投资互金多年，风雨桀骜，不屈不挠。行业这几年被毒打如家常便血，三天两头，胆战心惊，为点碎银操碎了心。一直以来，我都有两个互金持仓，一个是360数科，另一个就是乐信。虽然数(科)九寒天，但也乐(信)此不疲，我始终认为行业春天不远。

　　反正最坏的已经过了，我这个死多头，会撑到底。

　　这次有机会见到乔杨老师，乐信的CRO，他是业内比较早研究、实践大数据风控的专家，之前在Discover和京东数科担任过管理职位，跟我也是前同事。乔老师写过一本信用评分建模的教程叫《数据化风控》，我读了一遍很受益，大家有兴趣也可以读一读。

　　目前乐信的风控能力看起来确实比较牛逼：

　　为论述简单起见，我从电商零售行业里借用一个概念，以下将平台的借款额称为GMV。

　　截止2021年Q2，乐信资产质量达到两年最优，首逾率只有4.92%，同比下降 40%，同时不良回收率同比上升了30%。另外一个比较核心的指标，FPD30(First Payment Default 30，指首个还款日后30天逾期的GMV除以下单月订单GMV的比例)则达到0.62%，也刷了历史新低。这个指标过去12个月连续稳定在1%之下。

　　那么如何做到这个风控结果：用行业来说，就是在充分利用大数据的基础上，搭建基于AI的风险管理体系。原则是最小化人的主观因素，最小化人工操作风险。简单论述一下：

　　1. 抽象数据下的AI风控

　　我认为现代性的本质，就是具象事物的抽象化与数据化，以便于某些人开展进一步的捕捉、管理、预测等骚操作。 对于人类尊严这个层面，这种抽象是一种践踏;但对工业化生产与商业效率而言，抽象的威力简直堪比火车头，也是现代社会的起步。艺术也是如此，你画个逼真到堪比光学镜头下的照片的，这不就叫现代艺术，这是古代的照相术;而你画的人像只有一些残枝败叶，才是现代艺术。

　　在信用业、金融业里，对于人抽象，就是给其做信用画像(credit profile)，比较有名的比如5C模型——character, capacity, capital, collateral, conditions;又比如信用评分，从此你是不是靠谱——用马克思韦伯的话来说——就不是一个价值理性，而近似为为一个工具理性;就不是笼统的好坏，而变成了多好与多坏。比如，潘驴的信用评分是720分，而邓小闲的信用评分是660分，那么我们不仅知道潘驴的信用要比邓小闲好，我们还能量化地知道潘驴比邓小闲要好60分。

　　这个人喜不喜欢读康德对于其会不会守约还钱有没有影响?可能有，但影响不太大。那喜欢吃披萨而不是烧饼呢?估计没什么影响。而对于信用卡、消费贷、现金贷这种无抵押的贷款而言，借款人的抽象无非是字段，年龄、性别、婚姻、学历、职业、住房、居住地、贷款金额、期数，等等，并施以权重。你可以有一个长变量列表(long list)，然后将其筛选成更有区隔力与预测力的短变量列表(short list)，筛除掉诸如喜不喜欢读康德这样比较不C位的变量，通过正确定价或者有利于出借人的错误定价来赚钱。

　　贷中的观察也可以用一套抽象，比如什么是坏，可以界定为违约就是坏，比如界定为未来一年内出现M2以上逾期、催收、呆账、强停、拒往、协商，就是违约，就是坏。什么是“中性”或者“不好不坏”，比如“半年内有一次M1”就算不好不坏，无鲜明的风险特征，很难判断好坏。这样又是把一个价值理性问题(判断好坏)近似成了一个工具理性问题(判断高低)，为的就是好解决问题。

　　随计算机科学的发展、人工智能的崛起、不同算法玩命儿式的迭代，这样的数据可以越来越丰富，数据处理可以越来越精细化，策略可以越来越得心应手。乐信搭建了一整套基于人工智能的风险策略系统，而底层技术靠啥——大数据、人工智能、区块链、云计算等等前沿科技。以下是走来的是乐信风控方阵：

　　但光有这些其实是不够的的。至少在此时此刻，我们还不能完全把所有决策，都交给机器人。

　　2. 人类介入的管理与监控

　　所以我们一定还要有一整套的有“人类专家”介入的管理体系，去监控、管理上述一整套基于AI的策略功能体系。比如乐信怎么做，他们搭建了一套可以认为干预的系统，分析、监控并预警风险，完成按天、按周、按月一整套的追踪预警分析机制。

