CN108460678A - 资产筛选、质量监测、预测全流程互联网金融资产管理云平台 - Google Patents

Abstract

本发明利用互联网信息处理技术，公开了资产筛选、质量监测、预测全流程互联网金融资产管理云平台，包括报表单元：用于存储合作资产方、资金方以及投资方的各个维度的分析数据；资产筛选单元：用于在收到贷款请求指令时，对借款人的基本信息及其历史数据进行分析，自动筛选出合格的债权由资金方发放贷款，同时自动排除不合格的贷款请求；贷后质量监测单元：用于对获得贷款的债权贷后表现进行自动的定期动态指标监测，通过贷后表现预警相应业务人员，同时实现动态调整优化资产筛选单元筛选功能的准确性和稳定性；现金流预测单元：用于对入池的资产能够产生的未来现金流进行实时预测，为资产证券化提供分析和设计工具。

Description

资产筛选、质量监测、预测全流程互联网金融资产管理云平台

技术领域

本发明属于互联网金融管理技术领域，具体涉及资产筛选、质量监测、预测全流程互联网金融资产管理云平台。

背景技术

随着互联网金融+的不断深化发展，对全流程的互联网金融平台需求越来越迫切。全流程互联网金融资产管理云平台，为互联网金融平台提供多资金方的个性化对接方式，也为具有放贷资质的资金方或者具有通道业务的资产打包方对接多家互联网金融平台。

然而传统的资产管理软件很少关注到金融资产全流程的自动化管理，存在以下缺陷：一是资产筛选没有实现自动化，人为主观因素太多，很难定量筛选出合格的资产；二是缺少贷后质量监测，业务人员无法实时了解资产表现，无法动态优化调整模型；三是无现金流预测，不能为资产证券化提供分析和设计工具。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种能够实现资产筛选、贷后资产质量监测，以及资产所能产生现金流的未来预测的资产筛选、质量监测、预测全流程互联网金融资产管理云平台。

本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台包括：

报表单元：用于存储合作资产方、资金方以及投资方的各个维度的分析数据；

资产筛选单元：用于在收到贷款请求指令时，对借款人的基本信息及其历史数据进行分析，自动筛选出合格的债权由资金方发放贷款，同时自动排除不合格的贷款请求；

贷后质量监测单元：用于对获得贷款的债权贷后表现进行自动的定期动态指标监测，通过贷后表现预警相应业务人员，同时实现动态调整优化资产筛选单元筛选功能的准确性和稳定性；

现金流预测单元：用于对入池的资产能够产生的未来现金流进行实时预测，为资产证券化提供分析和设计工具。

进一步的，所述资产筛选单元进行分析时，设定了产品分析维度、客户群分析维度、以及风险分析维度，通过上述各个分析维度对借款人的基本信息及其历史数据进行分析得到的分析结果更为精确，确保了资产筛选单元的筛选合格率。

进一步的，所述贷后质量监测单元对获得贷款的债权贷后表现进行自动的定期动态指标监测的指标包括放款指标、早偿风险指标、信用风险指标、流动性风险指标和LTV指标，通过上述指标的分别监测，得到的监测结果更为准确。

进一步的，所述现金流预测单元对入池的资产能够产生的未来现金流进行实时预测时，针对不同资产类型、不同资产属性在不同场景下分别进行了现金流预测，预测结果更为全面精确。

进一步的，所述资产类型包括抵押贷款、信贷、融资租赁、车贷和信托收益权；所述资产属性包括还款方式、还款频率、年化利率、还款期限和循环购买；所述场景包括违约率、早偿率、以及违约损失率。

本发明与现有技术相比具有以下有益效果：

1、本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台为资金方自动实现资产筛选和准入，避免了人为主观因素的影响，有效提高了互联网金融类资产的审批准入率；

2、本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台从不同风险角度进行债权贷后质量监测，使得业务人员能够实时了解资产表现，且能够通过校验不断的优化调整资产筛选单元的区分能力、准确性和稳定性，从而实现资产管理过程的动态优化；

3、本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台还能够实现实时预测入池资产能够产生的未来现金流，为将资产打包为资产证券化产品提供了分析和设计工具。

4、本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台还提供了金融资产全流程管理体系，降低了资产使用风险。

