互聯(lián)網(wǎng)金融金融科技公司金融分析師助理實習(xí)報告一、摘要

2023年6月5日至8月23日，我在一家互聯(lián)網(wǎng)金融金融科技公司擔任金融分析師助理實習(xí)生。核心工作包括協(xié)助完成15個項目的市場數(shù)據(jù)分析報告，運用Python對1000+份用戶行為數(shù)據(jù)進行清洗與可視化，支持團隊完成3個季度業(yè)績預(yù)測模型搭建，準確率達92%。通過參與項目，熟練掌握了SQL進行數(shù)據(jù)提?。ㄈ站幚頂?shù)據(jù)量約200GB）、Excel高級建模及PowerBI報表制作，并提煉出“數(shù)據(jù)分層清洗多維度指標關(guān)聯(lián)分析”的可復(fù)用方法論，有效提升了數(shù)據(jù)處理效率與報告呈現(xiàn)質(zhì)量。

二、實習(xí)內(nèi)容及過程

實習(xí)目的呢，主要是想看看自己學(xué)的那些金融知識在實際工作中怎么用，特別是互聯(lián)網(wǎng)金融這塊兒，感覺挺有意思的，想深入了解一下。

實習(xí)單位嘛，是一家做在線信貸業(yè)務(wù)的公司，規(guī)模不大不小，主要做P2P和消費分期，技術(shù)驅(qū)動型，數(shù)據(jù)挺重要的。

實習(xí)內(nèi)容跟金融分析師助理差不多，就是跟著團隊做項目，具體做了15個項目的市場分析報告，主要是分析用戶行為數(shù)據(jù)和業(yè)務(wù)表現(xiàn)。

其中印象最深的是那個用戶流失預(yù)警項目，6月12號開始接手，月底出初版報告。當時手頭有差不多2000萬條用戶行為日志，時間序列挺長的，從去年年底到實習(xí)結(jié)束。我負責用Python清洗數(shù)據(jù)，發(fā)現(xiàn)原始數(shù)據(jù)臟得不行，缺失值、異常值一大堆，直接用Pandas處理卡得要死。后來請教了帶我的老師，他教我用Dask分塊處理，效率高多了，一天時間就把數(shù)據(jù)洗完了，原來可能要三四天。接著用StatisticalPackagefortheSocialSciences做探索性分析，定位了幾個流失高相關(guān)因子，比如用戶登錄頻率下降超過30%，或者最近一個月沒有產(chǎn)生消費記錄。最后用邏輯回歸模型構(gòu)建預(yù)警模型，調(diào)參的時候試了不同特征組合，AUC從0.78提升到0.86，還算可以吧。過程中也踩了不少坑，比如一開始用Spark寫ETL腳本，結(jié)果內(nèi)存溢出，換成Dask才解決。

另一個挑戰(zhàn)是7月做的季度業(yè)績預(yù)測，7月10號接到任務(wù)，8月5號提交。主要是預(yù)測下一季度的業(yè)務(wù)增長，團隊給了幾個季度的歷史數(shù)據(jù)，包括放款量、活躍用戶數(shù)、壞賬率這些。我先用Excel做了數(shù)據(jù)透視表，發(fā)現(xiàn)放款量跟活躍用戶數(shù)相關(guān)性很高，大概是0.82，然后用Excel的WhatIf分析做了敏感性測試。后來發(fā)現(xiàn)直接用Excel模型精度不夠，帶我的老師建議我試試Python的Statsmodels庫，我花了兩天時間學(xué)了下，最后用ARIMA模型結(jié)合滾動窗口預(yù)測，加上季節(jié)性因子，預(yù)測準確率達到了92%，比團隊之前用的簡單線性回歸好不少。

實習(xí)期間還參與了日常的數(shù)據(jù)監(jiān)控，比如用Tableau做儀表盤，監(jiān)控關(guān)鍵指標變化，像日活躍用戶、人均使用時長這些。每周還要整理行業(yè)報告，主要是看競品動態(tài)和監(jiān)管政策變化。

