编辑导语：风控模型，是在风控策略达到平衡之际，实现风险精分差异化的必备武器。那风控模型中如何嵌入策略呢？作者认为方法有三种：风险定价，授信额度，期限/还款方式。这篇文章详细地介绍了三种定价方式的适用场合，及其优劣势。感兴趣的小伙伴不妨一起来看看。

一、三种常见的风险定价方式

我来简单介绍一下三种常见的风险定价方式，刚才介绍的是整体的情况。

风险定价就是通过在评估资产风险的基础上做恰当的定价，一般会根据违约率不同，把客群进行细分，最后确保每个细分客群里都能有合适的收益率。

风险定价从易到难，每个阶段都可以完成，只是效果各不相同。我从多年工作经验中总结出大概三种常见的风险定价方式。

1. 成本核算定价

成本核算定价，从本行或本单位出发：我们具体应该承担多少风险，我们在这个地区要达到什么样的战略目的，我们对这个产品有什么期许，要用多少资金去运行，它能给我们带来多少收益，我们能控制的风险以及运营的成本大概是多少，据此核算出一个均价。

2. 竞争跟随定价法

第二种是竞争跟随定价法，这个方法就是看哪个企业做的比较好，如果我们不太会，不知道怎么定价，我们就看它定多少，然后我们就跟着定多少。或者它定多少，我们加点或者减点，如果我减点的话，就须要抢占市场，后期根据市场的反馈，然后调一调。

如果是高一点可能偏保守，这个做法是因为我们想做这个事，但是又不想亏。所以我先加一点，然后再看情况，如果用户不买我的账，我就减一点。

这种情况其实就是技术能力不太行，或者现在没空去算，想先挤入市场。

这种情况比较常见于互金或金融科技的一些腰部平台，新开展的业务，没有足够的风控底蕴的时候。但是如果到现在利率又下降了，可能就比较困难了，因为以前利率比较高，定个20%多或30%多，然后减一点，还可以保证整体运营下去。

但是到现在，整体需要精工细作，如果大家的风控水平跟不上时代和政策的发展，就会落后于时代潮流之后，会逐步被淘汰。

3. 数据驱动定价法

第三种是数据驱动定价法，大概从13年开始，大数据算法模型逐步提升了影响力，各行各业都觉得算法模型和大数据，可以让融资更有优势，也更加能提升业务效率。所以我们会选用一些水平比较高的算法工程师，因为算法比较新潮嘛。

我们新招来的比较厉害的硕士生和博士生，因为需要熟悉业务，所以需要重新培养一下，然后把重任交给他们，我觉得挺好，对新人有一种期许在。但是风控其实更看重经验，很多时候需要经历一个完整的实践周期，才能对风控这件事本身有深刻的理解。所以并不是我们简单看几本书，就知道怎么做。

我这么多年，一直做风控，我会从现在去看以前，从毕业到现在，我几乎每半年就去推翻自己以前对风控的认知。

以前觉得不对的地方，过段时间看它，觉得它依然有不对的地方，但是也有可取的点。然后循环往复，当发现自己的认知上去的时候，就知道这么做是可以的，或者说这么做不是不行，当通过搭配一些其他事情就可以让这件事做得更好。

当公司需要做一个事情，我们不能一上来就说这个事情我们完全不能做，这不是风控。

风控是告诉大家如何如何，采取什么样的方法，这个事情就可以做了。我们应该通过自己对于风险的认知，助力整个业务提升，而不是简简单单的说，这个业务不能做，我不做。

我说的这是风控的一个方向即风险规避，但是如果我们把所有的风险都规避，全都不做了，那我们就不可能开展业务，也不可能有创新了，这是完全不对的。

二、数据驱动定价法

1. 数据驱动定价

具体讲一下数据驱动定价，这个方法的缺点是样本可能不够，因为它需要有监督学习算法，需要更多的标签，更多的坏样本。

相当于整个业务体系过去对于错误的积累，我们通过算法在过去的错误中学习，来弥补不足，还需要加入一些人工的判别，但并不是特别有效。

但是对于一些比较快速开展的业务，可以防范一些东西，这是相互结合的。这么多年来我观测市场，主要有三种应用数据驱动模型评价，以后可能还会更多。

1）直接应用回归模型

第一种是直接应用回归模型，先跑回归模型，然后跑利率，利率是公司之前放款的利率，可能做了一些修正，最终的利率做了倍数限制或者区间限制。

比如说跑出来之后是3.5%，然后对它限制保留四位小数，或者定一个两点区间，比如在0.1到0.2之间，那么就输出一个0.15，类似这个意思。

2）额度评分双模型联合定价

第二种是额度评分双模型联合定价，这个做的比较精细，输出的一个是违约概率模型，还有一个是审批额度。审批额度不一定是通过回归模型输出的，更多的是一个公式或者一个规格计算出来。然后它会有一个对账的表儿，不同的这个违约概率，不同的额度底下会有一个最终的概率，这个会有专家委员会来讨论确定，这后期可能还会变，但已经算是做的比较好的。

