迁徙率算不对，资产质量趋势就看反了
不良率是结果，迁徙率才是过程；而多数银行的迁徙率测算模板，都死在分母口径上。
说实话，我对"不良率"这个指标一直不太信任。它太像一个期末考试成绩——考得好可能是真学好了，也可能是这次题目简单，还可能是考前把差生劝退了。2024年末商业银行不良贷款率1.50%，不良余额3.3万亿，拨备覆盖率211.19%，这组数字看上去稳得很。但同一份监管口径里还有另一个数字：2024年全年处置不良资产3.8万亿。一头是稳如磐石的不良率，一头是万亿级的处置规模，中间的差额，就是迁徙率要回答的问题。
不良率看的是存量，迁徙率看的是流向
不良率是个时点指标，分子分母都能动。分母端多放贷，不良率自然被稀释；分子端多核销、多转让，不良率同样能压下来。这两招在2019年到2022年之间被行业用得很熟练，报表也好看了。
迁徙率的逻辑不一样。它盯的是期初那批已经存在的贷款，期末跑到了哪个分类里。正常类有多少迁到了关注，关注类有多少迁到了不良，次级有多少变成了可疑——这是一个流量视角，本质上是"同一群人"的变化，而不是"人群结构"的变化。因此它比不良率诚实得多，也滞后得少。关注类迁徙率明显抬头，通常比不良率上行早两到三个季度。
我判断一家银行的资产质量趋势，第一个问的从来不是不良率，而是关注类迁徙率和正常类迁徙率这两个数。不良率可以修饰，迁徙率很难修饰——除非你把整套五级分类台账一起动手脚。
模板的第一行不是填数据，是定口径
迁徙率的标准算法，监管口径早就给死了：分子是期初该类贷款中迁徙到更低一档的金额，分母是期初该类贷款余额减去期间减少金额。问题出在"期间减少"这四个字上。
所谓期间减少，指的是正常还款、提前还款、转出、核销这些让贷款离开这个池子的部分。这些贷款根本没机会迁徙，必须从分母里扣掉。但我看到过太多模板，直接拿期初余额当分母，图省事。
举个具体的数。某家城商行期初正常类贷款100亿，当期正常还款和提前还款合计30亿，其中5亿迁到了关注类。正确口径下，迁徙率是5÷(100-30)=7.14%；错误口径下，是5÷100=5%。两个百分点以上的偏差，误差超过四成。如果这个数被拿来给分行排名、给考核打分，那排名本身就失真了。
更麻烦的是，五级分类在系统里是时点数，改了就覆盖了。很多行的信贷系统只保留当前分类结果，历史月份的分类快照根本没有留痕。等到要回溯做迁徙矩阵，发现只有期末数据，期初数据要去翻旧报表。后来发现，迁徙率模板做不出来，八成不是不会算，是数据源压根不支持算。
新增贷款会稀释迁徙率，这是模板最大的陷阱
第二层偏差更隐蔽。
假设期初正常类100亿，当期新投放正常类贷款50亿，期间减少30亿，迁徙5亿。如果模板的分母写成"期初余额+新增投放-期间减少"=120亿，那迁徙率就变成4.17%。看起来比7.14%漂亮多了，但这是纯粹的规模效应——新投放的贷款还没到暴露期，它稀释了老贷款的迁徙表现，而不是老贷款变好了。
这就是信用卡行业做M3迁徙、ABS行业做静态池时为什么死守"vintage"这个概念：分母只能用期初那批已经存在的资产，新增单独标记、单独观察。对公贷款同样适用，只不过对公的放款笔数少、单笔金额大，稀释效应更猛，也更容易被忽视。
我的做法是模板里必须并排放两个口径：一个是"期初存量口径"，一个是"全口径"。两者差距越大，说明这家行当期靠规模扩张撑报表的成分越重。这个差距本身就是一条结论。
核销和重组，是迁徙率的两个化妆师
核销的迷惑性最强。不良贷款核销之后，从次级类迁出去了，迁徙率看着好转，但这是账务处理，不是客户还钱了。所以看迁徙率必须配一个"广义不良生成率"=当期不良迁徙金额+当期核销金额，再除以期初贷款余额。只看迁徙率不看核销，等于只看退烧不看炎症。
重组贷款是另一条路。2023年7月施行的《商业银行金融资产风险分类办法》，把这条路堵得不留缝：重组资产观察期内至少归为关注，观察期不少于一年，而且要多笔小额像笔数、单笔大额像金额，不能靠再签一份合同续命。这条规则对迁徙率测算的影响是实打实的——以前那些靠展期、借新还旧藏在正常类里的贷款，现在必须老老实实迁到关注类，正常类迁徙率会有一个明显的台阶式抬升。
招行2024年报就是个现成的观察样本。不良率还是0.95%，稳得一如既往，但关注类贷款占比从1.10%附近升到1.28%。不良率降、关注类升，这个背离在我眼里比不良率本身重要得多——上游水库的水位在涨，下游水位还没变，不代表没风险。关注类迁徙率如果不跟着抬，反而才要问一句为什么。
模板要能跑出三张表，才算能用
回到怎么用。一个能真正支撑判断的测算模板，至少要能跑三张表。
一张是基础数据表，按期初五级分类余额、期间迁徙、期间减少（还本、核销、转让、以物抵债）、期末余额排下来，每一列都要能对上账。这张表的价值不在于算，而在于对不平就说明分类台账有问题，先查数据再谈分析。
另一张是迁徙矩阵，期初五类对期末五类，九宫格或者二十五宫格，重点是三个格子：正常迁关注、关注迁不良、不良迁核销。数据来源上，1104报表G11-II的资产质量及迁徙率表可以直接对，但监管报表是月报、季报口径，做分行和条线分析时往往不够细，还是要回到信贷系统的分类流水。
第三张是趋势看板，至少滚动四个季度。单期迁徙率的噪声太大，一笔大额客户的风险分类调整就能把整条曲线打歪。滚动四个季度看趋势线，才看得出是偶发还是系统性恶化。我习惯再加一条：把迁徙率和逾期率、逾期90天以上贷款占比放在一张图上看，三条线同向走，结论才站得住。
说句实在话，迁徙率这个东西，技术上没有难度，难的是口径一致和留痕完整。做好一张表不难，难的是这张表连续做三年、口径不变、数据能追溯。多数行的差距不在分析能力，在数据治理。
我的建议：把迁徙率从报表变成预警
第一件事，把口径写进制度。分母扣减规则、新增贷款是否入池、核销是否并入口径，全部固化下来，跟着时间序列一起存档，别每次换个人就换一套算法。
第二件事，做月度分类快照。五级分类要留历史痕迹，每月末跑一次影像，这是做迁徙矩阵的前提条件，也是最容易被忽略的基建投入。
第三件事，把关注类迁徙率放进分行考核和风险预警指标。不良率是考核结果，关注类迁徙率是考核过程，前者可以年度算账，后者必须月度盯。哪家分行的关注类迁徙率连续两个季度跑输全行均值，风控部门就该去现场了。
资产质量的变化从来不是一夜之间发生的，它一定先在迁徙矩阵的某个格子里冒头。模板本身不值钱，值钱的是你愿不愿意每月都去看那个格子。
本文由「银行人实用工具箱」（deepwater84.cn）出品。
```