在快速变化的金融科技领域，风控模型的迭代似乎成了一种常态。然而，这篇文章提出了一个颠覆性的观点：模型快速迭代可能并不像我们想象的那么有效。
严格一点，我想说的是，模型快速迭代基本是无效的。
适用场景是风控模型，什么是快速我不能给你明确定义，但是按周按月一定在里头。
我来论证下这个观点，目的呢，一个是让你别去瞎搞，另一个是让你别去信别人的瞎搞。
我对风控的写作一直是哲学艺术层面的，技术层面的我不能写，也不想写。你不用太相信数据，因为数据有适用性，不一定是定论，但你可以相信我。
那就先来哲学层面的吧。
论据一：信用是稳定的，那么信用模型也应该是稳定的。
信用是稳定的，这句话是可以直接在前面用 ∵ 这个数学符号的，∴ 才有所谓的无信不立，那信用模型应该是很稳定的。但是风险模型却要频繁迭代，那只有一个解释，那就是风险模型的建模目标不等同于信用，而是信用的一个表示，它具备一定的不稳定性。
但总归这个事情是比较稳定的，所以风控模型没必要过于频繁迭代，像搜广推那样。
你得有个度。至于这个度具体是什么，当然也没有定论。我只能说，当你感到不对劲的时候，很可能就真的没有用，如果你对自己的能力有信心的话。
其实上面有几个字很重要：建模目标不等同于信用，而是信用的一个表示。它解释了风险表现的不确定性，因为当A是B的一种表示时，就意味着A是实例而不是B本身，还可以有别的表示。风险呈现了什么样的形态，由用户、平台、市场环境等多方面确定。
论据二：动量策略不一定适用于信贷风控领域。
固定策略下，一万个用户通过了，用前八千样本和后八千样本建模有区别吗？没有区别，因为这里不受策略影响。
当然你硬要说的话，还有一个因素是时间。这个当然是可忽略不计的，行吧，我们也别忽略不计。
时间，可能会使得这两者建模有差别，但却不一定是哪个好哪个坏。用后八千样本建模更好的可能性稍微大一点点，这是认为用最近的样本建模用于未来的预测是更好的。这就是动量策略，其思想是趋势总是倾向于继续。神经网络中的动量优化算法核心思想也是如此。
如上图，斜线和波动线，动量策略效果会差别很大。实际上，除非把波动线切分地足够细，不然，它是不适用的。
信贷市场环境是斜线还是波动线呢？
动量策略还存在一个更大的问题是，风险预测里有一个很长的表现期，例如mob6甚至mob12，也就是说你的样本离现在已经隔了半年甚至一年了。因为这个gap的存在，动量还行不行实际上很不好说。gap一长也可能是周期你说对不对。
论据三：模型衰减是长期的，突变才是短期的，模型迭代解决的是衰减，不是突变。
模型当然是会衰减的，但是衰减是一个长期的词语，短期变化不是衰减而是突变。
长期变化的是，客群不断在迁移，风险关系也在不断变化，这是衰减。
短期变化的是，模型上线后效果突然下降，这是因为模型被使用了，最低分段没了，这是突变。
哪个是有效的？不用说了吧。
……
好了，该说说为什么大家会以为模型快速迭代有效了。
在大家的评估体系中，模型迭代是有用的，因为验证集的ks一直有提升。但是这只是你的评估体系，在真实应用里，它有用吗？
没用。反着想一想吧，v2如果有用，那v3呢，v4呢，你会发现你什么也不用做，你一直在做优化，并且每次都提升很多，请问为什么业务没有更好？
你说你是衰减，你快速迭代实现了前面那个衰减图示的提升。
一个月有什么衰减？如果有，那长期分期产品全是错的。你说是也不是？
模型迭代是不是真实有效，我之前写过，写得非常好，就是这篇《关于那个新老策略模型孰好孰劣的问题》。比较两版模型效果，应该看的是通过率高的客群，是优质客群，而往往大家看的都是劣质客群，因为这些客群效果差，是痛点客群，而只有这些客群效果提升显著。
朋友们，如果你什么都没有做，快速迭代是没有意义的。
那为什么很多团队一直在做迭代呢？很简单啊，这些人总归要找点事做，要找点故事讲。只是，一个系统，内部再怎么折腾，并不增加这个系统外的知识和价值。
《庆余年2》春闱时侯季常说他们来考院搬砖打工不仅是为了混口饭吃，更是为了露脸，结果郭尚书说所有来的人都不会被录用，因为这些人投机取巧人品有问题。你看，有时候表现可能会起到相反的效果。
如果谁说他们团队模型迭代特别多、特别快并引以为傲，你听听就得了，甚至你可以给对方打上一个不太靠谱的标签。
那怎么样让它稳定一点呢？这样就不用瞎折腾了。那当然是优质用户经营，识别准风险，识别准需求，评估好收入，评估好负债，别乱来。
我怎么开始站在监管角度说话了。有点意思哈哈哈哈哈。
本文由人人都是产品经理作者【雷帅】，微信公众号：【雷帅快与慢】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。