2月15日，微信团队通过腾讯客服官号发布了一个公告：微信支付对转账功能停止收取手续费。同日起，对提现功能开始收取手续费。
具体收费方案为：每位用户(以身份证维度)终身享受1000元免费提现额度，超出部分按银行费率收取手续费，目前费率均为01%，每笔最少收01元。微信红包、面对面收付款、AA收款等功能不受影响，免收手续费。
很多人不相信自己的眼睛和耳朵，春节期间支付宝不惜血本砸两个多亿让全国人民抢红包，就是攻微信的城堡，结果，城堡还没有攻下来，微信却自己挥刀自宫起来，这不是自绝于人民是什么呢
技术派的人士开始支招，先将零钱买微信上的理财通的基金，然后赎回到银行卡。这唯一的道通也被堵死了，因为用零钱买理财通基金赎回后照样到你的零钱里面，你要提现还得付费。
微信为什么要这样做解释的理由是支付银行手续费。可正如著名经济学家巴曙松在微博上针对微信提现收费提出了一个质疑，“提现是向银行帐户存款，银行会收手续费吗”
这应该是银行的一揽子政策。以支付宝和微信钱包为代表的第三方支付平台发展很快，数据显示，2015年，中国第三方移动支付市场继续保持较高的增长速度，全年市场交易规模达到1636万亿元人民币，同比上涨1042%，预计至2018年，中国第三方移动支付市场规模将达到5211万亿元人民币。
第三方支付平台不断渗透线上、线下支付和转账业务，如猛兽般吞食银行的相关业务，这些原本是银行通过收手续费而获得可观利润的“中间业务”，被第三方支付平台一步步蚕食，银行压力可想而知。因此一度引发银行业对第三方支付平台的攻击，曾试图通过人民银行、银监局用老制度来“规范”，但这并未能阻止第三方支付平台对银行业务的疯狂吞食。
为了守住自己的阵地，银行一方面不得不在自己的平台上减免收费项目，比如现在很多银行已推出“网银转账免费”政策;一方面收紧与第三方支付平台对接口子，办法就是对第三方支付平台收取手续费，甚至包括限制个人向第三方平台每日/每月转账额度。毕竟，资金入口在银行手里，银行要是将入口掐死，第三方支付就成了空壳。当然储户作为市场一方是不会同意的，但第三方平台需要妥协。
这种妥协形成了长期的手续费压力，估计让微信钱包有点不堪重负了，才会在对手紧逼的情况下挥刀自宫，背后的难言之隐估计如排山倒海的苦水。
其实，微信曾经以为可以通过用户资金的存留来平衡手续费压力，微信有数亿的用户，只要用户的资金能够停留在零钱包或现财通上，哪怕每个用户少一点，也是非常庞大的数目，完全可以赚到足够覆盖手续费的钱。
但是很遗憾，微信主要是社交工具，微商基本上名存实亡，微信购物还没有成为一种生活方式。除了给手机充值和给朋友发红包，以及通过理财通购买理财产品等，微信资金用途比较少，用户自然不会将太多的钱留在微信上。
而支付宝则是基于淘宝电商而生的支付工具，人们不会将钱放在社交工具上面，但会愿意将钱放在随时准备购物的支付工具上面，不太急于提现。相比较而言，支付宝更像银行账户，而微信只是资金的短暂流经地。微信有池子，但难以聚水;支付宝有池子，又能聚水，这就是两者根本的区别。
所以，支付宝虽然也有向银行支付手续费的压力，但因为有海量的资金沉淀，进而可“以钱生钱”，以及用户通过购物消费带来的收益，可以覆盖支付成本，它就不急于向用户收费。相反，它也打造红包，并在春节大造声势，要向微信攻城掠寨，它就是基于自己对资金留存和消费的自信。
一个收费，一个免费，这对微信钱包是一个巨大的威胁，因为用户已经习惯了免费，在有选择的情况下，他们一定是优先选择免费。如果支付宝社交这一块，比如钉钉发力够大，而且其社交平台体验足够好，对微信也是极大的威胁。
现在，微信提现收费，就是希望减少人们提现频率，尽可能将用户的钱留在微信上面或在上面消费，是权衡自己有海量的用户，不怕牺牲一部分用户的冒险一博。相信有一部分用户确实是不会在意那点手续费，但很多的用户对价格的敏感不容低估。
如果微信不能拓宽用户在微信上的消费渠道，不但微信自己难以获得更多的收益机会，也很难让留存大额资金。所以，下一步，微信能不能拓宽自己的消费渠道，包括一直在推动的O2O有没有大的起色，都是其成败的关键，否则提现收费这一粗暴的行为会给对手绝好的反击机会，微信就真的自绝于人民了。
微信推麻袋是不犯法的，他今个微信经过那个国家银行银监会审核的，基本上是没有什么问题，都是按正规手续来的。
在讨论如何构建微贷的信用风险评估模型前，我们首先要说简单回顾微贷这项业务的主要特征：
