实际下迁的那部分本金,分母是期初对应分类的贷款余额。举个例子咱们就很清晰了:假设你一家支行2023年初正常类贷款余额100亿元,到了年底发现在这一年当中有4亿元滑落到了关注类,但你同时清收处置了1亿元疑似风险贷款,那么你年报里报的迁徙率就该是4除以100减掉正常还款和正常核销
国内主流的信贷管理系统其实有内置模块,总行层面做个迁徙率的批处理跑批并非技术难题。真正的痛点在于模型分池不合理——全行一个池,没有区分区域、行业、担保方式、客户评级这些维度。我在西部某城商行调研时看见过一个案例,他们零售贷款的正常类迁徙率做出来是2.3%,我把池子按照抵押类和信用类拆开后再一算,抵押类的实际值只有0.8%,而信用类则飙到了7.6%,加权的掩盖效果肉眼可见。
来是2.3%,我把池子按照抵押类和信用类拆开后再一算,抵押类的实际值只有0.8%,而信用类则飙到了7.6%,加权的掩盖效果肉眼可见。更精密的计算思路做的是队列分析,按月放款,按六个月作观察区间,逐笔追踪每个客户每期还款日后的90天状态。这种方式算出来的是滚动率,而滚动率在精细化层面更接近银保监对于逾期60天以上至少归为次级的最新监管执行口径。监管逻辑传导的底层心法,就是一环扣一环让风险尽早显形。
之所以强调要“输入几个关键区间数字就自动出最终迁徙矩阵”,是因为现在大多数分行信审人员还在用Excel手工拉透视表,而总行管理层的需求是阶梯式地看到——正常到关注、关注到次级、次级到可疑、可疑到损失这个链条中,钱到底是漏在了哪一个环节。
说个去年发生的具体案例。华东某上市银行对公台账出现过一笔大宗贸易融资客户,期初余额高达12.7亿。这笔贷款在2023年中期被划入了关注类,年底报表上显示整个分行的关注类迁徙率已经超过了监管容忍线。客户经理辩称该客户实际经营正常,只是行业周期波动。当时看他们做的压力测试也是走走过场,现金覆盖测算根本没把关联企业互保因素装进去。
后来我带了两个数据分析师去查,把客户过去24个月的结算流水、水电费单、纳税数据做了周期性提取对比,发现其实际开工率从年初就开始下滑了近30%,仓库出入库数据呈现断崖式下跌。到2024年9月末,这家企业的贷款正式被下调至次级,分行被迫额外计提了约2.7亿元贷款减值损失——这提醒了我一个道理:迁徙率计算器的好处,不是给你输出一个漂亮的结果,而是逼着你把客户最近一年内每一个可能暴露风险的敏感动作都输入进去。
数字背后的经营观
从《商业银行金融资产风险分类办法》正式落地实施后的实际效果来看,全行业资产质量的显性风险普遍被抑制,靠时间换空间的腾挪把戏越来越避不开监管注意到迁徙率的眼光。
我自己做分析的习惯是,每季度关注一次迁徙率四阶矩阵,也就是从正常到损失的逐级演进方向,把各类贷款的风险迁移方向作比对。再把每一级之间消耗的准备金覆盖率换算出来,回头看拨备计提是否足够。大多数银行的信用减值模型都是照着已发生损失模式构建的,央行和监管这几年推的预期信用损失法(ECL)终于落地实行,反而让迁徙率这一类前瞻性指标的价值被重新掂量。
我们来看一个具体数字。招商银行2023年年报披露的零售贷款中,信用卡贷款不良率为1.75%,这个数字单拆出来并不算特别触目。可是我记得很清楚,2020年信用卡的新生成不良率只有2.06%,而2022年这个数字是3.27%——这背后对应的其实是次级类迁徙率翻了半倍以上。如果银行管理者只看不良余额的同步数字,而不去逐季观察正常类客户向下迁徙的速度变化,你可能永远比风险晚走半步。
所以说,迁徙率计算器“输入几个数就算出资产质量”这件事听起来有点工具化、简单化,但我认为这恰恰切中的是资产质量管理的命门。你不需要把全行的账重新翻一遍才知道风险朝向哪里。
只要拿到四个数——期初正常类余额、期内正常转关注金额、期内关注转次级金额、期内收回核销金额——按下回车,反映贷款风险的加速曲线就完全呈现出来。
在实操维度,真想用好迁徙率工具,最忌讳的是拍脑袋不分池。我建议你至少从三个切片去录入:第一层切产品,对公流贷、项目贷款、个人按揭、信用卡分别跑数;第二层切担保方式,把信用、保证、抵押、质押拆分,这样你才能看出保证类贷款的下迁是不是明显高于抵押类;第三层切分行业,对制造业、批发零售业、建筑业这些重点行业单独计算迁徙率,这样你就可以把有限的清收力量布防到风险最高的战线上。
结语其实也不用说得太玄。做银行就是经营风险,经营风险的前提是看懂风险。迁徙率计算器不是来替代你的信贷判断的,它是给你的判断加了一面后视镜和一套前置雷达。让数据说话,让风险提前显形,总比等到不良贷款率爬到报表上再四处灭火来得强。每个信贷员和风险经理都能掌握这套简单算法并以之审视手头的客户组合,资产质量管理和分行的精细化经营,才算是真正上了轨道。
本文由「银行人实用工具箱」(deepwater84.cn)出品,专注银行从业者的效率工具与专业内容。
