整理丨薩伊
風控從業者都是一群怎樣的人？
“他們理性、內斂、喜歡德撲，有不少是處女座”，在《一本財經》舉辦的風控閉門課程上，在風控領域擁有15年專業經驗的花旗集團前全球風險總部高級副總裁、明特量化聯合創始人兼CEO李英浩總結了一個有趣的結論。
他利用兩個實戰案例，通過沙盤演練，來訓練大家的開放性思維，以下是自由討論環節的部分干貨。
01風控的核心
一名優秀的風控人員要對數字非常敏感，但是做風控卻不僅僅是簡單的計算。真正嚴格意義上的風險是不能計算、無法做出預測的。
風險的核心便是不可控因素。
做風控的人，往往需要在不確定性下做出策略。因此，風控人員要不斷訓練自己的思維方式，訓練自己在不確定的情況下對于概率能夠做出直觀的判斷。
同時，要注意的是風控產品一定要考慮成本因素，在不同的階段、針對不同的人群去實施不同的戰略。
對于風控人員來說，任何時候能夠用模型、用測試、用計量來做決策的，就要不斷去深挖。例如，如果能用量化的手段和策略去優化催收手段，那就去做。
此外，我們做風控模型時，不要過于樂觀，要綜合考量前端的營銷、產品結構的調整，不斷去試錯。
因為風控的過于樂觀而產生的教訓比比皆是。那些平時可能是非常優質的客戶，但是在發生重大事件時，反而會成為風險最大的客戶。例如在美國經濟危機來臨時，花旗銀行的壞賬率從3%迅速攀升到了10%。
風控模型的核心就是要通過不斷的測試，最終找到利益最大化。
02風險和業務如何結合？
做風控的人都離不開模型，但一個問題是，從數據測試的引入、建模到最后的策略應用過程中，是否應該和業務部門做結合呢？
有人會說有必要放在一起，這樣雙方目標一致。也有人表示，這樣必然會產生部門本位主義，發生為了挑戰而挑戰的情況。
其實，風險和業務天然存在矛盾，具體是不是放在一個部門，試用同一種KPI考核機制，并無定論。在機構的不同發展階段，所用的策略往往是不同的。
例如，在美國的Capital One（美國第一資本投資國際集團）曾經所有的決策都是以業務為導向的，風控部門100%的支持業務部門。大老板只有一個，那就是業務部門的主管。在很長一段時間，沒有出現任何問題，并且公司還因此實現了飛速發展。但是在2003年左右，美聯儲和OCC(Office of Comptroller of Currency美國貨幣監理署)來做檢查時，資本市場通過監管部門的公開備忘錄發現，這家公司竟然沒有單獨劃分風險部門。于是，Capital One的股價出現大跌。后來，Capital One便設置了獨立于所有業務條線的垂直風險部門，作為公司的單獨監督機構。隨后，股價又止跌而大幅上揚。
所以，風險和業務部門是否應該獨立、相互制衡，各機構應該根據自己所處的發展階段，制定自己的政策。
03模型能否取代人工審批？
在貸款業務中，有一個值得商榷的地方，就是人工審批和模型評分之間是否會存在矛盾？
這其中有一個核心的觀點：模型非常重要，但是人的判別也很重要。
事實上，貸款業務的數據收集天生是存在偏差的，因此不能過度依賴模型，好的審批專員對一些風險的把握是強于機器的。
此前，我一度也認為模型能夠解決所有的問題，但是后來發現如果過度擬合一個模型，其效果仍然會存在失真的情況。
舉例來說，我們做一個風險模型，假設審批率是30%，那么風險模型是建立在30%的樣本基礎之上，因為只有這30%有表現，才能知道是否有還款。
但是模型建完之后，其應用的樣本并不是篩選后的30%群體，而是將其投放在100%的樣本之上。也就是說，要將一個在非隨機的樣本基礎上建立出來的模型，放大到一個大的樣本空間中，結果就是必然會造成模型的執行效果大打折扣。
即使比較成熟的模型統計又能做到什么層面呢？它會想盡方法去擬合上述樣本。但問題仍然存在，即模型建完以后仍然要將它應用在一個比建模樣本更大的人群基礎之上。
所以做貸款，采用的數據天然是噪音的，存在一定偏差。
縱然是人工智能的方法，也并不能解決上述問題，并且模型越復雜，越會產生過度擬合。所以，不要完全相信那些金融科技公司所鼓吹的人工智能有多么厲害，而要清醒的認知到，對于風控而言，一個好的技能決策依靠的是方法論，依靠的是平臺自身對于業務的理解，而不是簡簡單單的人工智能的機器算法。
而比較合理的建模樣本是需要有30%的用戶群體通過人工審批，這其中有30%的人放款、70%的人予以拒絕。
04不同風險單獨處理
模型可以幫助我們預測很多風險，我們可以通過模型來預測欺詐以及一個客戶的信用風險，即判斷其是否有還款意愿和還款能力。
但這并不代表欺詐和信用風險可以混為一談。關鍵的區別在于欺詐和信用風險的定義不同，盡管二者的結果表現是一樣的。
如何確定一個客戶是真正的欺詐客戶呢？有很多表現，例如第一次就失聯的，基本可以判定為欺詐客戶；再例如客戶的身份被別人冒充了；以及一個從借款伊始就沒有還款意愿的客戶。的確，很多單獨的特征可以表明這個客戶是欺詐客戶，但是并不能完全認定其是否有還款意愿和還款能力。
所以我們必須要把反欺詐和信用風險分開來看，而不能做簡單的模型分層。
但即使是信用風險里面，不同的客戶最終也會呈現出不同的形式。在美國，客戶的信用風險會被分成兩類：一種是因破產造成的信用風險；另一種是非破產造成。對應的這是兩個完全不同的模型。