先说背景。
最近大家都在转那几篇关于所谓“〔2025〕9号助贷新规”及“10月1日倒计时”“24–36 区间要被清掉”“24%+ 权益类打包要不被允许”的文章。

我这一个月微信上被之前的同行、资金方同事、原来合作的渠道老板轮番问：以后怎么做？定价降下来了还能活吗？资金方死盯的“年损”到底要做到多少才算及格？
我干了十几年信贷风控，从国内P2P到持牌机构和助贷，再到出海，见证过几轮“收紧+出清”周期。
说句掏心窝的：现在这个阶段，谁先真正弄懂“年损”逻辑，谁就先把命续上了。
所以我决定把这篇写给你——哪怕你是刚入行的“风控小白”。

一、到底什么是“年损”？别再把它和不良率混为一谈

很多人第一次被资金方问“你们的年损是多少”时，下意识甩一个“当前M3+”或“90+不良率”。
错。
年损（有的资金方叫“年化损失率”“年化净损”“Annual Loss Rate”）核心是：
在一个会计年度或滚动12个月里，资金真实承受的那部分“不可逆本金损失”的年化比例。

我习惯拆成三层看：

1. 损失金额（Loss Amount）：
   已经发生且确认无法再通过常规催回的净本金损失（通常=已核销本金 - 后续回收 + 回收成本，如果资金方口径简单，可能直接用“已核销本金 - 回收”）。

2. 平均在贷余额（Average Outstanding Principal）：
   不是年初余额，也不是年末余额，而是全年逐月（或逐日）期末在贷平均值。

3. 年损率（Annual Loss Rate）：

年损率公式：

如果你用的是一个“静态批次（Vintage）”尚不足12个月的观察窗口，则常见“年化”处理：

年化Vintage损失率公式：

这一年化只是估计，越早阶段越容易高估或低估。

别混淆：

• [ 不良率 = (某时点的不良余额)/(在贷余额) ] 它是时点库存。
• [ 年损率 ] 是流量属性，衡量“资金一年被消耗掉多少”。
• [ M3+率、Roll率、逾期迁移 ] 是过程指标。
  资金方最终在定价模型里扣的，是年损（或其预估值），而不是单纯的不良库存。

二、为什么监管收紧后“年损”被放到放大镜下？

新规讨论里一个主线：综合定价天花板下降，24–36% 之间以及“24%+ 权益打包”类资产被规范甚至退出。
我们做定价拆解时的经典公式：
[ 综合定价 = 资金成本 + 获客&运营 + 风控年损 + 税费&拨备 + 目标利润 ]
当上限压下来，资金成本又因为大额合规资金偏紧而没法迅速下降，唯一能动刀的，就是“获客成本”和“风控年损”。
所以资金方现在问你“年损”，不是闲聊，是在判断你这摊资产还能不能塞进它的收益结构里。

三、年损的主流口径与常见踩坑

我之前协助做尽调或接第三方资产组合时，第一反应是确认：口径统一了吗？

常见分歧点：

1. 是否按“核销”时点确认，还是按“逾期≥180天”直接拉入损失。
2. 是否扣除已回收（催回/资产包处置/以资抵债）的本金部分。
3. 是否包含利息损失与费用减免。
4. 分期产品提前结清，会不会扭曲年化。
5. 展期、续贷算重生还是继续计入原Vintage。

我给小白的建议：拿资金方发来的合作协议或测算模型，把其“Loss”字段拆到原子层：

如果没有核销制度，就用“逾期≥X天未回收本金 - 后续回收”近似。
平均在贷余额可用：

精细一点：

资金方要严谨，多半用日均。

四、从“静态池”到“动态组合”：如何读懂年损演进

一个实际案例。
之前前同事接手一条“24–30%区间”资产链路，渠道声称“M3+ 只有4%”。
他让分析同事拉静态池。结果：

• 放款第1月M1 率 8%
• M2 回落到5%（因为强催 & 费用减免）
• M3 又上跳到7%
  累积核销在第7月后陡增。
  最后12月时静态池累计净损失 / 初始本金 = 14%。
  年化前6个月时粗暴放大给资金方是 14% * 12 / 6 = 28%。
  资金方直接说：不行。
  他做的修正是把“后6个月回收尾水”的真实现金回流纳入期望（基于历史相似池回收曲线做回收率曲线假设），重新估计终局净损 11.2%，才勉强进入谈判区间。

