在金融风控中，机器学习模型和深度学习模型的调参方法通常采用以下几种：
网格搜索（Grid Search）：通过指定一组不同的参数值，将参数空间划分成网格，遍历网格中的每个参数组合，并评估模型在不同参数组合下的性能。最终选择表现最好的参数组合作为最优参数。
随机搜索（Random Search）：与网格搜索不同，随机搜索在参数空间中随机选择一组参数组合进行评估。通过随机搜索，可以更高效地搜索参数空间，特别是当参数较多时，随机搜索往往比网格搜索更具实用性。
贝叶斯优化（Bayesian Optimization）：贝叶斯优化通过构建参数的先验分布，利用已有的参数组合和性能评估结果，推断模型性能的后验分布，并选择具有最大期望改善的参数进行评估。贝叶斯优化在处理高维参数空间和高度非线性的情况下具有很好的效果。
梯度下降法（Gradient Descent）：梯度下降法通过计算损失函数关于参数的梯度，以迭代的方式调整参数，使损失函数逐渐减小。在深度学习中，梯度下降法常用于调整神经网络模型的权重和偏置。
集成学习（Ensemble Learning）：集成学习通过组合多个模型的预测结果，来提高模型的泛化能力和稳定性。在调参过程中，可以采用不同的参数组合训练多个模型，然后通过投票或取平均等方式来获得最终结果。
自动机器学习（AutoML）：自动机器学习通过自动化地搜索和选择机器学习模型和参数，来减少人工干预和专业知识的需求。自动机器学习工具可以根据指定的性能指标和时间限制，快速评估和比较不同模型和参数组合的性能，并给出最佳的模型和参数。
值得注意的是，以上方法仅为常用的调参方法，具体在金融风控中的应用还需要根据具体问题和数据情况进行调整和优化。