附图说明

下面结合附图对本发明做进一步详细的说明；

图1为本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台的示意图；

图2、为本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台监测体系的示意图；

图中：101为报表单元、102为资产筛选单元、103为贷后质量监测单元、104为现金流预测单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台，包括：

报表单元101：用于存储合作资产方、资金方以及投资方的各个维度的分析数据；

资产筛选单元102：用于在收到贷款请求指令时，对借款人的基本信息及其历史数据进行分析，自动筛选出合格的债权由资金方发放贷款，同时自动排除不合格的贷款请求；

贷后质量监测单元103：用于对获得贷款的债权贷后表现进行自动的定期动态指标监测，通过贷后表现预警相应业务人员，同时实现动态调整优化资产筛选单元筛选功能的准确性和稳定性；现金流预测单元104：用于对入池的资产能够产生的未来现金流进行实时预测，为资产证券化提供分析和设计工具。

进一步的，所述资产筛选单元对数据进行分析时，设定了产品分析维度、客户群分析维度、以及风险分析维度，通过上述各个分析维度对借款人的基本信息及其历史数据进行分析得到的分析结果更为精确，确保了资产筛选单元的筛选合格率。

进一步的，所述贷后质量监测单元对获得贷款的债权贷后表现进行自动的定期动态指标监测的指标包括放款指标、早偿风险指标、信用风险指标、流动性风险指标和LTV指标，通过上述指标的分别监测，得到的监测结果更为准确。

进一步的，所述现金流预测单元对入池的资产能够产生的未来现金流进行实时预测时，针对不同资产类型、不同资产属性在不同场景下分别进行了现金流预测，预测结果更为全面精确。

进一步的，所述资产类型包括抵押贷款、信贷、融资租赁、车贷和信托收益权；所述资产属性包括还款方式、还款频率、年化利率、还款期限和循环购买；所述场景包括违约率、早偿率、以及违约损失率。

下面详细阐述本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台的运行过程，具体地：根据风控经验以及合作资产方的历史数据，设定不同维度的规则集，一般包含产品、客群和风险等维度，通过规则预先将风险等级高的贷款申请排除。

进一步的，通过合作资产方的历史数据，利用数据处理和分析能力，进行风险建模评估，得到对客户未来表现影响较大的关键因素，并得到相应的权重，从而形成客户打分卡，将打分卡部署在云平台中，当贷款申请接入云平台时，根据打分卡得到该客户的评分，如果评分低于设定的阈值，该贷款申请将被拒绝。

贷后质量监测单元对于获得贷款的债权贷后表现定期自动统计早偿风险指标、信用风险指标、流动性风险指标和LTV指标，并将统计的结果形成报告，并且将超过阈值的指标预警相应的业务人员，通过管云平台的自动运行监测贷后表现，业务人员从而可以尽早介入处置风险。

上述处理步骤确保所有进入云平台的资产都经过了模型的筛选，通过贷后表现验证模型的区分能力、准确性和稳定性，从而对模型进行调整和优化

现金流预测单元针对国内市场上不同类型(抵押贷款、信贷、融资租赁、车贷、信托收益权等)资产，不同属性(如还款方式、还款频率、年化利率、期限、循环购买等)，在不同的场景下(如违约率、早偿率、违约损失率等)进行了所能产生的现金流未来预测。

为了支持投资者不同的收益率和风险偏好，并根据不同优先级实现信用增级，管理***支持债券分层结构设计，即设计不同优先级的证券。一般有这些层级：优先级、夹层、劣后级。每个证券至少包含以下属性：证券面值、年化预期收益率、预期期限、还款方式、还款频率等。

现金流分配是指将资产端产生的现金流按照一定的规则分配给各级证券。分配的前提包含两方面：一是已产生现金流的资产端，二是完成资金端的结构设计。

在完成分层债券的设计和现金流分配之后，管理***的报表单元中还支持收益/价格分析，给定某一优先级债券的收益，计算该债券的价格，给定债券的价格，根据插值法计算其收益。

上述资产筛选单元的筛选过程使用了机器学习算法建立风险模型评分卡，从而对贷款人的违约风险进行评估，帮助小额贷款公司从量化角度对风险进行管理，使得信审工作更具有科学依据，并提高信审的工作效率。然而模型使用不当，也会导致对客户风险的判断出现偏离，因此需要建立一套针对风险模型的监测体系，及时发现风险模型使用过程中的问题并不断优化。

