本文将探讨为何在当前环境下，传统的知识传授方式不再是首选，以及如何利用现代技术手段，特别是人工智能，来构建自己的知识体系和解决实际问题的能力。

为什么我不写风控的基础知识？

就是那些什么概念是什么，计算公式是什么，代码实现如何如何，应用案例有什么的问题。

基础知识都没有写的必要了。

以前你要检索到你想了解的知识点，一般需要看多个博客或者贴子或者回答或者百科，现在ai可以帮你检索总结归纳，这比一般人写的书好用多了。

实际上，最好的学习基础知识的办法是，也就是说入门一个行业的办法是，你去想办法搞定一个目录，然后自行去问ai，和ai对话直到你搞明白那些知识点。最好的学习办法不是找到一本书看一遍，而是自己写一本书，借助ai。当然，你不用产出这个实体。这很显而易见，不是暴论。

至于怎么搞定目录，你可以检索一些东西，去建立一些感觉，更快捷的办法是网上找一些课程（我没让你付费）做参考，然后整理出一套你觉得可以的目录。甚至，这个问题本身你可以也问ai啊。

一、基本知识

1. 消费贷、现金贷
2. 个人消费贷、小微企业贷
3. 自营、助贷、联营

二、产品要素

1. 额度
2. 定价
3. 期数
4. 还款方式

三、风险类别

1. 欺诈风险：一方欺诈、三方欺诈
2. 信用风险：还款能力、还款意愿

四、资产指标

1. 时点余额、新增放款额
2. 资产收益率，风险成本、资金成本、获客成本等，盈亏线

五、运营指标

1. 转化率：点击、申请、通过、用信‍‍‍‍‍‍‍
2. 通过率：授信、用信，加一个催回率吧‍‍‍‍‍‍‍‍‍‍‍
3. 各种率：复借率、入催率、不良率、额度使用率……
4. 客群质量：各种分布、psi
5. 久期

六、风险指标

1. fpd
2. dpd：M1、M2、M3……
3. 年化风险
4. 时点不良率、新发不良率

七、效果指标

1. iv
2. auc
3. ks
4. lift

八、标签分析

1. vintage
2. 滚动率

九、模型策略算法

1. 逻辑回归‍‍‍‍‍‍
2. 决策树
3. 梯度提升树、神经网络等‍‍
4. 交叉矩阵分析法

十、阶段

1. 贷前：反欺诈、审批、额度、定价‍‍‍
2. 贷中：调额调价，交易拦截，止付清退‍‍‍‍‍‍‍
3. 贷后：催收‍

十一、策略和模型

1. 策略：分群、评级‍‍‍‍‍‍‍‍
2. 模型：A卡、B卡、C卡、F卡‍‍‍‍
3. 两者差异点

十二、数据

1. 黑名单
2. 征信报告
3. 三方数据
4. 内部行为数据

十三、其他

1. 多头：是什么，有什么特点和影响‍‍‍‍‍
2. 分数校准：是什么，为什么做，怎么做
3. 普惠金融：是什么，普在哪，惠在哪，挑战在哪

以上，列了很多名词，我第一感觉还是列得太简单了。

但你不只是要了解这些名词，还包括在这些基础知识背后无限延伸的知识点，例如训练、测试、验证，例如过拟合、欠拟合，例如需求提出、方案设计、开发、验证、应用、部署、监控和迭代……实际上，很多名词都可以展开成一本书，这么看也还行。

很多人喜欢要代码，很好笑。实际上，ai随时可以告诉你，你既不用搜集收藏，你只是需要知道那个知识点，知道那么回事，真的要代码的时候，问ai就行了，何必找自己的收藏呢？

还是举举例子吧，要谦卑要有耐心。

例如，评分卡建模要先进行变量筛选，缺失率、psi、iv、相关系数、多重共线性等等，这些概念是什么，常见阈值是什么，为什么是这个阈值或者说这个阈值代表着什么，代码怎么实现，搞清楚这些，最好的办法是什么？问ai，要什么书？

例如，ABCF卡是什么？区别在哪里？对应的特征是什么？标签是什么？应用场景是什么？问ai。

例如，策略和模型分别是干什么的？相同点在哪，差异点在哪？问ai。

唯一有一个难点是，要想擅长提问，要很会观察。因为真正的知识有很多细节，你忽略了细节，就相当于无知。

例如前面ABCF卡，你光问是什么、怎么做是不够的，真实项目不是一个kaggle比赛，你哪来的y，你的特征在哪里？甚至，样本选择有没有讲究，效果大概是多少，是不是不同的场景都不太一样，你做出来的ks是10怎么办，30怎么办，50怎么办？你总要别人提醒你，怎么着怎么着，你就希望从书里看到别人说：It’s worth noting that …看到好多notes了吧，但因为不是你自己想的，过眼就成云烟了吧。

发现了没有，你真正需要做的是什么？是提出问题，一般的书不教你这一点。作者不一定很懂行，更不一定懂教书，他们做的只是汇总信息，而这一点意义都没有。

当你真的懂提问的时候，你才入了行，然后才能感悟到一些东西。你越强，越能懂我强。

好了，虽然你可能极度失望，心想看了个寂寞。但事实上，至少你知道了第一个你需要解决的问题：搞定目录。这很重要，你解决了一系列问题然后成为了专家，而不是买了几本书收藏了几篇文章。