在大数据时代，风控领域正经历着前所未有的变革。从风险标签的重新定义到建模过程的革新，再到征信数据的局限性，文章为我们揭示了在快速变化的金融环境中，如何以新的思维方式应对风控挑战。

我发现很多人喜欢用很老的理论来指导实践，说要怎么做怎么做，但其实这个怎么做是过时的。那些做法不是定理，也谈不上原则，只是惯例，惯例不符了就不能盲目遵守。没错，我是在说风控。

别人告诉你要做什么不重要，重要的是你想要做什么。你看，做人和做风控是一样的。

本文接下来说的具体而细节的东西，远远没有上面两段话重要，如果你能真正理解的话。‍‍‍

我要说的新思路并不是什么大不了的东西，只是相对所谓的传统所谓的惯例那些老古董而言，它有一点点不一样。我并不能给当下的大数据风控指出一条崭新的道路。如果没有外来文明入侵的话，基于我的认识，没有这样的路。

1、风险标签不要光看滚动率、vintage，看你要干什么，产品特性、业务目标、数据可用性等，需要短期就短期，需要长期就长期。

2、建模过程不要老想着逻辑回归评分卡那套筛选，逻辑回归是那样做，但是机器学习模型不需要那样做，保证结果的稳定性就可以了，复杂系统会以你无法理解的方式解决你担心的问题。

3、征信数据会越来越没用，因为人人都是多头，下沉用户得用互联网平台数据。‍在社会范围内找聪明的学生，按学校去找就可以了，在一个学校里去找，得看别的。‍‍‍‍‍‍‍‍‍‍‍‍‍‍

4、iv<0.02怎么了，iv>0.5又怎么了，谁告诉你不能用？贷中行为变量iv值大的多了去了，下沉客群iv值大的都没有，模型不做了吗？

5、额度策略看收入负债，这当然很严谨，但收入取不到、负债算不准，没有就不用了呗。消费现金贷谁的收入负债你算得准，谁的收入负债不会变。‍‍‍‍‍‍‍‍‍‍‍‍‍‍引入不准的东西来解决精细化的东西，大多数都不可行。‍‍‍‍‍‍

6、上一条，你可以说我在点拒绝推断。推断拒绝样本表现永远是推断，不是准确的，用来建模试图提升效果就是to be or not to be的问题。其实你怎么建模都可以，没有人真正关心模型是怎么建的，效果稳定地好就行。但是你不能用虚构的样本去评估，那样，你改变了问题。

7、第二条，可以接着说说分群建模。针对性分客群建模，当然有用，但是复杂模型可以一定程度上解决这个问题。再加上，如果你认可迁移学习的话，迁移学习的作用在整体建模之内。

……

我才写了这么几点就开始既不想想，也不想写了。我发现本质上我写风控并不是为了写风控，它只是一种载体，我写的是我的某种幽默和孤高的情绪。这句话是应该写在日记里的，但也可以say it out loud，毕竟卡夫卡日记都被发表。

我想到了马斯克。最有钱，最有创造力，最有影响力。要是活成马斯克，四十岁就死也可以啊！

又顺便想到了第一性原理。不是每个步骤都得自己从第一性原理重新推导和测试，但是有必要的时候，对这个部分产生质疑。

在风控领域，策略也好，模型也好，行得通不麻烦不紧要的惯例遵守就遵守，行不通或者很麻烦或者不该做的做法，先质疑它。‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍

自然而然，我们可以聊一聊风控的本质。

最近，银行放贷的同志们纷纷表示：但凡急着找我借款的我都不敢贷给他，但凡我觉得优质的客户都不想借钱；以前拼命拉存款，现在大额存单要限额；反正你想要的东西我永远没有，我想给你的你永远不想要。

风控的作用是，match那些本不match的东西，还是，match那些本就match的东西？‍‍‍‍‍‍

加缪写过：在火车上，我看见一对年轻的情侣。两个人都长得不好看。女孩拉着男孩，笑吟吟的，撒娇，撩拨他。而男孩，两眼无神，因为在大庭广众之下被一个他并不引以为傲的女人爱着而感到窘迫。‍‍

这话可以回答上面的问题。