由於你沒有具體提出那種風控，所以我就給你列舉一個，希望對你有所幫助，在不同的業務形態下，風控的宏觀的核心目標都可以概括為：不放過任何一個壞人，不錯殺任何一個好人。 我們以消費貸款業務的的貸前風控場景為例，嘗試解釋在資料環境理想的情況下如何儘可能的達到“不放過一個壞人，不錯殺一個好人”的目標。（在消費金融領域，常見的風控場景有貸前、貸中、貸後。這三個場景也對應業界常說的A卡，B卡，C卡） 在信貸貸前場景，為了達到風控的目標，一般可以分為下面三部分來實現： 在信貸業務中，我們怎麼定義好人和壞人呢？ 首先，我們可以肯定的是，好壞的判定和逾期行為肯定是相關的，但是不能簡單說逾過期的使用者就是壞使用者，也許人家其實想還，只是不小心忘記還款。而且，有的時候，“適當”的逾期還能增加公司的逾期利息收入。同時我們也不能簡單的把目前還沒逾期的使用者直接定義為好使用者。需要透過資料分析的方法，來確認如何定義好人和壞人。 其次，在做資料分析的時候，好壞的判定標準跟逾期金額相關性比較弱，跟使用者的逾期的次數相關性比較強。對於一個使用者來講，逾期三期，這三期欠了一千塊還是欠了一萬塊，他們都是一樣壞的；同樣，一個逾期三期的使用者，一定是比一個只逾期一期的使用者要壞。也就是說我們其實是要定義，使用者逾期多少期，就算一個壞使用者。 滾動率是一個業內常用來衡量使用者逾期轉化的指標，能有效的表達使用者從未逾期或逾期等級較低向逾期等級較高或者完全沒救的狀態的整體情況。可以透過滾動率來分析使用者的逾期程度，從而確定什麼樣的使用者是壞使用者。簡單地說就是以某一時間點為觀察節點，觀察客戶在該點前一段時間內（比如半年）最壞逾期階段，並追蹤其在觀察點之後的一段時間向其他逾期階段發展的情況，特別是向更壞程度發展的情況。 下面我們舉例來看下如何運用滾動率進行逾期程度變化的分析： 要分析滾動率，首先我們先要把我們的使用者，根據情況區分等級，如分成以下等級： 那麼根據上述等級，舉例使用者半年內的滾動率情況如下：（資料純屬虛構） 根據上面的滾動率的資料，我們可以分析得出：（以下數字純屬虛構） 因而，進一步分析我們可以得出，逾期3期以上的客戶，都是無力搶救的客戶了，他們大多都會轉為呆賬，他們都是壞透了的壞客戶了。假如我們想把條件收緊一點，那麼我們可能會選擇逾期3期或者2期就是壞客戶。再假如，如果我要給壞定等級，逾3期及以上可能設定為極度壞，逾3、2期的話可能設定為中毒壞，逾1期的可以設定為輕度壞。 這些特徵將來可以放到風控建模的樣本特徵中來。 同時需要注意的是，在分析滾動率的時候，有必要將使用者按他們各自的賬齡進行分組分析。因為賬齡為3個月的和12個月的使用者，他們的逾期長短的意義是不同的，表現可能也有所不同。最終我們可能會針對不同的賬齡設定不同的好壞客戶標準。 確定了好人和壞人的區分割槽分標準，我們就可以建立評分模型了（我們假設逾期超過3期的使用者是壞使用者） PS：以上分析好人和壞人僅提供了一種思路，在實際的分析過程中可能要結合具體的業務。 建立評分模型 建立評分模型的一般可以分為四個階段： 資料樣本的確立，主要涉及以下幾點： 樣本期間 跟好壞的定義一樣，我們不能透過“經驗”主觀的判斷我們應該設定多長時間的樣本期間，而應該透過資料分析出合理的樣本期間。我們透過觀察正常的使用者，在多長時間以後變壞的比例趨於穩定，來定義樣本期間。如，正常的使用者在10個月後變壞的比例趨於穩定，那麼樣本期間就定義為10個月。 樣本組成 為了讓樣本能為模型提供充分的建模依據，樣本應能儘可能的覆蓋足夠多的好客戶和壞客戶。通常我們能獲取到的樣本資料好客戶會較多，因此實際情況中，我們應儘可能的保證我們樣本中的壞客戶資料不低於總樣本的25%。（25%是行業中的一個參考值） 樣本用途的分配 在建模開發的過程中，我們準備好了充分樣本後，應大致將70%的比例的樣本用於開發建模；將30%左右比例的樣本用於效果驗證。（這裡的70% 和30% 是行業內的參考值） 變數的篩選，主要涉及以下幾點： 變數的篩選 首先我們可能擁有非常多的變數，我們要從手中擁有的資料中挑選或組合出可能影響風險的變數。