启发：

• 别只看“M3+平稳”，要看核销/回收节奏。
• 给资金方的“年损预测”要基于 Vintage 曲线与回收曲线拟合，而不是静态截面乘以年化系数。

五、一个落地的“年损分析”数据结构与代码示例

我放一份极简形态的 Python 示例，演示：

1. 构造模拟放款数据
2. 按Vintage计算累计净损失曲线
3. 计算滚动12个月年损率
4. 做一个简易的“回收后调整”

id: lufei
name: Annual Loss Calculation
type: code.python
content: |-
  import pandas as pd
  import numpy as np
  from datetime import datetime

  # 1. 构造模拟数据（真实场景直接从ODS或数据仓库抽取）
  np.random.seed(42)
  n = 3000
  disburse_dates = pd.date_range('2024-01-01','2024-12-31',freq='D')
  loans = pd.DataFrame({
      'loan_id': range(1, n+1),
      'disburse_date': np.random.choice(disburse_dates, n),
      'principal': np.random.choice([1000,1500,2000,3000,5000], n, p=[0.25,0.25,0.2,0.2,0.1]),
      'term_months': np.random.choice([3,6,9,12], n, p=[0.3,0.4,0.2,0.1])
  })
  loans['maturity_date'] = loans['disburse_date'] + pd.to_timedelta(loans['term_months']*30, unit='D')

  # 2. 随机生成违约与核销
  # 定义违约概率与回收率
  base_pd = 0.12  # 基础违约概率
  loans['default_flag'] = np.random.binomial(1, base_pd, n)
  # 默认违约发生在放款后1~term_months*30天
  loans['default_date'] = np.where(
      loans['default_flag']==1,
      loans['disburse_date'] + pd.to_timedelta(np.random.randint(30, 180, n), unit='D'),
      pd.NaT
  )
  # 核销：违约后再过 90~150 天
  loans['writeoff_date'] = np.where(
      loans['default_flag']==1,
      loans['default_date'] + pd.to_timedelta(np.random.randint(90,150,n), unit='D'),
      pd.NaT
  )
  # 回收：部分违约贷款在核销后 30~180 天回收一定比例
  loans['lgd'] = np.where(loans['default_flag']==1, np.random.beta(5,2,n), 0)  # 期望LGD ~ 0.7
  # 实际回收额 = principal * (1 - lgd) * 回收是否成功
  loans['post_recovery_flag'] = np.where(loans['default_flag']==1,
                                         np.random.binomial(1,0.35,n),
                                         0)
  loans['recovery_date'] = np.where(
      (loans['post_recovery_flag']==1),
      loans['writeoff_date'] + pd.to_timedelta(np.random.randint(30,180,n), unit='D'),
      pd.NaT
  )
  loans['recovery_amount'] = np.where(
      loans['post_recovery_flag']==1,
      loans['principal'] * (1 - loans['lgd']) * np.random.uniform(0.6,1.0,n),
      0
  )

  # 3. 生成月份面板，计算月末在贷
  calendar = pd.date_range('2024-01-31','2025-12-31',freq='M')
  records = []
  for dt in calendar:
      # 在贷：放款已发生且未到期且(未核销或未提前结清)
      onbook = loans[
          (loans['disburse_date'] <= dt) &
          (loans['maturity_date'] > dt) &
          ( (loans['writeoff_date'].isna()) | (loans['writeoff_date'] > dt) )
      ]['principal'].sum()
      # 当月核销本金
      writeoff = loans[loans['writeoff_date'].dt.to_period('M') == dt.to_period('M')]['principal'].sum()
      # 当月回收
      recovery = loans[loans['recovery_date'].dt.to_period('M') == dt.to_period('M')]['recovery_amount'].sum()
      records.append({
          'month': dt,
          'onbook_principal': onbook,
          'writeoff_principal': writeoff,
          'recovery_amount': recovery
      })
  panel = pd.DataFrame(records)
  panel['net_loss_flow'] = panel['writeoff_principal'] - panel['recovery_amount']
  panel['cum_net_loss'] = panel['net_loss_flow'].cumsum()
  panel['avg_onbook_12m'] = panel['onbook_principal'].rolling(12).mean()
  panel['net_loss_12m'] = panel['net_loss_flow'].rolling(12).sum()
  panel['annual_loss_rate'] = panel['net_loss_12m'] / panel['avg_onbook_12m']

