近些年来，大数据风控模型几乎是金融行业的当红炸子鸡，如果哪家公司没搞几个模型，那就真不好意思跟同行打招呼了。甚至有些公司把这种模型标准化之后，用作专门的项目审批依据。但是，似乎很少有人怀疑过，这种大数据风控模型的有效性。实际上，这个问题还真不那么简单。本文就来专门讨论一下这个问题。

一、大数据风控模型的基本逻辑

大数据风控模型起源于一种糟糕的炫技经济学——计量经济学。这种经济学把数学和统计学结合，试图利用大量现实数据，构建一套用数学方程来表示市场状况。这种方式看上去的确很唬人，所以很多所谓的专家乐此不疲，几乎到了不用方程就不会说话的地步。当这股风刮入金融行业，所谓的风控模型也就开始出现。

风控模型的逻辑其实也非常简单，认为未来会重复过去，而过去一定存在规律。所以大数据风控的方式就是，采集各种历史数据，然后利用统计学方法，构造拟合方程。这个方程就是未来操作项目的标准模型。当然，现代大数据发展更加深入，也有很多现成的模型可以使用，但是基本思路并没有变化。

对于这个这种方法的发展历史，当然也是经历了诸多重要的变革，如果朋友们有兴趣，可以自行查查资料。因为离本文主旨较远，我就不花太多精力来详细梳理了。我们这里简短说明大数据风控模型的基本逻辑，是为了让大家从底层基本逻辑来看清这种工具到底是什么。

实际上，我相信只要稍微深入思考，就会发现，这套逻辑完全建立在臆想之上。很显然的事实是，历史从来不会重复，任何两个你认为相似的历史事件，必然都能够找到不同之处。除非你在某个自己臆想的层面使用“重复”这个词，否则用重复形容历史都会非常离谱。即使你相信“天下大势，合久必分，分久必合”这种属于历史的重复，也不能否认每一次的分分合合都有不同的表现。

而金融行业面对的，是一个个具体企业和个人，而不是宏大的历史或者国家。这些企业和个人，都没有任何可以用“重复”来形容的特点。没有哪个人是别人的复制品，企业也是一样。当金融行业使用这样的基本逻辑来处理风险，甚至量化风险，实际上没有什么意义。

到这儿，大家可能以为本文的观点是，标准风控模型一无是处。实际上也并非如此。不过，进一步的观点我放在最后。下面先来看看担保公司的标准风控模型是一个什么状况。

二、担保公司的标准风控模型陷阱

对于担保公司而言，风控模型实际上也具有自身独特的问题。主要问题是下面这两个：

（一）数据不足

当担保公司也开始使用大数据风控模型的时候，基本逻辑当然也不会有什么不同。但是，与银行、证券和保险这些主流金融行业相比，担保公司有一个天然的劣势——数据不足。

担保公司由于只专注于贷款相关业务，这意味着他们的所掌握的数据，本身就被限制在贷款相关方面，天然具有局限性。而由于本身处在一个夹缝市场，本身就意味着业务量不会很大。以一些头部担保公司为例，通常全年担保项目数量大致在10000个上下。项目数量一般又往往多于客户数量，因为一个客户可能因为某些原因拆分成多个项目来操作。我们假设每个客户的各个维度数据为一组有效数据，每年就是1万组，10年是10万组数据。我们即使以最极端的假设，担保行业30年，一家担保公司每年都能做1万个客户，那也就是30万组数据。这个数据量不知道大家觉得怎么样呢？

实际上，即使这极端估计的数据量，懂点儿数据分析的朋友都知道，这也依然是在Excel的处理能力范围内，大概也就是处理速度稍微慢点儿。其实我相信每个从业者都知道，绝大多数担保公司，根本达不到这个数据量。更不要说在拟合模型的时候，还需对数据进行清洗、淘汰，最终可用的数据量就更少。这样的数据量，根本谈不上“大”数据。样本数据的缺乏，就是担保公司做风控模型的第一障碍。这个障碍直接导致模型的拟合度偏低。