一、总资产基本可分，也就是每一笔贷款占总贷款的比例很低，任何一笔贷款的风险都不足以对贷款整体质量产生影响；
二、非系统性风险高度分散，简单来说就是借款人和借款人间没有私下关系，不存在一个借款人违约，一大批关联借款人同时违约的情况；
三、信用风险和欺诈风险高度融合，简单来说，评估欺诈风险就是把视角降低到每个借款个体的高度，观察个体是否存在隐瞒材料或提交虚假材料的情况，评估信用风险则是把视角提高到整体贷款资产高度，观察贷款资产的违约比例，当欺诈风险无法识别的时候，自然就融入到了信用风险中。
有了业务的风险特征，我们就可以大致来谈谈如何构建微贷的信用风险评估模型。
通常来讲，构建信用风险包含三个层面的内容，一是反欺诈，提升资产质量，降低资产内部关联性；二是客户群分层分类，降低整体样本方差；三是产品定价，落实风险偏好要求和收益覆盖损失原则。
对于第一层面，其包含反欺诈和降低资产内部关联性两部分内容。反欺诈，或称反信息欺诈，主要通过多信息源交叉校验、信息自洽校验等分析模型来验证借款人提供信息的真伪性，简单来说就是从借款人本人外的多个渠道收集借款人信息，进而分析借款人提供的信息是否全面、是否存在隐瞒信息或提供虚假信息的问题，对造假问题突出且情节恶劣的借款人则直接筛选掉，提升贷款整体质量。降低资产内部关联性，主要是通过人群关系网络、小微企业集群等图计算模型发现具有高度关联性的借款，比如说家族类借款、企业主导员工消费借款等，对相关贷款进行合并统一管理，降低个体贷款之间的关联性，保证非系统风险得到充分分散。这一层面的模型分析评估工作需要引入较多的第三方外部信息，对借款人信息进行交叉检验，是整个微贷风险评估模型/架构中的基础部分。
第二层面客户群分层分类，是目前信用风险评估模型中内容最丰富的部分，其主要目的是根据用户特征，包括客户自行提供的信息、征信信息和金融机构在前文提到的过程中收集的其他外部信息，对客户群进行风险等级分类，使每个客户群的风险等级分布更加集中，或者通俗地说，就是让好客户分成一群，让坏客户也分成一群，不同层级的客户区别管理。目前对客户群分层有非常多的模型和手段，比较常用的有神经网络、深度学习等复杂模型，比较偏传统的有Logistics回归模型、LDA算法等统计学习模型，比较老的则有打分卡模型和专家认定流程（不能称为模型了）等。不过从各家微贷金融机构和商业银行个人金融业务的反馈来看，老的打分卡模型仍旧是客户群分层分类工作的中流砥柱，无论是K-S值（描述模型分类准确性的一个统计值）还是模型的预测稳定性，打分卡模型都要暂时好于其他相对“先进复杂”的机器学习（统计学习）模型，这也说明风险评估模型并不见得越复杂、越高级就会越有效。
第三层面产品定价，是信用风险评估模型最核心最重要的部分，也是决定评估模型最终是否能够为金融机构带来盈利的部分。金融机构需要对不同层级的客户群，根据历史借还款信息建立相应的贷款损失分布，并根据损失分布确定一个合理定价水平，这个定价既要满足“收益覆盖损失”的要求，又要对该层级的客户群具有足够的吸引力。
举个例子，对于无逾期记录信用卡借款用户群体，假设其12个月借款的历史损失率为12%，标准差为1%，非银行金融机构的放款融资成本是7%，如果将贷款利率定为988%，则可以保证有95%的概率不会亏钱；如果将贷款利率定为122%，虽然可以保证有99%以上的概率不会亏钱，但由于贷款价格过高，而相应客户群因为信用等级较好，有更多的选择空间，贷款产品在市场上就会比较缺乏吸引力。
对于不同的客户群，风险等级越高则贷款资产收益率越高，金融机构需要根据自身的风险偏好进行筛选，选择适合自身风险承受能力的客群，保证既有足够风险带来的资产收益率，同时风险水平不超出自身能承受的最大范围。需要注意的是，这一部分评估模型所需的损失分布函数是很难通过纯粹的模型分析和设计来解决的，必须通过一定量的初始数据积累来形成不同客户群损失分布参数，这也就是为什么一些老牌金融机构可以进行更为准确的、更具有吸引力但更安全的产品定价。
总体来说，微贷类业务的信用风险评估是一个多视角的工作：既要包括从微观视角出发的借款个体行为精准评估，也要包括从宏观视角出发的借款群体定价覆盖损失；既要包括利用专家经验建立客户分层模型的“预设模型法”，也要包括利用历史损失数据形成损失分布模型的“统计模型法”。而具体选择哪个视角，或者更多偏向于哪个视角进行风险评估，则要综合考虑提升风险识别能力带来的增益收入和需要额外投入资源的边际成本。