由於這個數量可能非常多，我們需要對每個變數逐一分析，分析他們其對好壞客戶的預測能力，從而從眾多變數中挑選出有預測能力的變數； 變數屬性的分組 隨後我們對每個變數的每一屬性值進行分析，分析變數內每一屬性區隔好壞客戶的能力，並透過調整變數屬性分組，提升每一屬性的區隔能力 上述兩個步驟涉及到的關鍵指標為：VOI值和WOE值。 VOI值 （Value of Information）：VOI即資訊值，可以協助模型開發人員瞭解各個變數對於目標事件的單一預測能力的高低，藉以挑選出高預測能力的變數進行開發，VOI值的計算公式為： VOI值的判斷標準為（業界參考值）： WOE值 （Weight of Evidence）：WOE值用於衡量每一變數中好客戶和壞客戶戶數比的差異程度，WOE的絕對值越大，表示好壞戶數比的差異越大。且WOE越大，表示該變數越不容易發生違約。WOE值的計算公式為： 我們可以透過給變數重新分組，來提升變數屬性的WOE值和整體的VOI值。 如學歷這個變數，如果我們把學歷分成以下幾個列舉分組的值：初中以下、初中、高中、大專、本科、碩士、博士及以上。他們的WOE和VOI值可能還不錯。但是他們的WOE值很有可能不是單調的，VOI值也都很小，改變分組前 但是如果我們進行一些簡單的合併分組，變成：初中及以下、高中、大專、本科及以上。這時候WOE的值可能就是單調的，VOI值也都被放大了不少，改變分組後 當我們完成對變數進行逐一的VOI值分析，過濾掉了預測能力較低的或者並無預測能力的變數；然後在透過對每一變數的每一屬性進行WOE值分析，調整變數的分組策略，從而使得WOE單調且能獲得更大的VOI值之後，就可以進行模型的建立了。（模型的建立在本文中我們就不展開了哈） 拒絕推論 為什麼需要拒絕推論呢？由於初步建立的模型所採用的樣本皆來自核準透過的案件，這些案件當初都已經經過了徵審人員的篩選，質量相對較好。因此建模時若僅使用核准案件而把拒絕案件都排除在外，將會造成模型的偏誤。問題是拒絕以後的案件，事後無法觀察其實際的表現，也無從得知有哪些案件當時遭到了誤判，因此必須藉助拒絕推論來推測拒絕案件的好壞，以進行模型修正，使未來的模型預測更接近實際情況。 拒絕推論的方法有很多種，如擴充法（先以核准客戶為樣本建立初步模型，接著講拒絕案例套入該模型，以推測其好壞，在與元核准客戶樣本合併建立新模型），模型質量與監控 建立好模型之後為了觀察模型是否持續有效，我們應當為模型設立質量監控。通常我們把他們分為前端監控和後端監控。 前端監控 前端監控主要是觀察現行客戶的型別與模型的開發樣本是否一致並呈穩定的形態。常見的前端監控方式主要有以下幾種： 評分分佈表是統計各個興奮組別的評分客戶數佔全體戶數的比例。舉例如下： 我們可以把評分分佈表畫成柱狀圖，能更直觀的感受： 在評分分佈表的基礎上，我們還可以可以透過“群體穩定度指標（PSI）”進一步量化評分分佈的穩定情況。 PSI，全稱 Population Stability Index，用來衡量評分模型在開發樣本與限行客戶佔比的差異程度。PSI指標越小，代表客戶群體越穩定，PSI越大，代表群體與開發樣本相比越不穩定。但PSI僅顯示客戶群體是否產生變動及變動幅度，而無法確定客戶群體朝哪個方向轉移（高分方向/低分方向），需要透過評分分佈表來判斷。 PSI的計算公式為： 舉例如下：（相關資料純屬虛構） PSI的衡量標準如下（行業參考值）： 除了產出此時的群體穩定度指標外，還可以將各個月的PSI繪圖表示，以便了解PSI的變化趨勢情況。 模型整體出現較不穩定，分佈變化較大時，並不代表模型內所有變數均呈現不穩定的形勢，此時可以透過變數穩定度來分析瞭解可能是什麼變數導致了模型的偏移。 我們可以使用變數分佈差距來衡量變數穩定度，其計算公式如下： 變數分佈差距的絕對值越大，表示變數越不穩定；反之差距絕對值越小，標識變數較為穩定。 在模型的使用過程中，往往還是會有人工干預結果的情況。高分否決率和低分否決率，往往能用來觀察評分模型與徵審人員對於案件風險認知的差距。 高分否決：指評分高於核准點但人工干預拒絕了； 低分否決：指評分低於核准點但人工干預核准了； 高分否決率=高分否決案件數/評分高於核准點的案件數 低分否決率=低分否決案件數/評分低於核准點的案件數 後端監控 後端監控主要是為了觀察評分模型對現行客戶是否仍具備有效的鑑別能力。 