3）弹性测试推动风险定价

第三种是弹性测试推动风险定价，是现在比较主流的方式，新毕业的硕士生和博士生，他们主要推崇这种思想，对于不同的客户，或者相同客户不同时间段，不同的情况，做AB测试。一边测一边改进，用最小迭代敏捷风控，这是数据驱动中主流的方法。

具体而言就是把一批评分类似或者差不多的客户，分成不同的服务给不同的利率，然后看看他们各自之后的表现如何。如果表现好的话，我们要怎么处理，表现不好的话怎么处理，需要进一步讨论，这个就是数据驱动定价。

2. 竞争跟随定价法

竞争跟随定价法，一般需要具备市场支配地位的竞争对手的利率做为参考系，根据竞争策略，下调或者上涨适当的利率，以达到快速切入市场的目的。

优点是快速开展业务，风控技术要求很低，就是别人怎么做，我进行复制。

但是这个不能在同一个战场里做，一般会有一个差异性，比如对手打的是一线二线城市，我的产品利率这么定，我要想做好产品，就不会在一二三线和他们叫板。

我也会在相同战场放一个产品但不会投入太多，会错位竞争，会到这个三四五线，或比较偏远的地方。然后利率和竞争对手一模一样，也可能稍微加点儿，怎么加呢，专家拍脑门决策一下，后期如果出了问题再调，这就要看储备金够不够了。

如果够，可以长期坚持下来，不够的话就出局了。最主要的是速度，一般一两周就确定好了。当然也会有很多bug，如果你自己本身储备的实力不够，那么有可能坚持不到最后的胜利。

三、成本核算定价法

成本核算定价法，比较难，我看很多市面上的书，以及大家操作起来都不这么做，因为这个对技术水平有一定的要求。

刚才最上面的总纲，下面的风险是对信用，而这个是对信贷的。

抵押贷咱们先不说，实际上信贷要求比抵押贷高很多。信用风险率试算，讲的是一次性还本付息或先息后本，等额本息大家可以回去推导一下，因为这个比较复杂，还要与很多平台结合在一起。这个简易静态算法不要照搬使用，容易出事。

资金具有一般等价物的性质，可以把风险归一化，我们损失的钱可以融汇在一起，损失一部分其实不影响整体。但如果是其他的资产，可能就不是这个性质。

我们先做一个假设，假设每个客户有相同的授信额度，发生违约就会发生损失，所以我们用违约概率乘以坏账率，如果能持续经营，那么肯损失要小于等于收益，这个公式是说违约的损失要小于等于利息的收益。这里的坏账率指的是发生违约之后的坏账率，大家一定要记住。

我们看ppt上的公式，原则上坏账率肯定在0和1之间，发生违约不一定资金就没了，可能是用户忘了，或者用户现在没钱，没到发薪日呢，或者其他情况用户不是诚心去违约。

因为我们前期有很多准入很多规则去限制，已经过滤了很多不好的客户，所以后期坏账率绝对不会是100%，很有可能是比较低的一个数。

我们可以再来看这个表，了解大概的水平，我们的风控要从保守的角度去看，假如发生违约，假设坏账率ɑ为1，只要发生违约，那么就认为是坏账，这是最为保守的估算。那么就可以简化公式odds≤β，β即为 最低信用风险利率。

这个时候我们看量表做试算，在不同的分组下，就是通过违约概率转化成odds≤β，它即为最低信用风险区。

大家可以看比较老的书籍，现在的书籍不讲这种模式怎么计算，更加偏重于模型的代码，这个指标如何测，接什么接口，哪个接口数据比较好，数据如何处理，如何清洗，这个没有用处。

这个是一种等同转化的事情，回款是比较迅速且金额等同的，我们可以通过查阅资料研究下这个公式和相关的资料。如果违约概率是0.5，那么这个利率比配额还低一点儿，配额应该是100以上。但如果是这样的话，实际上对业务是有影响的。

我们能明白，如果贷款放出去，即使发生违约，也不会是100%发生。有一部分钱可以通过催收收回来，如果催收还收不回来，可以把这个自然包去转卖，所以不会有100%的损失。这个时候我们可以算一下转化洗漱，就是在发生违约之后，资产有多少收不回来，先只算首次违约，这个平衡点是一个动态的而非固定的。

我们不同的产品，具体参数的设置，要看业务产品的整体架构，我们假设odds约等于应该放款，就可以看出不同产品的大概情况。

比如三点四五是这个房贷，但这个只是信用风险的计算，还应该加资金成本，运营费用等，所以说信用风险的利率一定会低于最终的利率。

大家可以看不同的分布，如果客户全都不还，那肯定是倒闭。后面是payloa，P2P，各类类金融平台，信用卡，腰部金融科技平台，头部金融科技平台，银行信用贷款，车贷有房贷，后面可能有补贴的助学贷款，或者是一些政策性贷款。

作者：郑泰森，某共享平台集团风控负责人；“数据人创作者联盟”成员。

本文由@一个数据人的自留地 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议。