金融和風險掛鉤，一般而言，風險越大，金融收益越高。對於抵押貸款公司來說，期望的就是在把控風險的前提下，獲得最大的經濟收益。貸款公司一般從兩方面控制風險，一方面在信審階段，通過家訪以及風控模型，儘可能阻擋可能發生壞賬的“壞人”；另一方面，在貸後階段，根據逾期情況，儘可能的對抵押物進行保值。
信審階段的風險把控，主要通過採集人的信息，例如居住、收入、工作等，加上第三方平臺信息，如央行的徵信，同盾的不良信息查詢等，進一步構建風控模型。一般一個人的工作、收入、居住地越穩定（FICO公司的風控指標），發生騙貸或者逾期的可能性越低（如教師、公務人員）；對於有不良記錄的人，有過處罰記錄說明此人有發生冒險行爲的可能，另一方面，如果發生過不良行爲，極有可能再貸後資產回收的過程中產生暴力干擾；對於產生多頭借貸行爲的人來說（特別是近期），此人很有可能資產覆蓋率不夠，槓桿率高，騙貸和拆東牆補西牆的可能很大。
風險把控做的好壞，取決於信息採集的覆蓋度和準確度。目前來說，在前期的信息採集階段，儘可能收集能夠拿到的信息，通過整理觀察貸後逾期違約人員的信息特點，找到共性因子，進而構建風控模型或者提升已有模型的效能。對於信息的準確度，一方面公司需要建立完善的管理制度，家訪人員在現場採集信息時，需要有合理的激勵和考覈機制，另一方面，對於第三方平臺提供的信息，要學會甄別驗證，此過程很有可能產生模型的先視因子，比如之前建立模型，接入騰訊天御反欺詐接口時，接口中的失信信息，包含模型訓練使用數據的信息，所以在模型訓練中該因子重要度很明顯。此外，對於平臺提供的多頭借貸信息，很有可能是污染數據，比如同一單借貸，渠道、資金方都可能去同一平臺查詢信息，該客戶的借貸信息在該平臺就會產生記錄，處理不好，就會產生污染數據。
風控模型是基於統計產生的，模型更在意的是因子和行爲的相關性，並不能提供準確的因果關係，建立模型時，重要的是通過特徵工程，篩選有效因子，通過模型定性的輸出某人發生逾期壞賬的可能性，後續通過分析結果，定量的分析某一因子的增益。比如對於某一單商用車車抵貸，客戶因爲腿傷導致無法跑車，發生逾期，我們不能將是否發生腿傷這個因子作爲模型入參，但是可以做後續分析，該客戶腿傷的原因，是車出事故導致，車爲什麼出事故，很有可能和該客戶跑車的駕駛習慣和運輸線路有關，駕駛習慣可以通過家訪人員的調查給出一個結論，運輸線路我們基於統計，可以對不同的線路進行打分。再舉個例子，統計發現，某一地區發生逾期比例很大，此時我們只能定性的判斷此地區發生逾期可能性很大，至於原因還需要我們深究，總不會是該地的風水不好吧？進一步通過調查發現，該地區有一夥詐騙人員，他們的騙貸提升了該地區的逾期率，此時我們就不能單純的通過調整地區的因子，因爲這批人員很有可能是流動作案，單純的以地區作爲篩選，無法有效隔離，還需要進一步分析這批人員的共有屬性，提取有效特徵。
整個風控系統，一般由管理、制度和技術組成，單純的技術或者說風控模型並不能有效保障公司的風險，風控模型往往也是隨着時間的推移不斷不斷的優化，統計貸後的表現，可以進一步完善貸前的風控制度。公司的管理和制度，決定了信息採集的完整性和準確性，現在貸款公司普遍使用一套自己的系統，通過系統，可以對信息進行有效的把控和留痕。
現有的風控模型，一般基於評分卡和機器學習。評分卡更多的是依賴專家意見和統計結果，因子之間往往是相互獨立的；機器學習，近年來發展比較迅速，模型選擇相對比較多，風控模型目的是區分“好人”和“壞人”，本人傾向於使用邏輯迴歸和lgbm模型，邏輯迴歸對訓練數據量要求沒那麼高，但是前期的特徵工程更復雜，lgbm模型的訓練數據量一般在兩萬以上，但是對特徵的要求沒那麼高。