投資互金多年，風雨桀驁，不屈不撓。行業這幾年被毒打如家常便血，三天兩頭，膽戰心驚，為點碎銀操碎了心。一直以來，我都有兩個互金持倉，一個是360數科，另一個就是樂信。雖然數（科）九寒天，但也樂（信）此不疲，我始終認為行業春天不遠。

反正最壞的已經過了，我這個死多頭，會撐到底。

這次有機會見到喬楊老師，樂信的CRO，他是業內比較早研究、實踐大數據風控的專家，之前在Discover和京東數科擔任過管理職位，跟我也是前同事。喬老師寫過一本信用評分建模的教程叫《數據化風控》，我讀了一遍很受益，大家有興趣也可以讀一讀。

目前樂信的風控能力看起來確實比較牛逼：

為論述簡單起見，我從電商零售行業里借用一個概念，以下將平臺的借款額稱為GMV。

截止2021年Q2，樂信資產質量達到兩年最優，首逾率只有4.92%，同比下降 40%，同時不良回收率同比上升了30%。另外一個比較核心的指標，FPD30（First Payment Default 30，指首個還款日后30天逾期的GMV除以下單月訂單GMV的比例）則達到0.62%，也刷了歷史新低。這個指標過去12個月連續穩定在1%之下。

那么如何做到這個風控結果：用行業來說，就是在充分利用大數據的基礎上，搭建基于AI的風險管理體系。原則是最小化人的主觀因素，最小化人工操作風險。簡單論述一下：

1. 抽象數據下的AI風控

我認為現代性的本質，就是具象事物的抽象化與數據化，以便于某些人開展進一步的捕捉、管理、預測等騷操作。對于人類尊嚴這個層面，這種抽象是一種踐踏；但對工業化生產與商業效率而言，抽象的威力簡直堪比火車頭，也是現代社會的起步。藝術也是如此，你畫個逼真到堪比光學鏡頭下的照片的，這不就叫現代藝術，這是古代的照相術；而你畫的人像只有一些殘枝敗葉，才是現代藝術。

在信用業、金融業里，對于人抽象，就是給其做信用畫像（credit profile），比較有名的比如5C模型——character, capacity, capital, collateral, conditions；又比如信用評分，從此你是不是靠譜——用馬克思韋伯的話來說——就不是一個價值理性，而近似為為一個工具理性；就不是籠統的好壞，而變成了多好與多壞。比如，潘驢的信用評分是720分，而鄧小閑的信用評分是660分，那么我們不僅知道潘驢的信用要比鄧小閑好，我們還能量化地知道潘驢比鄧小閑要好60分。

這個人喜不喜歡讀康德對于其會不會守約還錢有沒有影響？可能有，但影響不太大。那喜歡吃披薩而不是燒餅呢？估計沒什么影響。而對于信用卡、消費貸、現金貸這種無抵押的貸款而言，借款人的抽象無非是字段，年齡、性別、婚姻、學歷、職業、住房、居住地、貸款金額、期數，等等，并施以權重。你可以有一個長變量列表（long list），然后將其篩選成更有區隔力與預測力的短變量列表（short list），篩除掉諸如喜不喜歡讀康德這樣比較不C位的變量，通過正確定價或者有利于出借人的錯誤定價來賺錢。

貸中的觀察也可以用一套抽象，比如什么是壞，可以界定為違約就是壞，比如界定為未來一年內出現M2以上逾期、催收、呆賬、強停、拒往、協商，就是違約，就是壞。什么是“中性”或者“不好不壞”，比如“半年內有一次M1”就算不好不壞，無鮮明的風險特征，很難判斷好壞。這樣又是把一個價值理性問題（判斷好壞）近似成了一個工具理性問題（判斷高低），為的就是好解決問題。

隨計算機科學的發展、人工智能的崛起、不同算法玩命兒式的迭代，這樣的數據可以越來越豐富，數據處理可以越來越精細化，策略可以越來越得心應手。樂信搭建了一整套基于人工智能的風險策略系統，而底層技術靠啥——大數據、人工智能、區塊鏈、云計算等等前沿科技。以下是走來的是樂信風控方陣：

但光有這些其實是不夠的的。至少在此時此刻，我們還不能完全把所有決策，都交給機器人。

2. 人類介入的管理與監控

所以我們一定還要有一整套的有“人類專家”介入的管理體系，去監控、管理上述一整套基于AI的策略功能體系。比如樂信怎么做，他們搭建了一套可以認為干預的系統，分析、監控并預警風險，完成按天、按周、按月一整套的追蹤預警分析機制。