贷后质量监测单元即是配套资产筛选单元设置的监测体系，监测的核心主要有两个方面，资产筛选单元筛选的准确性和稳定性，其主要目的是通过定量手段观察资产筛选单元运行状态，对指标变化是否符合要求进行监测，并寻求方法进行优化。

模型稳定性

建立模型的一个重要前提就是历史能够重演，即历史与未来的数据规律一致，所以评估模型适用性需评估数据是否稳定，评估数据稳定性的重要指标就是PSI，先评估模型PSI指标，若变化较大，则需要再评估自变量的CSI指标，分析导致因变量分布变化较大的影响因素，并结合业务，找到数据不稳定的真实原因。指标包括：

群体稳定性指标，是评估整体分数分布变化的常用指标。

变量稳定性指标，是评估自变量分布变化的常用指标。

模型准确性

模型的准确性有多种衡量，这里主要从AUC值、KS值、打分分布等角度考虑。其中，对好坏客户的区分能力在统计上一般采用AUC值、KS值等统计指标来衡量，良好的区分能力意味着分数越高的客户违约风险越低，模型也越准确；另外，通过考察新样本的分数分布，来分析整体分数的正态分布是否发生了明显的变化。指标包括：

AUC值：判断模型效果或准确性的重要指标。

KS值：衡量模型区分好坏客户能力的重要指标。

分布检验：检验分数的正态分布是否发生了显著的变化。

指标说明

稳定性指标---PSI指标

1.定义

将验证数据根据模型评分卡计算出各自得分，并统计分组占比(这里的分组可直接使用建模时的分数统计分组，不同组别的违约率有所不同)。根据建模数据和验证数据各个分组占比，结合PSI公式，计算出模型整体的PSI指标，具体公式如下：

∑(％Actual-％Expected)*ln(％Actual/％Expected)其中：

％Actual表示实际占比，即验证数据中每组记录占总体比例；

％Expected表示期望占比，即建模数据中每组记录占总体比例；

2.使用方法

[0，0.1]表示数据整体规律几乎无变化，无需进一步操作；

(0.1，0.25]表示数据整体规律变化较小，仍无需进一步操作；

(0.25，1]表示数据整体规律变化较大，需要进一步分析原因。

稳定性指标---CSI指标

1.定义

验证数据集中，统计显著自变量不同属性的占比情况，再结合建模数据中相对应的占比情况，利用CSI公式，计算每个显著自变量的CSI指标，具体公式如下：

∑(％Actual-％Expected)*ln(％Actual/％Expected)

其中：

％Actual表示实际占比，即验证数据集中，显著自变量每个属性占总体比例；

％Expected表示期望占比，即建模数据集中，显著自变量每个属性占总体比例；

2.使用方法

[0，0.1]表示自变量分布规律几乎无变化，无需进一步操作；

(0.1，0.25]表示自变量分布规律变化较小，仍无需进一步操作；

(0.25，1]表示自变量分布规律变化较大，需要进一步分析原因。

准确性指标---AUC值

1.定义

ROC(Receiver Operating Characteristic Curve)，即接受者操作特性曲线，是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(灵敏度)为纵坐标，假阳性率(1-特异度)为横坐标绘制的曲线，例如，在违约模型中：

灵敏度＝实际是好客户且准确地预测成好客户/实际好客户总数

1-特异度＝实际是坏客户但错误地预测成好客户/实际坏客户总数

特点：曲线下方的面积越大越好；曲线越往左上方(0,1)点靠拢，即与45度线偏离越大，模型的预测效果就越好。理论上，曲线最好的点出现在(0,1)点，在此点所有的好客户被预测成好客户，所有的坏客户被预测成坏客户。AUC值即ROC曲线下面的面积，取值范围是[0，1]，理论上越大越好，但实际情况可能过大时会产生过拟合现象。

2.使用方法

依据以往项目经验，一般建模时AUC值在0.7以上，当新的数据AUC值低于0.65时，需进一步考察下降较多的原因。

准确性指标---KS指标

1.定义

KS(Kolmogorov-Smirnov)曲线，坏客户与好客户的累计百分比曲线就是KS曲线，KS曲线中好坏客户累计百分比之差的最大值被称为KS统计量，取值范围是[0，1]，理论上越大越好，但实际情况可能过大时会产生过拟合现象。