這段時間最大的收獲是學(xué)會了怎么把理論用到實踐，以前覺得金融模型很抽象，現(xiàn)在明白了每個指標背后的業(yè)務(wù)邏輯。比如以前覺得LTV（用戶終身價值）是挺虛的概念，現(xiàn)在通過項目算出我們平臺的LTV大概是1.2，比行業(yè)平均高一點，這背后是用戶分層運營做得不錯。還學(xué)會了幾個工具，Dask、StatisticalPackagefortheSocialSciences、ARIMA，這些在學(xué)校沒怎么接觸過。最大的改變可能是思維吧，以前看問題喜歡鉆牛角尖，現(xiàn)在更注重從數(shù)據(jù)里找模式，而不是強加因果關(guān)系。

當然也遇到了些困難，比如剛開始對業(yè)務(wù)不熟，做報告的時候不知道哪些指標重要，有點手忙腳亂。后來就多看團隊之前的報告，主動問帶我的老師，慢慢就摸清了門道。另一個問題是數(shù)據(jù)質(zhì)量差，有時候數(shù)據(jù)不全或者口徑不一致，這挺煩人的，后來學(xué)會了寫一些自動化檢查腳本，能提前發(fā)現(xiàn)一些問題。

實習(xí)成果的話，就是做了那15個報告，還有兩個重點項目的成果，一個是用戶流失預(yù)警模型，另一個是季度業(yè)績預(yù)測模型，都有數(shù)據(jù)支撐。

這段經(jīng)歷讓我更清楚自己想做什么了，可能以后會往數(shù)據(jù)分析或者量化金融方向發(fā)展，感覺這塊挺有前景的。

三、總結(jié)與體會

這8周實習(xí)，感覺就像是從書本跳進現(xiàn)實，收獲挺大的。一開始去的時候，心里挺沒底的，畢竟學(xué)校里學(xué)的理論和實際操作還是有差距的。但真正上手做項目，比如那個用戶流失預(yù)警，一開始數(shù)據(jù)洗完就剩一半了，真是頭大，后來慢慢找到感覺，用Dask分塊處理，效率確實高，一天能搞定以前三四天的工作量，這種感覺挺好的。通過做這些項目，我發(fā)現(xiàn)自己學(xué)的那些統(tǒng)計模型、數(shù)據(jù)分析方法真的有用武之地，而且能實實在在看到自己的工作對業(yè)務(wù)有影響，比如那個預(yù)測模型準確率92%，雖然不是驚天動地，但心里還是挺自豪的。這讓我明白，學(xué)習(xí)不是為了考試，而是為了解決問題。

實習(xí)也讓我更清楚自己未來想干嘛了。我發(fā)現(xiàn)自己對數(shù)據(jù)挖掘和量化分析挺感興趣的，之前在學(xué)校也學(xué)過Python，但就是沒機會用?，F(xiàn)在知道了自己擅長什么，接下來打算深化這方面的學(xué)習(xí)，看看能不能考個CFA或者FRM，至少先把證書考了，也算給自己一個交代。而且，實習(xí)中看到的數(shù)據(jù)驅(qū)動決策模式，感覺挺有前景的，以后找工作或者做研究，肯定要往這方面靠。

這段時間最大的變化可能就是心態(tài)吧。以前做作業(yè)，錯了就錯了，但實習(xí)不一樣，數(shù)據(jù)錯一點，整個報告可能就廢了，客戶可能就虧錢了，這種責任感是以前沒有體會過的。比如有一次做季報，數(shù)據(jù)一直對不上，我折騰了兩天，晚上做夢都在算，最后終于找到了問題出在哪里，那種成就感真的挺強的?？箟耗芰σ矎娏瞬簧伲郧坝龅诫y題就想放棄，現(xiàn)在會想怎么解決，而不是逃避。

互聯(lián)網(wǎng)金融這行變化太快了，監(jiān)管政策一個接一個的，技術(shù)也在不斷更新，像AI、區(qū)塊鏈這些都在往金融里滲透。感覺只有不斷學(xué)習(xí)，才能跟上節(jié)奏。這次實習(xí)也讓我看到，做金融分析，光會模型是不夠的，還得懂業(yè)務(wù)、懂技術(shù)，還得能跟人溝通，畢竟分析結(jié)果要被人用，才能產(chǎn)生價值。所以接下來不光要學(xué)技術(shù)，還得多看書，多關(guān)注行業(yè)動態(tài)，提升自己綜合能力。

總的來說，這次實習(xí)讓我成長了不少，也更堅定了自己未來的方向。雖然時間不長，但學(xué)到的東西能用很久，感覺挺值的。以后不管是繼續(xù)深造還是直接工作，這段經(jīng)歷都會是重要的一塊基石。

四、致謝