我设计了十道题，测试一下你的风控水平。我要测的是你的经验，你的感觉，你的认知，不是你的计算能力。
没有一道题需要你的计算，更不用你记住psi、iv、ks、auc、lift的计算公式，不需要你了解vintage、滚动率的概念，不需要你知道xgb、lr、nn的算法原理，需要的是你用心去思考。
我对你的风控是什么水平毫无兴趣。我们唯一的关联是，我是写作者，你是阅读者，你花了时间，我得了快乐。为了放大这份快乐，回馈你的时间，我希望你能得到最大的收获。
你可以先作答这十道题，但不要以快速答完为第一目的，有所启发是最好的。我后面会给出答案。
大部分人都会答对大部分题，不要因此而高估自己的水平。因为给出了题目，就给出了启示。重要的是什么呢？是你所有的决策和选择，工作也好，生活也罢，有没有将其融化在内。
我会给答案的，但请不要直接划下去。你还可以回到前面去反复思考。
多写一点相关又不相关的东西吧，这样可以延缓你看到答案的时间。
我有一个朋友，她奉行试验出真知。不能证伪皆为可能。
我奉行逻辑与哲学。逻辑是就是是，不是就是数据是错的。
你很容易发现这一点。
我继续说，我感觉人就应该不断地去干自己不太懂的事情。
她表示赞成，说体验最重要。
我说，我的理由是主要可以避免觉得别人是傻逼。
学习，应该学事物的本质，而不是事物的表现形式。当你回顾过去时，事物表现出了某种形式，但你看向未来时，事物将呈现出无数种可能。而这无数种可能，背后由一种本质决定。
我所有的文章，都是想让你搞明白，你应该做什么，以及为什么这样做。
1、流量质量 vs 风控水平
不要标榜你的风控水平，流量质量好比风控水平高重要一百倍。所以我回复了一个留言说，获客质量的重要性远高于风控，但市场变红海了之后，运营就没啥用了，这是需要认清的客观现实。
如果你不能理解的话，想想这个例子吧。有些机构搞白名单邀请制，它们的风险能高到哪去，它们的风控水平可以说是没有。你再想想黑名单，你要真触及黑灰产了，风控水平高又能好到哪去。
你交朋友，交那些正直的、诚信的、见识广的，你心多大都没关系。交那些卑鄙的、虚伪的、见识浅的，你心眼多也不够。
2、通过率 vs
风险
如果你要看一个业务的风险高还是低，其实，看业务的批核率就行了。
一个业务，如果它的天然批核率很高，那它的风险就一定很低，而如果一个业务的批核率本身到了10%左右，那它的风险肯定是高的。
原因是业务一定是理性的，收益为负的拒绝掉，收益为正的留下来，而不是通过率不断压低，从而获得一个最低的风险。
通过率高是因为风险低，而不是因为通过率低而风险低。因果关系别搞反了。
3、模型效果过拟合
工程实践中，复杂模型往往训练验证效果差异大，简单模型差异小，这是大家都知道的一种过拟合。但如果复杂模型验证集上效果好于简单模型，它几乎会永远好。
根本就不是你以为的，35变到了30，然后很快就28，到25，到23，到20，而27的会永远是27。
过拟合从来不是什么问题。
除非，，，你的数据有问题。
例如企业端贷款，样本太少了，而且一企一策，工商、财报、司法等数据被策略差异化应用，贷后管理也各有不同，结果使得样本特征规律非常混乱。例如企业注册资金、公司股东人数和风险关系不单调。这时候，你去分箱，去用LR，去做简化，不做复杂，避免过拟合，这是对的。
对个人信用贷款，样本规模大，人为干预小，数据规律都有效，模型过拟合根本就不是问题。
4、识别逾期后结清的用户，营销他促活他
这是建模目标的过拟合。它是真正重要的过拟合，而不是上面的建模效果。
表现期Ever逾期但期末不逾期的用户，带来了最大的收益，既得到了利息，还多收了罚息，本金也没有损失。那为什么不能建模预测这部分人，营销他们促活他们呢？
当我们用过去的表现建模预测未来的表现时，我们首先相信的是一点，未来是过去的某种重复。过去好，未来也好，过去坏，未来会坏。但是在逾期后结清上你绝对不相信这一点：逾期后还款的人倾向于一直逾期后还款。
你用计算可以轻易证明。逾期30+后结清的人，未来的风险肯定显著大于大盘的风险。那些某个时点之后逾期又结清的人，并不主要来自过去逾期结清的人，而是由过去的好用户恶化而成。
由于此点论据颇为明显，我就不帮你算了。
建模目标可以是ever逾期，也可以是期末逾期，但不能是ever逾期且期末不逾期。
5、用户变坏的特征
其实我们就是在说bad case分析。请描述你的坏用户的特征，按重要性顺序。
他们都是逾期30+的用户。这，这，这，except this one。我们分析特征是为了事前做管控，逾期30+已经是无奈的事后了。