2.使用方法

依据以往项目经验，一般建模时KS值在0.30以上，所以当新的数据集KS值低于0.25时，需进一步考察下降较多的原因。

准确性指标---分布检验

1.定义

建模时分数一般服从正态分布，所以正态分布，即正态曲线一般呈钟型，两头低，中间高，因此又经常称之为钟形曲线。

2.使用方法

检验两个样本来自的两个独立总体是否分布相同，可以进行两独立样本的K-S检验。假定两个样本的样本量分别为n1和n2，用F1(X)和F2(X)分别表示两个样本的累积经验分布函数。再记Dj＝F1(Xj)-F2(Xj)，检验统计量近似正态分布，表达式为：

P值大于0.05，不拒绝原假设，可以认为两个样本来自同一个分布，若P值小于等于0.05，拒绝原假设，可以认为两个样本不是来自同一个分布，差异显著。

如图2所示，本发明提供的资产筛选、质量监测、预测全流程互联网金融资产管理云平台监测体系的具体应用流程包括交易前尽职调查、交易中质量监测、交易后定期监控，所述监测体系中的上述流程对应于管理***中的资产筛除单元、贷后质量监测单元、现金流预测单元的相应功能，上述功能的实现都以报表数据作为分析基础。

(1)设置监测频率

存续期需对债券质量进行实时监测，可根据各家互联网金融公司设定还款日确定具体监测频率，如每天都是还款日则每日监测，如固定还款日则每还款日监测。

除以下情况需在事发后的3个工作日发送监测报告，其余情况固定每月，每半年，每年发送监测报告，具体时间可根据发行日方式，还款周期，发行时长具体确定。

发生加速清偿事件或基础资产发生超过资产支持证券未偿本金余额10％以上的损失；

基础资产的运行情况或产生现金流的能力发生重大变化；

出台相关信息披露规范，披露频率跟当前有所冲突；

2/3及以上投资人共同要求当前进行披露；

其他影响资产质量重大事件的发生。

(2)交易中监测指标

放款指标

计划放款额：首次放款、循环购买1等设置的计划放款的额度；

放款金额：已放款的金额，即状态为：放款通过、放款完成的金额；

放款笔数：已放款的笔数，即状态为：放款通过、放款完成的笔数；

放款占比：放款金额/计划放款额。

(3)交易后监测指标

早偿风险

当期早偿金额：统计周期内，提前偿付的债权资产当期实际还款本金总计；

当期早偿总笔数：统计周期内，提前偿付的债券资产当期实际还款笔数合计；

早偿比例(笔数)：当期早偿资产总笔数/期初剩余资产总笔数*100％；

早偿比例(金额)：当期早偿资产总金额/期初剩余未偿本金*100％。

信用风险

当期逾期总金额：统计周期内，发生逾期的债权资产当期应还本金总计；

当期逾期总笔数：统计周期内，发生违约的债权资产当期应还笔数总计；

逾期比例(笔数)：当期发生逾期笔数/期初剩余资产总笔数*100％；

逾期比例(金额)：当期发生逾期本金/期初所有剩余未偿本金*100％；

M1+逾期率(笔数):当期发生30天以上逾期笔数/期初剩余资产总笔数*100％；

M1+逾期率(金额):当期发生30天以上逾期本金/期初所有剩余未偿本金*100％；

M2+逾期率(笔数)：当期发生60天以上逾期笔数/期初剩余资产总笔数*100％；

M2+逾期率(金额)：当期发生60天以上逾期本金/期初所有剩余未偿本金*100％；

M3+逾期率(笔数)：当期发生90天以上逾期笔数/期初剩余资产总笔数*100％；

M3+逾期率(金额)：当期发生90天以上逾期本金/期初所有剩余未偿本金*100％；

M6+逾期率(笔数)：当期发生180天以上逾期笔数/期初剩余资产总笔数*100％；

M6+逾期率(金额)：当期发生180天以上逾期本金/期初所有剩余未偿本金*100％。

流动性风险

当期实收回款总额：统计周期内，当期资产池资产实际回款本金金额；

当期实收回款笔数：统计周期内，当期资产池资产实际回款总笔数；

累计实收回款总额：自ABS项目开始运行至统计时点期间，资产池所有资产回款总本金；

还款比例(笔数)：当期实际回款资产笔数/当期应回款笔数*100％；；