在这个天然限制之下，担保公司所做的数据模型，就不得不加入一些人为干预因素。各种参数的设置，其实不是数据分析的结果，而是个人经验的总结。甚至有些参数的确定，几乎可以用“随意”来形容。当然，我们不能说这种方式就一定错误。实际上，以担保公司的情况，使用这种方式本身也是一个合理的选择。经验对控制风险当然也是有用的。只不过，这种方式我们实在不能称为“大数据”模型。并且这样的设计方式，其实也导致了模型本身的主观调整性增强。这一点在使用上，本身就会产生问题。

（二）模型偏见

当然，除了数据不足的这个问题之外，担保公司的标准模型还有一个更为严重的问题。我们知道，担保公司的担保项目操作过程通常是这样：

项目往往来源于银行推荐，之后项目经理接触客户，判断可以操作之后进入审批流程，经过审批之后形成完整方案，之后与客户签署合同，在落实完反担保措施之后向银行出具放款资料，最后由银行完成放款。

上述每一步，实际上都是一个筛选过程。银行推荐项目时，已经根据银行自身的标准对项目进行了筛选，之后再度经过项目经理筛选，审批流程中的相关风控人员筛选，敲定最终方案时客户的意愿筛选以及放款流程中考核的配合度和银行合规的筛选。最终完成的项目都是经过这层层筛选之后，担保、银行和企业三方相互认可的结果。

这个结果就意味着，实际上最终能够实际成为担保公司客户的企业，本身就已经是经过层层清理之后剩下的项目。当担保公司以这些项目所积累下来的数据作为数据样本，据此拟合出来的模型，就会天然存在“偏见”。这个现象我们就称为——模型偏见。

“模型偏见”是担保公司的风控模型必然存在的问题。这种偏见就意味着，在使用这些模型应对那些数据分布情况差异比较大的数据样本时，就会产生相当大的偏差。实际上，只要市场状况发生变化，模型结果往往不可靠。而担保公司的应对措施就是，人为调整参数。不过，从担保公司的业务操作方式来看，这种偏见不可能被消除。

上面这两点，就是担保公司在使用标准风控模型时面临的陷阱。那么这两个陷阱是不是进一步让标准模型显得相当鸡肋呢？最后我们就来讨论这个问题，而这个问题的本质就是：

三、标准风控模型应该怎么用？

标准风控模型，归根到底是我们担保业务操作中的一个工具。虽然他有诸多问题，甚至在底层逻辑上都是不完善的，但是这并不意味着这个工具没用。

标准模型的底层逻辑虽然错误，但是从经验上来看，我们人类做任何行动选择，本就不会由某个绝对正确的法则确定，反而是按照一些模糊的未必100%正确的经验来做出选择。这个标准模型，正是这种经验思路的产物。前面说的那两个陷阱，也同样是采用经验总结的方法必然存在的问题。而人的经验，最根本的作用是什么呢？实际上并不是给我们做选择决策提供标准，而是协助我们做决策时提高效率。这些标准模型，能够起到的作用也恰恰如此。

这些模型绝不可能发现我们人所不能发现的风险，也绝不可能屏蔽所有风险。如果我们在操作担保项目时，完全由这些模型来决定一个项目能不能操作，实际上是本末倒置。但是在我们面对大量项目要处理，要选择应该处理哪些项目，或者应该对哪些项目分配更多的精力时，这些标准模型就起到了重要的作用。

值得欣慰的是，当前的实务中，实际上大家通常还是按照正确的方式在使用模型，并没有把最终决策交给标准模型。但是以笔者的观察而言，这并不是因为所有人都认识到标准风控模型的问题，而是由于担保公司的业务操作惯性，目前还没能让模型成为主导。未来随着大数据技术、信息技术以及AI技术的持续发展，会不会真的出现完全模型化风控的担保公司，我也无法预测。但是可以确定的是，标准模型对于决策的影响力，依然处在持续上升的趋势中。

所以笔者还是希望我们担保从业者，不论是在项目操作还是模型设计的过程中，都能够充分思考标准风控模型的问题，把这项技术当成一个有效的效率工具，而非决策工具来使用。也只有这样，才能让我们担保行业在面临这些新技术的冲击时，依然能获得更加长远的发展之路吧。