vintage分析被廣泛應用於金融信貸產業，分析的方法是針對不同時期產生的信貸賬戶分別進行跟蹤，按照賬齡的長短進行同步對比，從而了解不同時期批準賬戶的資產質量情況，是壹個所謂豎切的概念。以下舉例說明根據賬齡所做的拖欠二周期賬戶的Vintage分析（見表1）
在表1中，列為發卡時間，行為經營時間。數據2.12%為2006年4月所發信用卡在2006年7月時拖欠二周期的金額除以該批信用卡在2006年7月時透支余額，依此類推，得到全表的數據。在此基礎上，按照賬齡為經營時間減去發卡時間進行表間數據的轉換，得到表2, 並做出折線圖（見圖1）。
在說遷移率之前，我們先定義逾期階段的概念。逾期就是說妳到了該還款的日子而沒有還款，那妳就進入了逾期。根據逾期天數，又分為M0-M7+等八個階段。沒有逾期的是M0，逾期1 29天的是為M1，逾期30 59的定義為M2，以此類推，逾期超過180天的定義為M7+。 有了逾期階段的概念，遷移率就好理解了。簡單說，就是處於某壹逾期階段的客戶轉到其他逾期階段的變化情況。遷移率通常可以用來預測不同逾期階段的未來壞賬損失。比如，M2-M3，說的是從逾期階段M2轉到逾期階段M3的比例。如下圖表2是各個網貸各個時期網貸分賬齡的明細表，其中WO代表Write Off。表3中同種顏色的單元格標識出了不良貸款的遷移路徑，可以看出在7月份1004844元的正常透支中，有237327元到了8月份之後變成了M1逾期，在這237327的M1逾期中又有55372元在9月變成了M2逾期。
在風險控制中，我們的根本目的是識別壞用戶，通過歷史數據，抓取壞客戶顯著區別於正常客戶的特征，並以此為標準去預測未來的壞客戶。用戶的好壞其實很難定義，不能說逾過期的用戶就是壞用戶，也許人家其實想還，只是不小心忘記還款了呢。而且，有的時候，“適當”的逾期還能增加公司的逾期利息收入。我們所關註的壞客戶是壞到某壹程度，也就是逾期等級較高且不還款的客戶。
?前面說的vintage是從時間維度上判斷客戶群體的好壞，下面說的滾動率則是從行為程度上判斷客戶的好壞，它可以幫助我們判斷某些逾期客戶是否還可以再搶救壹下，收回點成本。
?滾動率，簡單地說就是以某壹時間點為觀察節點，觀察客戶在該點前壹段時間內（比如半年）最壞逾期階段，並追蹤其在觀察點之後的壹段時間向其他逾期階段發展的情況，特別是向更壞程度發展的情況。舉個栗子，今天是2018年5月25日，取今天的1萬個客戶，統計他們在過去半年裏的最大逾期階段。然後追蹤他們後半年的表現。以下數字純屬虛構，完全是為了說明問題，各個公司有自己的觀察數據和追蹤數據。
?M0的客戶在未來半年裏，98%的客戶還是會保持正常M0的狀態
?最大逾期階段M1的客戶在未來80%會變M0，但是還有20%會繼續，甚至有5%的人往更壞的程度發展
?最大逾期階段M2的客戶在未來40%的人會繼續惡化，22%左右的人會變M0（完全從良）；
?最大逾期階段M3的客戶在未來60%的人會繼續惡化，15%左右的人會變M0（完全從良）；
?最大逾期階段M3+的客戶在未來80%的客戶會繼續此狀態（沒救了）。
?根據以上的數據，我們可能就可以得出逾期3期以上的客戶，都是無力搶救的壞客戶這樣的結論。假如我們想把條件收緊壹點，那麽我們可能會選擇逾3期或者2期。再假如我要給壞設定等級，那麽我就可以把3期以上設為極度壞，逾3、2期的話可能設置為中度壞，逾1期的人可以是不經意的壞。這些特征將來可以放到風控建模的樣本特征中來。
有了前面的鋪墊，入催率就比較簡單了。它指的是在某壹個還款日，客戶從M0變成M1的比例。比如說，今天，有N個M0客戶到了還款日，裏面有M個客戶按時還款了，那麽今天的入催率就是（N-M）/N。它與下面的FBD是有區別的。
（如有不同見解，望不吝賜教！！！）