本文主要是风控的一些基本概念和理念，具体的风险定价、模型策略开发手段，后面慢慢做笔记。
一、业务基本概念
风险类概念，风险定价（RBP，Risk-based Pricing），根据用户人群、模型决策风险、外部征信数据等条件，给用户授予额度、费率和期次、APR（Annual percentage rate），一年一次复利计息的利率、NCL（net credit loss），净损失率、WO（Write-off），核销金额，FTP（Funds Transfer Pricing）。
金额类概念，贷款余额 ENR（至某时点借款人尚未偿还的本金，即全部剩余本金作为贷款余额）、ANR月均贷款余额 、AR（accounts receivable）当期应收账款、Collection催收、Loan Amount在贷总额、DBR（debit burden ratio）负债比，通常债务人的在各渠道的总体无担保负债不宜超过其月均收入的22倍。
评分卡概念，A card（Application scorecard，进件评分卡）、B card（Behavior scorecard ，行为评分卡）、C card（Collection Scorecard 催收评分卡，针对已逾期客户）、F card（Anti-fraud card）。
WOE（weight of ecidence，取值[-1, 1]）、IV（information value，表示某个变量的预测能力）、 KS（klmogrov-smirnov，区分度指标）、PSI（population stability index，稳定性指标）。
逾期类概念，DPD（逾期天数，Days Past Due）= 实际还款日 - 应还款日，DPDN（表示逾期天数） >= N天，如DPD30+表逾期天数 >=30天的资产、FPD（First Payment Deliquency，首次还款逾期）、M1，逾期期数，指一笔放款连续逾期的月份数。
二、风险与运营
信用产品要素，贷款额度、贷款期限、贷款利率、还款方式（如先息后本）、受托支付、循环贷款中锁期的关注（影响建模、分析）、贷中信息获取。
模型与策略，目的在于识别好坏客户，评价的标准主要是ks\lift，模型兜底，策略补充。ipc技术，即人工策略分析，其实是个很好的思路，通过客户不同维度的口径数据进行营收、负债的数据核对校验，发现异常。其实本质就两点：信息验证 + 信用考核。
Gabage in, gabage out，错误的数据，模型再好，得到的也是垃圾结果。
资产质量指标，通过率、dpd0、dpd7、dpd30、M1、M2。
Vintage是非常好用的分析工具，迁移率的话，账单时点确实优于月末时点，更能反映真实资产质量。
三方数据测试，一手数据要明显好于二手数据（数据的质量更好，如查得率、 覆盖率、误拒率、有效差异率、无效差异率；数据的稳定性更好，特别是某个阶段或时点的数据延迟），实际调用时，做好备用数据源、异常机制处理（如调用失败空跑后，进入人工处理流程；如何发现数据源的问题，监测是关键）。
查得率(Search rate)=查得数/样本量
覆盖率(Cover rate)=查得命中黑名单数/样本中命中黑名单量
误拒率(Error reject rate)=查得命中黑名单数/样本中通过且为Good量
有效差异率(Effective difference rate)=查得命中黑名单数/样本中通过且Bad量
无效差异率(Invalid difference rate)=查得命中黑名单数/样本中其他拒绝量
三、风控分析手段
奥卡姆剃刀，如无必要，勿增实体。如果有两个性能相近的模型，我们应该选择更简单的模型，就是越简单越好。
没有免费午餐定理 （No Free Lunch Theorem)，不存在某种算法对所有问题(有限的搜索空间内)都有效，如果一个算法对某些问题有效，那么它一定在另外一些问题上比纯随机搜索算法更差。
二八原则，收益分析是很重要的，80%的收益是20%的客户带来的。
增信手段，三稳：家庭、居住、收入工作；三品：人品、产品、抵押品；三表：水表、电表、工资表。
黑名单来源，催收公司、监管、行内黑名单。
特征构建，业务上，特征构造主要是时间维度的聚合统计、跨时间维度的特征比较。模型要覆盖不同维度的变量，存在中介经营客户信用的情况，缺失某方面信息的模型容易被攻破，收入、负债是最基本的。
对于贷后管理，最好是有时间上的动态数据（那么贷前呢？似乎也可以呐），但取起数来，十分的麻烦。
失联修复，一般通过运营商通话数据、详单进行，如有客户授权，可获取客户的手机通讯录或交叉营销获得的信心进行。
催收策略运营，催收策略一般会有2套以上，同时运行并3：7 或者2：8分配，少的部分就是测试，多的部分就是常规。监控数据效果，如果少的部分效果更好且稳定，那么就会逐步替代多的部分作为主要策略，如此更迭。
贷后一般分逾期阶段运营，前逾要尽量催难还款的客户，后逾尽量催好还款的客户，关键在于避免发生客户失联；同时贷后阶段也是良好的营销机会。
其他关注点：关注新增资产（客户）、渠道（老板要求关注到4级渠道）、舆情（如债务违约、河南灾情）、资产的动态评估和可核实性（房产现值，保守评估）、客户经营地址的有效性（催收时必须）。
四、风控的思想
贷前是最重要的，贷中和贷后的分析也应反馈到贷前，进行风控流程、模型策略的调整优化。贷前基本的风险包括：欺诈风险（比如腾讯和老干妈的萝卜章事件、房产的真实性、三方欺诈）、信用风险、政策风险（如最近大跌的教育培训行业），信用风险包括还款能力（信息不对称的问题，及持续盈利能力，因此行里某些行业是不做的）、还款意愿（软信息）。
业务上，良好的收入（永远大于抵押品等增信手段、第一还款来源）、与行业平均水平的比较、客户收益（特别是生意好的时候）的支出去向等，都很关键。
贷中的关键就是尽早识别风险，跑的越快越好，同时如果发现客群与产品设计不符（如产生较多坏客户，多头客户_现金贷类），则应及时调降贷前的放款期次。
大数据风控固然有用，高效自动，但某些风险点（如反欺诈）可以借助人肉、小数据进行，最好的方式是简单、有效，且能为模型、策略提供很好的业务视角，要保留少量人工。
数据要对比着分析才有意义，同样风险要结合收益考虑才能做出决策，广义上讲，只要收益高，没有不能接受的风险（风险管理的奥义，在于管理）。
拒绝客户的时间序列评分差异（IT审计的思维），可以去监视，拒绝的客户是不是真的差，改进模型、策略。
其实我自己有几个问题没想明白，记录如下：如何量化衡量客户的还款意愿、联系人信息\企业上下有的风险扩散与识别、客户生命周期的管理（虽然听着有点虚，但确实是很重要的一点，如贷款后客户生意越做越大，就好得很嘛；优质存量客户的经营管理；高风险客户的及时处置）。
附，参考资料：
1、消费信贷业务风控英文词汇手册，https://zhuanlan.zhihu.com/p/25951427
2、信贷圈：贷款审核的核心要素有哪些？，https://zhuanlan.zhihu.com/p/68212780
3、关于信贷业务链条的理解，https://zhuanlan.zhihu.com/p/44400966
