在快速變化的金融科技領域，風控模型的疊代似乎成了一種常态。然而，這篇文章提出了一個颠覆性的觀點：模型快速疊代可能并不像我們想象的那麼有效。
嚴格一點，我想說的是，模型快速疊代基本是無效的。
适用場景是風控模型，什麼是快速我不能給你明确定義，但是按周按月一定在裡頭。
我來論證下這個觀點，目的呢，一個是讓你别去瞎搞，另一個是讓你别去信别人的瞎搞。
我對風控的寫作一直是哲學藝術層面的，技術層面的我不能寫，也不想寫。你不用太相信資料，因為資料有适用性，不一定是定論，但你可以相信我。
那就先來哲學層面的吧。
論據一：信用是穩定的，那麼信用模型也應該是穩定的。
信用是穩定的，這句話是可以直接在前面用 ∵ 這個數學符号的，∴ 才有所謂的無信不立，那信用模型應該是很穩定的。但是風險模型卻要頻繁疊代，那隻有一個解釋，那就是風險模型的模組化目标不等同于信用，而是信用的一個表示，它具備一定的不穩定性。
但總歸這個事情是比較穩定的，是以風控模型沒必要過于頻繁疊代，像搜廣推那樣。
你得有個度。至于這個度具體是什麼，當然也沒有定論。我隻能說，當你感到不對勁的時候，很可能就真的沒有用，如果你對自己的能力有信心的話。
其實上面有幾個字很重要：模組化目标不等同于信用，而是信用的一個表示。它解釋了風險表現的不确定性，因為當A是B的一種表示時，就意味着A是執行個體而不是B本身，還可以有别的表示。風險呈現了什麼樣的形态，由使用者、平台、市場環境等多方面确定。
論據二：動量政策不一定适用于信貸風控領域。
固定政策下，一萬個使用者通過了，用前八千樣本和後八千樣本模組化有差別嗎？沒有差別，因為這裡不受政策影響。
當然你硬要說的話，還有一個因素是時間。這個當然是可忽略不計的，行吧，我們也别忽略不計。
時間，可能會使得這兩者模組化有差别，但卻不一定是哪個好哪個壞。用後八千樣本模組化更好的可能性稍微大一點點，這是認為用最近的樣本模組化用于未來的預測是更好的。這就是動量政策，其思想是趨勢總是傾向于繼續。神經網絡中的動量優化算法核心思想也是如此。
如上圖，斜線和波動線，動量政策效果會差别很大。實際上，除非把波動線切分地足夠細，不然，它是不适用的。
信貸市場環境是斜線還是波動線呢？
動量政策還存在一個更大的問題是，風險預測裡有一個很長的表現期，例如mob6甚至mob12，也就是說你的樣本離現在已經隔了半年甚至一年了。因為這個gap的存在，動量還行不行實際上很不好說。gap一長也可能是周期你說對不對。
論據三：模型衰減是長期的，突變才是短期的，模型疊代解決的是衰減，不是突變。
模型當然是會衰減的，但是衰減是一個長期的詞語，短期變化不是衰減而是突變。
長期變化的是，客群不斷在遷移，風險關系也在不斷變化，這是衰減。
短期變化的是，模型上線後效果突然下降，這是因為模型被使用了，最低分段沒了，這是突變。
哪個是有效的？不用說了吧。
……
好了，該說說為什麼大家會以為模型快速疊代有效了。
在大家的評估體系中，模型疊代是有用的，因為驗證集的ks一直有提升。但是這隻是你的評估體系，在真實應用裡，它有用嗎？
沒用。反着想一想吧，v2如果有用，那v3呢，v4呢，你會發現你什麼也不用做，你一直在做優化，并且每次都提升很多，請問為什麼業務沒有更好？
你說你是衰減，你快速疊代實作了前面那個衰減圖示的提升。
一個月有什麼衰減？如果有，那長期分期産品全是錯的。你說是也不是？
模型疊代是不是真實有效，我之前寫過，寫得非常好，就是這篇《關于那個新老政策模型孰好孰劣的問題》。比較兩版模型效果，應該看的是通過率高的客群，是優質客群，而往往大家看的都是劣質客群，因為這些客群效果差，是痛點客群，而隻有這些客群效果提升顯著。
朋友們，如果你什麼都沒有做，快速疊代是沒有意義的。
那為什麼很多團隊一直在做疊代呢？很簡單啊，這些人總歸要找點事做，要找點故事講。隻是，一個系統，内部再怎麼折騰，并不增加這個系統外的知識和價值。
《慶餘年2》春闱時侯季常說他們來考院搬磚打工不僅是為了混口飯吃，更是為了露臉，結果郭尚書說所有來的人都不會被錄用，因為這些人投機取巧人品有問題。你看，有時候表現可能會起到相反的效果。
如果誰說他們團隊模型疊代特别多、特别快并引以為傲，你聽聽就得了，甚至你可以給對方打上一個不太靠譜的标簽。
那怎麼樣讓它穩定一點呢？這樣就不用瞎折騰了。那當然是優質使用者經營，識别準風險，識别準需求，評估好收入，評估好負債，别亂來。
我怎麼開始站在監管角度說話了。有點意思哈哈哈哈哈。
本文由人人都是産品經理作者【雷帥】，微信公衆号：【雷帥快與慢】，原創/授權 釋出于人人都是産品經理，未經許可，禁止轉載。
題圖來自Unsplash，基于 CC0 協定。