以下這段話喬陽老師說得很到位，我就直接引用了。

“比如在‘ 按天’這個維度上，可以對實時壞帳率有一個預測，比如對風險指標的一些目標進行走勢的預測，包括核心指標影響力的自動化評估，在周期里我們可能基于大盤各業務進行收益的復盤，在每月的維度，我們可以去根據人群的風險識別以及策略效能進行管控。

有了這套系統，基于我們的壞帳預測，我們能夠把我們的策略、模型價值、用戶管理、催收運營，這一系列指標拆分到天的維度，基于我們的體系，按天的維度去追蹤我們目標達成是否出現偏差，如果出現偏差我們可以用自動化算法，把造成偏差的‘ 罪魁禍首’展現出來，再進行針對化的一些風險管控和攔截。

比如我們在今年早期發現我們的入催率有一定的上升，我們自動化預警系統就發現了這個趨勢提出了預警，那有了這個預警，我們的自動化歸因系統就會對這個波動產生最大的一些影響，根據氣泡圖的方式展現出來，氣泡的大小代表影響力的大小。”

專家的話比較抽象，我來舉個例子。有一批人，可能既是樂信也是某唄授信用戶。今年初，某寶對某唄用戶搞了一波降額和關帳戶的操作，這批用戶的流動性就出現壓力，樂信就可以快速分析并定位出這批用戶風險上升。但這畢竟還是一個粗分類，再通過自動化檢測數據，一鍵拆分，把造成風險上升的用戶再精細到不同的用戶分組，最后針對不同用戶分組人群，進行針對性的策略攔截和管控。

3. 高增長下的優化邏輯

當然數據風控極大增加了效率，提高了通過率，也降低了壞賬率，這些我認為都是創新之于金融業的效率的提升；而更多的人能享受到普惠金融，也可以說是一種公平的提升。效率與公平都得到了照顧。

當然我們也要注意，過往這個行業增速非?？?，所以也就是分母增長非?？?，壞賬率自然比較低。信用卡的不良率為什么會相對比較高（不良率定義為M3+，遠超1%），且長期降不下來？就是因為信用卡整個行業發展停滯，分母增長極慢。所以互金在增速下降后是否還能維持現在的壞賬率，能夠解決信用卡一直解決不了的問題，是行業的挑戰。

在整個監管趨嚴和利率下沉的趨勢下，各家互金平臺的風控管理能力，需要更高的要求。樂信之前在搭建整個風險定價和額度體系的時候，或許在意的是怎么去提升GMV；但現在，尤其是利率下行的市場環境下，管理層會更在乎，在風控技術架構以及系統完善后，能夠通過精細化運營，兼顧各方面的影響因素，來實現針對不同人群進行不同定價（額度、利率等），以保證利潤和整個業務能健康增長。

結語

達爾文有句話，叫不是最強的物種，也不是最聰明的物種能夠生存下來，而是那些最能適應變化的。我認為擁抱數據化風控互金有這方面的潛質，沒有最強的模型，沒有最聰明的算法，只有適應于現在的風控系統；而對于未來的不確定性，我們也仍然要有敬畏之心。

我們永遠都不要忘了，數據只反映過去，因為它們是來自于過去，它們對未來有一定的預見力、洞見力，但是它們不能100%準確預言未來，甚至90%也做不到。金融風險，債務危機，我們幾乎能說，無論我們怎么預防，都難以避免；本來在模型里趨于完美的借款人，理性經濟人，他們在可能會黑化變身，導致壞賬?？傊耸且粋€復雜的因素，你將其簡化成一串串數字、一行行代碼、一個個算法，在效率上確實有效，但也肯定不是萬全之舉。

人類有個毛病就是急于求成，常常錘子還沒研究透，就開始到處找釘子。這個問題，整個數字化創新的行業都要面對。而對于信用行業、金融行業而言，所有風控從業者都應該認識到，沒有百分百完美的模型，只有相對適應于當下的模型。對于未來的不確定性，我們都應該保守地留有余地。知識的僭妄永遠是高懸在人類頭頂的一把劍，我們不可不察。

在這種清醒下，我們來看樂信的風控，或者我們說的數字化大風控，給整個行業帶來的重塑，就更有意義；我保持審慎樂觀，我也相信樂信這樣的互金公司在數字化風控上的迭代，是一個可以長期投資的方向。

正好昨天樂信也發了財報，數字來看依然保持穩步高速的增長，而多項核心指標也繼續創歷史新高。我在文章最后簡單帖下數據吧，有興趣的可以交流。

Q2營收33億, 息稅前利潤10.01億元（Non—GAAP），同比增長85%；

促成借款額達到606億元，同比增長47.6%；

注冊用戶數達到1.44億，連續8個季度增長超千萬；

授信用戶達到3290萬元，同比增長45.2%；

90天以上的逾期率為1.85%，新增借款FDP30連續12個月小于1%。

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。