过去10年，中国互联网金融从无到有，一路风雨兼程，经历了13年的野蛮生长，14年的问题初显，15年的监管收紧，16年的行业大整顿，17年的大规模出海，或进军东南亚、非洲市场，或美国、香港上市，整个行业又是另一片繁荣。这条产业链上各个参与者无不赚的盆满钵满，无论是直接开展贷款业务的，还是各种助贷平台，风投基金，甚至包括征信供应商、流量提供商、支付中介、催收平台等都享受到了这个狂热市场所带来的红利。

随着越来越多的玩家入场，互联网金融蓝海市场已经开始泛红，不仅各个平台间竞争激烈，对于投资者来说也越来越难辨优劣。很多投资人通常会考虑一个平台的运营时间、交易额、注册人数等数据，除了这些“大额数字”外，还会考虑一个重要的“小数” ——逾期率。作为一个透明度还不是很高的领域，还存在着许许多多没有标准化的指标，逾期率便是最主要的一项。

大多数人一定认为逾期率的计算是道简单的小学题：

逾期率 = 逾期金额 / 贷款金额

然而事情并非如此简单，在这一个简单公式上可以有数十种解读方法：

分子

逾期金额是历史逾期总金额还是某个固定时间内的逾期金额？

被追还回的逾期金额算不算是逾期金额？

逾期多少天的贷款会被算作是逾期？

逾期贷款有第三方担保或代偿还算不算做逾期？

分母

贷款金额是历史累积金额还是某个固定时间段的贷款金额？

贷款金额是指已发放的贷款还是贷款余额？

仅仅以上未完全列举的公式歧义就可以对一份账单做出数十种不同的结论报告，更何况当前绝大多数互金平台的数据都是未经审计过的，其中的水分便可想而知。结果就是一个反映公司经营状况最重要的指标变成了财务分析师的数字游戏，极有可能为了公司的营销而去按照更加有利的方法进行计算。

那么逾期率正确的计算方法是什么

目前行业内有两种较为普遍的计算方式：第一种是对外公布的，通常也是最容易被人们理解的，和银行的不良率计算标准类似，通常也是相对“好看”一些的；另一种计算标准则是对内的，便于更加真实的反映贷款情况，运营状况，有利于做风控管理，绩效评估等。

对外的计算方式：

逾期率 = 某一时间点的当前逾期总金额 / 该时间点的贷款余额

举个例子，A在1月借款1200元，需要每月还款100元，12个月还清，前5个月A按时还款，第六个月的时候A出现了违约，此时A应还金额为600元，已还金额为500元，因此当前逾期金额是100元，当前贷款余额等于1200-500=700元，因此逾期率为100/700=14.3%

这种计算方式存在一个问题，就是分子分母对应的贷款区间不一致：分子统计的是过去的逾期金额，而分母统计的却是过去和未来的应还账款，这样便会无形中将分母的范围扩大，导致计算得出的逾期率比真实值要小。

例如，公司在短期内发放大量分期贷款，在计算近期逾期率的时候，分子不会有太大的涨幅，因为绝大多数的未偿贷款并没有到期，不会被算作逾期；而分母则会极大的被稀释，由于近期发放的贷款绝大多数还未被偿清，因此都将被计入分母中，这样一来，用该方法计算得出的逾期率会比真实值小很多。

对内的计算方式：

逾期率 = 指定时间内所发放贷款的当前逾期金额 / 指定时间内所发放贷款的总金额

这种计算方法是对特定时间内发放的贷款进行定期的数据分析，做出全周期的逾期率统计。该方法也被美国各大上市公司广泛应用，是目前能够最真实反映逾期率的统计方法。

例如，A在1月借了300元，需要每月还款100元，3个月还清，还款情况及逾期率计算如下图：

用该方法计算的同时会将该放贷月份不同时间段的逾期率做成相应的折线图，距离贷款时间越久，逾期率越接近最终的坏账率。同时还会将不同月份的折线图进行比较，观察不同时间的风控效果。

上图便是用该方法统计出的示例图，纵坐标代表逾期率，横坐标代表观察的第N个月，每一个节点代表指定月份在第N个月后的逾期率，5条折现分别代表了17年前5个月份贷款逾期率的波动，该示意图可以说明这段时间内逾期率是处于不断下降的趋势。

逾期率并不是风控的唯一指标？

诚然，逾期率是风控环节所考虑的重要指标之一，然而根据之前所说的，在信息披露不完全，数据未经审计的情况下，单独的逾期率这个数字并没有太多的参考意义。想要全面评估一个公司，除了逾期率以外，还要综合考虑贷款利率、收费方式、迁移率、审批率、欺诈率、催收率、新老客户比例等多项监测指标。

而这每一个数字又没有一个统一的规范标准，不同公司的风控体系，计算口径以及常用的分析方式往往也不同，仅靠数据分析便很难准确判断一个公司的优劣，还需要从产品形态、公司架构、主要成员、抵押担保等基本面进行分析，才能够实现一个较为可靠的风控系统。