金融和风险挂钩，一般而言，风险越大，金融收益越高。对于抵押贷款公司来说，期望的就是在把控风险的前提下，获得最大的经济收益。贷款公司一般从两方面控制风险，一方面在信审阶段，通过家访以及风控模型，尽可能阻挡可能发生坏账的“坏人”；另一方面，在贷后阶段，根据逾期情况，尽可能的对抵押物进行保值。
信审阶段的风险把控，主要通过采集人的信息，例如居住、收入、工作等，加上第三方平台信息，如央行的征信，同盾的不良信息查询等，进一步构建风控模型。一般一个人的工作、收入、居住地越稳定（FICO公司的风控指标），发生骗贷或者逾期的可能性越低（如教师、公务人员）；对于有不良记录的人，有过处罚记录说明此人有发生冒险行为的可能，另一方面，如果发生过不良行为，极有可能再贷后资产回收的过程中产生暴力干扰；对于产生多头借贷行为的人来说（特别是近期），此人很有可能资产覆盖率不够，杠杆率高，骗贷和拆东墙补西墙的可能很大。
风险把控做的好坏，取决于信息采集的覆盖度和准确度。目前来说，在前期的信息采集阶段，尽可能收集能够拿到的信息，通过整理观察贷后逾期违约人员的信息特点，找到共性因子，进而构建风控模型或者提升已有模型的效能。对于信息的准确度，一方面公司需要建立完善的管理制度，家访人员在现场采集信息时，需要有合理的激励和考核机制，另一方面，对于第三方平台提供的信息，要学会甄别验证，此过程很有可能产生模型的先视因子，比如之前建立模型，接入腾讯天御反欺诈接口时，接口中的失信信息，包含模型训练使用数据的信息，所以在模型训练中该因子重要度很明显。此外，对于平台提供的多头借贷信息，很有可能是污染数据，比如同一单借贷，渠道、资金方都可能去同一平台查询信息，该客户的借贷信息在该平台就会产生记录，处理不好，就会产生污染数据。
风控模型是基于统计产生的，模型更在意的是因子和行为的相关性，并不能提供准确的因果关系，建立模型时，重要的是通过特征工程，筛选有效因子，通过模型定性的输出某人发生逾期坏账的可能性，后续通过分析结果，定量的分析某一因子的增益。比如对于某一单商用车车抵贷，客户因为腿伤导致无法跑车，发生逾期，我们不能将是否发生腿伤这个因子作为模型入参，但是可以做后续分析，该客户腿伤的原因，是车出事故导致，车为什么出事故，很有可能和该客户跑车的驾驶习惯和运输线路有关，驾驶习惯可以通过家访人员的调查给出一个结论，运输线路我们基于统计，可以对不同的线路进行打分。再举个例子，统计发现，某一地区发生逾期比例很大，此时我们只能定性的判断此地区发生逾期可能性很大，至于原因还需要我们深究，总不会是该地的风水不好吧？进一步通过调查发现，该地区有一伙诈骗人员，他们的骗贷提升了该地区的逾期率，此时我们就不能单纯的通过调整地区的因子，因为这批人员很有可能是流动作案，单纯的以地区作为筛选，无法有效隔离，还需要进一步分析这批人员的共有属性，提取有效特征。
整个风控系统，一般由管理、制度和技术组成，单纯的技术或者说风控模型并不能有效保障公司的风险，风控模型往往也是随着时间的推移不断不断的优化，统计贷后的表现，可以进一步完善贷前的风控制度。公司的管理和制度，决定了信息采集的完整性和准确性，现在贷款公司普遍使用一套自己的系统，通过系统，可以对信息进行有效的把控和留痕。
现有的风控模型，一般基于评分卡和机器学习。评分卡更多的是依赖专家意见和统计结果，因子之间往往是相互独立的；机器学习，近年来发展比较迅速，模型选择相对比较多，风控模型目的是区分“好人”和“坏人”，本人倾向于使用逻辑回归和lgbm模型，逻辑回归对训练数据量要求没那么高，但是前期的特征工程更复杂，lgbm模型的训练数据量一般在两万以上，但是对特征的要求没那么高。