常見的後端監控主要有以下幾種： 模型鑑別能力基礎指標包括：準確率、精確率、召回率，這三個指標是在二分類問題中，用於判斷模型好壞的基礎指標。 如圖，所有的資料被分為4個區域： 圖片來自網路 那麼，這三個基礎指標的意義和計算公式如下： 透過這三個指標，能較為直觀的看出模型最終的分類效能情況。但是由於基於評分模型為好壞分類基礎的風控模型，好壞的分類不僅僅由模型決定，還由好壞分類的評分決策點來決定。而這三個基礎指標，並不能帶來與評分相關的效能指標。 因此，我們還需要其他更為有效的監控資料指標，即：好壞客戶評分分佈表。 與前端監控中的評分分佈表的區別是：前端監控的評分分佈表是比較開發樣本與現行評分的不同群體的分佈差距；而後端監控中，好壞客戶評分分佈表是指同一時刻，實際表現為好客戶與壞客戶的評分分佈差距。 舉例如下圖： （相關資料純屬虛構） 根據這個好壞客戶評分分佈表，好客戶大部分分佈在右方高評分組別，壞客戶大部分分佈在左方低評分組別，與期望相符（獲得高評分的為好客戶，獲得低評分的為壞客戶），顯示此評分模型具備較好的鑑別力。同時，該分佈圖也能較為直觀的看出基礎指標中的TP/FP/TN/FN區域 ，模型最終對好壞的分類預測輸出，不僅僅與模型的優劣有關，還與最模型最終的分類決策點有關。這更充分的說明了，僅僅透過基礎指標（準確率、精確率、召回率等），無法更準確的評估模型質量。 模型鑑別度用於衡量評分模型用於判斷全體客戶好壞的能力。通常有K-S值和基尼係數兩種指標。 K-S值：K-S值的概念是各個評分組別中，好壞客戶累計佔比差距最大的數值。若以此數值對應的評分組別作為決策點，則可取的較佳的好壞客戶區隔能力。 由於K-S值僅表示某單一評分組別的好壞客戶差距，不代表所有評分組別的好壞客戶分離程度，所以不以差距最大的評分組別作為決策點時，需參照好壞客戶評分分佈圖，決定何時的決策點。 K-S值的標杆值為30%，即當K-S值大於30%時，代表模型對決策點所在評分組別有較好的區隔能力（行業參考值）。 好壞客戶累計佔比評分分佈圖是將整體評分客戶分為好壞兩個客群，再分別繪製每個客群再各評分組別的累計佔比曲線。由於壞客戶應大部分落在低評分組別中，因此，累計佔比曲線會在低評分組別中快速累計，而好客戶大部分落在高評分組別中，累計佔比曲線會直到高評分組別才快速增加，因此，壞客戶累計佔比曲線應在好客戶累計佔比曲線之上。 同時我們繪製好壞客戶累計佔比差距的曲線，使得我們更易於判斷各個評分組別好壞客戶的差距，差距的最大值即為K-S值。 我們用前文所舉的資料例子作為例項，得到好壞客戶累計佔比評分分佈及差距表： 好壞客戶累計佔比評分分佈圖： Gini係數是用來衡量評分模型鑑別全體客戶好壞能力的一個數值（K-S值僅僅是用來評估單一評分組別的區隔能力）。 Gini係數是由Gini曲線而來。Gini曲線是依據各評分組別所累計的好客戶與壞客戶佔比，分別作為縱軸與橫軸，繪製散點圖，在將各個散點相連而成。（即各個評分組別的壞客戶累計佔比為y軸，好客戶累計佔比為x軸，繪製散點圖） Gini係數的定義為：Gini係數=陰影部分面積/∆ABC的面積 Gini係數的標杆值為40%，即當Gini係數大於40%時，評分模型整體具有較好的鑑別力。（行業參考值） 以此前的資料例子為例，其計算結果為Gini係數=73.69%，即：當Gini曲線為線段AC時，Gini值為0%，代表評分模型無鑑別能力；當Gini曲線為線段ABC時，Gini值為100%，代表評分模型具備完全鑑別能力。 根據我們前文所舉的例子，該模型對於例子中所去的觀察時點的K-S值為59.48%，Gini係數為73.69%，故該模型不僅個別評分組別具有良好的區隔能力，此評分模型整體也具有良好的鑑別力。 當模型鑑別能力下滑時，並不代表模型內所有的變數鑑別度都下滑。此時，可以透過監控變數鑑別度來分析瞭解是哪些變數造成整體評分模型的鑑別能力下滑，從而做出適當的調整動作或重新建立計劃。我們在前文中討論變數的篩選和分組時，曾經提到過的VOI值就是用來衡量變數鑑別度的；同時我們還可以透過前文所提到的WOE值衡量變數在每一屬性區隔好壞客戶的能力強弱。