  # 4. 简单的Vintage（按放款月）累计损失率
  loans['vintage_month'] = loans['disburse_date'].dt.to_period('M')
  # 取截至2025-12最新观察
  latest_obs = calendar.max()
  # 计算每笔是否在最新日前已核销及回收
  loans['net_loss_amount'] = np.where(
      (loans['writeoff_date'].notna()) & (loans['writeoff_date'] <= latest_obs),
      loans['principal'] - loans['recovery_amount'],
      0
  )
  vintage_stats = loans.groupby('vintage_month').agg(
      disb_prin=('principal','sum'),
      net_loss=('net_loss_amount','sum')
  ).reset_index()
  vintage_stats['cum_loss_rate'] = vintage_stats['net_loss'] / vintage_stats['disb_prin']

  # 5. 输出核心结果（尾部几行）
  print(panel[['month','onbook_principal','net_loss_flow','annual_loss_rate']].tail(6))
  print(vintage_stats.tail(6))

要点解读：

• 用到了“滚动12个月净损 / 滚动12个月平均在贷”来近似真实年损率。
• Vintage 只是帮助你看不同放款月份的终局（或阶段性）损失质量。
• 在真实项目中你需要：拆利息、本金；把展期逻辑、提前结清、减免抵销都映射进现金流。

接下来你可以加：

• Recovery Curve 拟合（用 Weibull / Log-logistic）
• LGD 分层（看额度、渠道、评分分箱）
• 情景测试：违约率 +100bps / 回收率 -10% 对年损弹性。

六、如何快速把“年损”打进策略闭环？

我前任领导常给团队讲一句：年损不是财务结算指标，是实时控制指标。
落地路径：

1. 前端准入：
• 用资金方认可的评分（或你映射到其PD档位）控制高 PD 流量占比。
• 渠道维度出“PD * 预估LGD”成本线，超过即削减配额。
2. 授信与定价联动：
• 同一风险等级不同额度/期限组合的 LGD 差异要量化，很多时候把 12 期压成 6 期，LGD 降低 > APR 降低。
3. 贷中监测：
• D1~D7 早期逾期曲线与目标曲线偏差实时告警，用 [ 年损预估 = 当前Vintage累计损失 + (预测剩余违约 * 预测LGD - 预计回收) ] 动态刷新。
4. 贷后回收：
• 催收策略 A/B：语音+外呼 vs 智能触达+减免额度，比较单位回收贡献。
• 早期回收对年损影响极大：将 M1 冻结天数从 15 降到 7，历史案例我们把最终LGD拉低了 2.3 个百分点。
5. 数据闭环：
• 周会固定一页：Rolling 12M 年损率、Vintage 梯度、渠道分层年损贡献 TOP10、策略变更影响。

七、在“24%天花板”下的年损倒推

假设新规后你的目标资产综合定价 ≤ 24%。
资金成本（含资金占用、担保结构）= 8%。
获客+运营摊销 = 5%。
税费&拨备 估 2%。
目标利润（最低生存）= 3%。
那么可容纳的年损：
[ 可容纳年损 = 24% - 8% - 5% - 2% - 3% = 6% ]

如果你现在真实年损=10%，就必须：

• 渠道调结构：砍掉尾部 20% 高 PD 流量。
• 缩短期限：6→3 期，LGD 降低。
• 加强前置核验（实名、在网时长、设备黑产特征），削掉欺诈段（欺诈一掉，年损立刻下台阶）。
• 回收策略前移（首逾 3 日触达率从 52% → 70%）。
  你做完这些，年损可能从 10% 降到 7%。
  剩余 1 个百分点，用资产组合再平衡（导入一部分优质代发工资流量），才能压到 6%。