还款比例(金额)：当期实际回款资产金额/当期应回款金额*100％；；

当期回购总金额：统计周期内，P2P平台对该类资产实际回购的贷款总余额；

当期回购总笔数：统计周期内，P2P平台对该类资产实际回购的总笔数；

累计回购总额：自ABS项目开始运行至统计时点期间，资产池资产所有回购总金额；

回购比例：当期回购资产贷款余额(笔数)/期初资产贷款余额(笔数)总和*100％；

提前结清总额：统计周期内，提前结清本金余额；

提前结清笔数：统计周期内，提前结清总笔数；

提前结清比例(金额)：当期提前结清本金余额/期初剩余未偿本金*100％；

提前结清比例(笔数)：当期提前结清笔数/期初剩余资产笔数*100％。

LTV

在还抵押物估值总额：ABS项目内当期在还资产在批核放款环节评估的车辆价值总和。

贷款余额：ABS项目内当期应还但未还的本金和利息之和。

LTV：(当期贷款余额/在还抵押物估值总额-总贷款余额/所有抵押物估值总额)*100％。

(4)监测预警机制

当指标超过阈值则会触发预警机制，通过超出范围确定采取措施，尽可能避免或减少损失。

(5)资产质量改善措施

内部改善措施：

风险预测模型调优

将当期最新统计的违约比例，回收比例以及展期比例数据加入上一期违约模型、行为模型和早偿模型中，对预测模型组进行校准和更新，产生基于最新一期资产表现情况的预测模型组。

利用校准更新后的预测模型组对资产池中所有债权资产未来可能发生违约及早偿的风险进行评估，并计算出资产发生违约、展期和早偿平均概率的预测值。现金流预测模型调优

通过ABS项目原定的各项费用支出以及收益分配方式，结合模型预测的资产平均违约、展期以及早偿概率，可以设计开发针对项目不同时点处现金流流量的预测模型，以此测算项目到期盈余(优先级本息兑付后)。

同时在每一监测周期内，可以根据最新的风险预测模型的预测结果，实现对项目现金流流量预测模型的更新。

现金流压力测试

在项目现金流预测模型基础上，通过设计不同维度和强度的压力测试因素(如1-2倍原资产包平均违约率、平均早偿率等)，加入并更新现金流预测模型，预测项目现金流流量以及到期盈余情况。

利用压力测试方案对现金流预测模型进行测算，可以计算出在不同风险压力程度下项目现金流的不同表现情况，并预测出对应的项目到期盈余(优先级本息兑付后)。

外部改善措施：

加强风控管理，由互联网金融公司出台具体风控措施，改善资产质量。

加强催收力度，由互联网金融公司出台具体催收策略，改善回款。

由互联网金融公司对债权进行回购或置换。

处置抵押物，确保投资人资金安全。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (6)

1.资产筛选、质量监测、预测全流程互联网金融资产管理云平台，其特征在于，包括：

报表单元(101)：用于存储合作资产方、资金方以及投资方的各个维度的分析数据；

资产筛选单元(102)：用于在收到贷款请求指令时，对借款人的基本信息及其历史数据进行分析，自动筛选出合格的债权由资金方发放贷款，同时自动排除不合格的贷款请求；

贷后质量监测单元(103)：用于对获得贷款的债权贷后表现进行自动的定期动态指标监测，通过贷后表现预警相应业务人员，同时实现动态调整优化资产筛选单元(101)筛选功能的准确性和稳定性；

现金流预测单元(104)：用于对入池的资产能够产生的未来现金流进行实时预测，为资产证券化提供分析和设计工具。

2.根据权利要求1所述的资产筛选、质量监测、预测全流程互联网金融资产管理云平台，其特征在于，所述资产筛选单元(102)进行分析时，设定了产品分析维度、客户群分析维度、以及风险分析维度。

3.根据权利要求1所述的资产筛选、质量监测、预测全流程互联网金融资产管理云平台，其特征在于，所述贷后质量监测单元(103)对获得贷款的债权贷后表现进行自动的定期动态指标监测的指标包括放款指标、早偿风险指标、信用风险指标、流动性风险指标和LTV指标。