風控的定義-錯誤的投資與實際損失之間的平衡

從狹義上來說，風控只是對於交易者所持有的頭寸進行風險評估及處理。從廣義的角度來說，風控是交易活動中最重要的活動之一，風控不僅僅侷限於被動的風險管控一類具體的風控活動，也需要對於交易活動的各個層面進行滲透，同事需要培養自己風險意識，從狹義的“控”轉化為廣義的“防”也是可以提高準確率的。

不同的行業，對風控管理不同的。擔保行業是經營信用、管理風險，對風控的管理要更嚴、更高。要建立風險管理體系、“審、保、償"分離制度、廉潔運作制度、專案AB角制度、保後跟蹤制度、風險專案管理規定、專案稽核制度、風險月報制度、擔保業務合同等，只有嚴格執行風控管理制度，才能提高風控準確性。

擔保業務與風險相伴，只有控制好風險才有企業的明天！

你的問題很範範，我不知你想知道哪方面的風控。信貸類風控，還是交易類風控。我是證券投資顧問，我將對交易類風控做出如下解釋。

1，無論什麼證券投資，只要是交易，就必須有風控。這個風控，可以是一種交易系統，也可以是一種交易理念。

2，證券業的風控手段，主要指下單後的止損。這個止損，可以是重要支撐位止損，也可以是固定損失比例止損。例如10%割肉止損就是一種固定比例止損法。

3，證券止損的重要性。證券投資，會遇到很多不確定性事件，例如剛買的股票公司出問題了，政策行業不支援了，大盤指數不穩定了，都有可能讓我們受到很大的損失。如何減少損失，規避風險，那就需要我們進行割肉止損操作了。壯士斷腕，性命猶存。留著青山在，不怕沒柴燒。止損就是發現風險後的一種規避行為。現在的止損出來了，為了以後更好的機遇買入賺錢。

說了這麼多，不知您明白了沒有。證券風控其實就是規避證券投資風險的一種手段。是為了讓我們保留實力，以圖日後再戰的有利保證。

上面是我的觀點，你怎麼看呢？請回復