八、为什么“24–36区间资产”退出会加剧年损压力？

以前你靠高定价池子里的“高息覆盖低效”模式，把一些低效率渠道亏损掩盖掉。
这些资产被清掉后，风险补偿冗余被抽走，你的运营低效率、策略迟钝、数据烟囱会立即赤裸裸映射到年损。
所以现在是“结构性降杠杆”。
一个战术动作：

• 用“渠道—授信段—期限”三维毛利矩阵，把负毛利格子标红，分三批出清。
• 同时建立“替换资产孵化池”，别一刀砍完导致账面在贷崩塌（平均在贷下降=分母缩=年损率短期被放大）。

九、快速评估——拿到一份数据你先看什么？

某国内头部助贷公司真实在支援一个团队时的 Checklist：

1. 集中度：Top5 渠道放款占比 > 60% 吗？
2. D1 逾期 vs M1+ 存量是否存在异常“遮掩”（强催/续贷掩盖）？
3. Vintage 曲线上升是否“拖尾”（>6期后陡增表明催收后置化或展期滥用）？
4. 回收率分层：首逾<=30 天与 >60 天资源配置是否失衡？
5. 欺诈段：首逾=核销比率（首逾即死）高于多少？>40% 说明前端核身漏。
6. 年损拆解：[ 年损 = 欺诈损失 + 信用风险损失 - 回收 ] 逐项列出。

快速把高影响因子排序，通常 Top3 能贡献 70% 改善。

十、给“小白”一个“一周内提升”的行动包

• 第1天：对齐资金方年损口径，写一页“公式+字段映射”发群里。
• 第2天：拉最近12个 Vintage，画累计净损失曲线与行业基准。
• 第3天：拆分渠道段年损贡献，标出 Tail 渠道。
• 第4天：建立首逾（D1）预测模型基线（哪怕是逻辑回归），输出重要变量。
• 第5天：和催收核对前 7 天触达率、承诺还款兑现率。
• 第6天：做定价倒推，算“目标年损倒推所需 PD * LGD 路径”。
• 第7天：写一份“年损降3个百分点路线图”复盘。

做到这套，你不再是“小白”。

十一、常见误解再纠正一次

• “M3+低=年损低”
  不，总存在隐藏核销尾或展期稀释。
• “年损就是本金核销除以期末在贷”
  不，是年度净损 / 平均在贷。
• “年损下来了说明没问题”
  也可能是放款收缩过快导致分母塌缩。
• “先扩量再控损”
  在政策收紧窗口，先控损才能保命，再扩量。

十二、回到新规冲击：我真实的三个判断

1. 行业分化：能把年损压到 5–6% 且资金成本控制住的头部会拿到更优额度。
2. 技术栈重估：粗放模式会被挤出，自动化实时年损监测进入标配。
3. 渠道议价倒挂：获客单价下不来又不敢高价续命的，会被迫转型数据分发或做联合贷服务层。

十三、最后的心法：把年损当“活指标”

我前任领导常讲一句：

年损不是等财务关账后才知道的结果，而是你每周能手动调弦的乐器。

当你把“策略变更 → 逾期早期信号偏移 → Vintage曲线修正 → 年损预测偏差 → 定价或额度再调”这条闭环通顺后，
合规新规只是换了题目，解题思路不变。

结语

写到这里，如果你原本对“年损”是模糊的，现在应该能：

• 说清它与不良率、逾期率区别
• 用滚动12M方式算出资金方认可的年损率
• 把年损拆解到渠道、期限、额度、欺诈段
• 在 24% 定价天花板下倒推可承受年损并制定降损路线

如果你想，要不我下一篇写：海外风控和国内风控区别和联系？

有收获就点赞、在看、关注，我会继续把过去多年踩过的坑拆开给你看。

我们下篇见。

参考注释
[1] 最高人民法院相关司法解释（民间借贷利率上限调整背景）
[2] 《商业银行互联网贷款管理暂行办法》有关风险分担与集中度条款
[3] Basel 信用风险框架中 PD / LGD / EAD 概念延伸（用于本地化拆解年损）