　　以下这段话乔阳老师说得很到位，我就直接引用了。

　　“比如在‘ 按天’这个维度上，可以对实时坏帐率有一个预测，比如对风险指标的一些目标进行走势的预测，包括核心指标影响力的自动化评估，在周期里我们可能基于大盘各业务进行收益的复盘，在每月的维度，我们可以去根据人群的风险识别以及策略效能进行管控。

　　有了这套系统，基于我们的坏帐预测，我们能够把我们的策略、模型价值、用户管理、催收运营，这一系列指标拆分到天的维度，基于我们的体系，按天的维度去追踪我们目标达成是否出现偏差，如果出现偏差我们可以用自动化算法，把造成偏差的‘ 罪魁祸首’展现出来，再进行针对化的一些风险管控和拦截。

　　比如我们在今年早期发现我们的入催率有一定的上升，我们自动化预警系统就发现了这个趋势提出了预警，那有了这个预警，我们的自动化归因系统就会对这个波动产生最大的一些影响，根据气泡图的方式展现出来，气泡的大小代表影响力的大小。”

　　专家的话比较抽象，我来举个例子。有一批人，可能既是乐信也是某呗授信用户。今年初，某宝对某呗用户搞了一波降额和关帐户的操作，这批用户的流动性就出现压力，乐信就可以快速分析并定位出这批用户风险上升。但这毕竟还是一个粗分类，再通过自动化检测数据，一键拆分，把造成风险上升的用户再精细到不同的用户分组，最后针对不同用户分组人群，进行针对性的策略拦截和管控。

　　3. 高增长下的优化逻辑

　　当然数据风控极大增加了效率，提高了通过率，也降低了坏账率，这些我认为都是创新之于金融业的效率的提升;而更多的人能享受到普惠金融，也可以说是一种公平的提升。效率与公平都得到了照顾。

　　当然我们也要注意，过往这个行业增速非常快，所以也就是分母增长非常快，坏账率自然比较低。信用卡的不良率为什么会相对比较高(不良率定义为M3+，远超1%)，且长期降不下来?就是因为信用卡整个行业发展停滞，分母增长极慢。所以互金在增速下降后是否还能维持现在的坏账率，能够解决信用卡一直解决不了的问题，是行业的挑战。

　　在整个监管趋严和利率下沉的趋势下，各家互金平台的风控管理能力，需要更高的要求。乐信之前在搭建整个风险定价和额度体系的时候，或许在意的是怎么去提升GMV;但现在，尤其是利率下行的市场环境下，管理层会更在乎，在风控技术架构以及系统完善后，能够通过精细化运营，兼顾各方面的影响因素，来实现针对不同人群进行不同定价(额度、利率等)，以保证利润和整个业务能健康增长。

　　结语

　　达尔文有句话，叫不是最强的物种，也不是最聪明的物种能够生存下来，而是那些最能适应变化的。我认为拥抱数据化风控互金有这方面的潜质，没有最强的模型，没有最聪明的算法，只有适应于现在的风控系统；而对于未来的不确定性，我们也仍然要有敬畏之心。

　　我们永远都不要忘了，数据只反映过去，因为它们是来自于过去，它们对未来有一定的预见力、洞见力，但是它们不能100%准确预言未来，甚至90%也做不到。金融风险，债务危机，我们几乎能说，无论我们怎么预防，都难以避免;本来在模型里趋于完美的借款人，理性经济人，他们在可能会黑化变身，导致坏账。总之人是一个复杂的因素，你将其简化成一串串数字、一行行代码、一个个算法，在效率上确实有效，但也肯定不是万全之举。

　　人类有个毛病就是急于求成，常常锤子还没研究透，就开始到处找钉子。这个问题，整个数字化创新的行业都要面对。而对于信用行业、金融行业而言，所有风控从业者都应该认识到，没有百分百完美的模型，只有相对适应于当下的模型。对于未来的不确定性，我们都应该保守地留有余地。知识的僭妄永远是高悬在人类头顶的一把剑，我们不可不察。

　　在这种清醒下，我们来看乐信的风控，或者我们说的数字化大风控，给整个行业带来的重塑，就更有意义;我保持审慎乐观，我也相信乐信这样的互金公司在数字化风控上的迭代，是一个可以长期投资的方向。

　　正好昨天乐信也发了财报，数字来看依然保持稳步高速的增长，而多项核心指标也继续创历史新高。我在文章最后简单帖下数据吧，有兴趣的可以交流。

　　Q2营收33亿, 息税前利润10.01亿元(Non—GAAP)，同比增长85%;

　　促成借款额达到606亿元，同比增长47.6%;

　　注册用户数达到1.44亿，连续8个季度增长超千万;

　　授信用户达到3290万元，同比增长45.2%;

　　90天以上的逾期率为1.85%，新增借款FDP30连续12个月小于1%。