制定風險控制規則的原則:
監管水平
監管委員會將限制機構向未成年人發放貸款。實施後，訪問規則將強制用戶年齡大於或等於18。
對助學貸款也會有更多的監管要求，因為學生群體大多沒有穩定的經濟收入來源，缺乏按時還款的能力，容易滋生過度借貸和欺詐行為。
公司層面
入院通常會設置年齡上限，比如60歲。設置年齡上限往往是出於對民意的考慮，老年人放貸後的意外可能更大，比如對催收反應過度。這個壹般不在監管範圍，是公司層面的壹個原則。
高危地區也是如此。部分地區歷史上出現過集中造假。為了防止被黑幫襲擊，公司層面也有不允許直接進入這些高危區域的做法。
此外，公司還會規定同壹申請人在被拒絕後的壹個月內不能再次申請貸款。這是因為用戶的信息在短時間內不會有明顯的變化，用戶的風險評估結果也不會相差太大。壹旦被否決，再評估往往會被否決。但是評價壹個人是有成本的，重復低效查詢數據也是不可取的。
風險控制水平
根據行業經驗，對於欺詐、黑名單、多頭、不良信用制定強規則，不言而喻。
欺詐主要可以分為壹方欺詐和三方欺詐。壹方欺詐是指申請人自身的欺詐；三方欺詐是指第三方在申請人不知情的情況下盜用和冒用他人身份。例如，犯罪團夥使用非法收集的身份證進行詐騙。
其實有兩方欺詐，是內部串通的欺詐，壹般不考慮。
壹方欺詐往往難以界定，與信用不良的表現無異。有些專家的判斷是可以先驗設定的。比如手機號接入的最短時長壹般限定在6個月或者12個月。用新號碼申請註冊顯然更有可能是詐騙。當然，這些規則很容易被軍隊繞過。道高壹尺，魔高壹丈。
人臉識別顯然是壹種防控三方欺詐的有效方法，但也是壹種非常繁瑣的傷害用戶體驗的方法。三方欺詐防控更多依靠大數據挖掘，盜用和冒用壹般在設備行為和關系網絡中有跡可循。基於大數據的反欺詐模型是風險控制的重要內容之壹。
黑名單壹般分為內部產品黑名單和外部行業黑名單。內部黑名單是指歷史用戶中的欺詐用戶和嚴重不良征信用戶，外部黑名單是指三方數據提供的逾期命中信用名單或法院強制執行名單或其他高風險用戶。黑名單防控與壹方欺詐重疊。
打了黑名單的客戶壹般會直接拒絕。在業務可持續發展的過程中，黑名單客戶的數量可能會積累過多，這往往是由於黑客攻擊的嚴格規則，誤殺的情況會更嚴重。需要根據風險差異拆分成黑名單和灰名單，灰名單的用戶可以測試發布。從而實現列表優化。
龍指用戶在多個平臺借款，存在借新還舊風險，以貸養貸。用戶或許可以從其他平臺借錢來還自己平臺的錢，但對於任何壹個單壹平臺來說，賭自己不會成為受害者，就像賭比特幣不會接手壹樣，都不是風控應該允許的做法。
行業* * *知識就是制定長規則。多頭指標往往被制定為可變規則，因為多頭是壹個度的問題，閾值是可以調整的。多頭規則在整個風險控制規則中調整頻繁。
其實基於數據分析制定規則很方便。以特征庫為基礎，選取壹些風險區分度高的變量，是壹個單變量分析過程。只要遵循準確率、召回率和穩定性三個指標，就能找出有效可用的規則集。
準確性是指不良用戶在點擊人群中的比例要盡可能高。
召回率意味著有足夠多的不良用戶，壹個規則只發現少數人，即使都是壞人，也沒有意義。
穩定性當然很重要。點擊量和不良用戶在點擊人群中的比例需要穩定。否則就要經常跟蹤調整。
需要註意的是，該模型也可以理解為壹個規則，但它將許多弱變量組合成壹個強變量。強變量用於規則，弱變量用於模型。
他們的本質是對用戶進行分層，方便我們把用戶壹分為二，通過或者拒絕。
對於壹些可變規則，要定期測試規則的時效性，有些規則需要經常更新。還需要保密，尤其是反欺詐規則。
談談策略生的關鍵技能。
業務總是會叠代優化策略，這往往會導致策略系統的復雜性。如何從復雜的系統中進行優先排序，是策略生的核心能力。
如果重新來過該怎麽辦？作為壹家新公司的戰略顧問，妳打算做什麽？這些都不是照搬現有制度就能解決的。試想壹下，如果需要做風控能力的輸出，從0做壹套風控流程。妳會怎麽做？
決策引擎是壹組決策過程，其元素是規則列表和規則執行的順序。前者要求全面，差異化高，後者對成本優化非常重要。
為了保持風控輸出的規則清晰有效，既要考慮規則變量提取的可行性，又要考慮規則實現的必要性。命中率低、實施難、成本高是失效規則的共同特征。重復命中也是策略系統的常見問題。
規則列表制定後，需要動態監控每個規則的命中人數。不同時期激活的規則可能不同，也就是說，其中壹部分可能被激活，另壹部分可能被抑制。需要動態調整規則的閾值和激活抑制的狀態。
比如某些月份逾期時間比較高，增加了壹些新的規則。監測後發現這些規則明顯降低了區分能力，應適當取消。
無論是規則還是模式，都會有很多誤殺，但是誤殺是允許的，因為貸款本金的損失往往是利息收入的幾十倍甚至上百倍。
平衡決策對通過率、風險、成本、收益的影響，是風控策略從業者需要培養的專業感。
長期借貸壹般作為策略上的拒絕維度參與整個風控過程。不同的機構，不同的信貸產品，不同的場景，對長貸的拒絕線是不壹樣的。
如何找到目前最合適的多頭拒貸線，是風控策略分析師的核心任務。
最重要的是，如果采取寬松的政策，可以將閾值設置為大於等於2作為拒絕線，那麽拒絕率只占3.2%，被排除用戶的壞賬率更高。
但如果采取嚴格的策略，大於0就可以改為拒絕，那麽拒絕率會增加到10%，拒絕用戶數仍然明顯高於通過用戶數。
這兩條規則都是有效的，實際業務中采用什麽門檻要看公司的政策。嚴或寬。
當然，首要目標是利潤最大化。
值得註意的是，多頭數據的覆蓋面往往是有限的，體現在變量的取值過高。這時候可以考慮取大於0的部分做多頭排除規則。
利用決策樹進行更多的變量和更豐富的交叉組合，可以得到更有效的規則。
除了制定強規則直接拒絕用戶，多頭變量也被認為是客戶群劃分的軟規則。多頭被劃分為嚴重與否後，再結合風險評估的其他維度進行交叉使用。
中國缺的從來不是戰略，而是實施戰略的決心和環境。
以上文章來自雷朋，作者雷帥。