4.根据权利要求1所述的资产筛选、质量监测、预测全流程互联网金融资产管理云平台，其特征在于，所述现金流预测单元(104)对入池的资产能够产生的未来现金流进行实时预测时，针对不同资产类型、不同资产属性在不同场景下分别进行了现金流预测。

5.根据权利要求4所述的资产筛选、质量监测、预测全流程互联网金融资产管理云平台，其特征在于，所述资产类型包括抵押贷款、信贷、融资租赁、车贷和信托收益权；所述资产属性包括还款方式、还款频率、年化利率、还款期限和循环购买；所述场景包括违约率、早偿率、以及违约损失率。

6.根据权利要求3所述的资产筛选、质量监测、预测全流程互联网金融资产管理云平台，其特征在于，

所述放款指标包括：

计划放款额：首次放款、循环购买1等设置的计划放款的额度；

放款金额：已放款的金额，即状态为：放款通过、放款完成的金额；

放款笔数：已放款的笔数，即状态为：放款通过、放款完成的笔数；

放款占比：放款金额/计划放款额；

所述早偿风险指标包括：

当期早偿金额：统计周期内，提前偿付的债权资产当期实际还款本金总计；

当期早偿总笔数：统计周期内，提前偿付的债券资产当期实际还款笔数合计；

早偿比例(笔数)：当期早偿资产总笔数/期初剩余资产总笔数*100％；

早偿比例(金额)：当期早偿资产总金额/期初剩余未偿本金*100％；

所述信用风险指标包括：

当期逾期总金额：统计周期内，发生逾期的债权资产当期应还本金总计；

当期逾期总笔数：统计周期内，发生违约的债权资产当期应还笔数总计；

逾期比例(笔数)：当期发生逾期笔数/期初剩余资产总笔数*100％；

逾期比例(金额)：当期发生逾期本金/期初所有剩余未偿本金*100％；

M1+逾期率(笔数):当期发生30天以上逾期笔数/期初剩余资产总笔数*100％；

M1+逾期率(金额):当期发生30天以上逾期本金/期初所有剩余未偿本金*100％；

M2+逾期率(笔数)：当期发生60天以上逾期笔数/期初剩余资产总笔数*100％；

M2+逾期率(金额)：当期发生60天以上逾期本金/期初所有剩余未偿本金*100％；

M3+逾期率(笔数)：当期发生90天以上逾期笔数/期初剩余资产总笔数*100％；

M3+逾期率(金额)：当期发生90天以上逾期本金/期初所有剩余未偿本金*100％；

M6+逾期率(笔数)：当期发生180天以上逾期笔数/期初剩余资产总笔数*100％；

M6+逾期率(金额)：当期发生180天以上逾期本金/期初所有剩余未偿本金*100％；

所述流动性风险指标包括：

当期实收回款总额：统计周期内，当期资产池资产实际回款本金金额；

当期实收回款笔数：统计周期内，当期资产池资产实际回款总笔数；

累计实收回款总额：自ABS项目开始运行至统计时点期间，资产池所有资产回款总本金；

还款比例(笔数)：当期实际回款资产笔数/当期应回款笔数*100％；

还款比例(金额)：当期实际回款资产金额/当期应回款金额*100％；

当期回购总金额：统计周期内，P2P平台对该类资产实际回购的贷款总余额；

当期回购总笔数：统计周期内，P2P平台对该类资产实际回购的总笔数；

累计回购总额：自ABS项目开始运行至统计时点期间，资产池资产所有回购总金额；

回购比例：当期回购资产贷款余额(笔数)/期初资产贷款余额(笔数)总和*100％；

提前结清总额：统计周期内，提前结清本金余额；

提前结清笔数：统计周期内，提前结清总笔数；

提前结清比例(金额)：当期提前结清本金余额/期初剩余未偿本金*100％；

提前结清比例(笔数)：当期提前结清笔数/期初剩余资产笔数*100％；

所述LTV指标包括：

在还抵押物估值总额：ABS项目内当期在还资产在批核放款环节评估的车辆价值总和；

贷款余额：ABS项目内当期应还但未还的本金和利息之和；

LTV：(当期贷款余额/在还抵押物估值总额-总贷款余额/所有抵押物估值总额)*100％。