互聯(lián)網(wǎng)金融金融科技公司風(fēng)控專員實(shí)習(xí)報告一、摘要

2023年7月1日至2023年8月31日，我在一家互聯(lián)網(wǎng)金融金融科技公司擔(dān)任風(fēng)控專員實(shí)習(xí)生。期間，主要負(fù)責(zé)信用風(fēng)險評估模型的數(shù)據(jù)清洗與驗(yàn)證工作，協(xié)助優(yōu)化了評分卡模型，使模型對高風(fēng)險用戶的識別準(zhǔn)確率提升了12%。通過運(yùn)用Python進(jìn)行數(shù)據(jù)挖掘，處理了超過50萬條用戶行為數(shù)據(jù)，完成了10份風(fēng)險評估報告。熟練應(yīng)用SQL進(jìn)行數(shù)據(jù)提取，將數(shù)據(jù)查詢效率提高了30%。核心工作成果包括建立自動化數(shù)據(jù)處理流程，可復(fù)用方法論為：結(jié)合邏輯回歸與決策樹算法，通過特征重要性分析篩選關(guān)鍵指標(biāo)，如交易頻率、設(shè)備異常登錄次數(shù)等，有效降低模型偏差。專業(yè)技能應(yīng)用覆蓋了數(shù)據(jù)清洗、模型驗(yàn)證及自動化腳本編寫，為后續(xù)風(fēng)控體系建設(shè)提供了數(shù)據(jù)支撐。

二、實(shí)習(xí)內(nèi)容及過程

2023年7月1日到8月31日，我在一家做消費(fèi)信貸風(fēng)控的互聯(lián)網(wǎng)金融公司實(shí)習(xí)。公司不大，但體系挺完善，主要做線上小額貸款，風(fēng)控完全靠模型和規(guī)則。我跟著團(tuán)隊做數(shù)據(jù)預(yù)處理和模型驗(yàn)證。

第2周開始接觸業(yè)務(wù)，主要是用Python清洗用戶行為數(shù)據(jù)。原始數(shù)據(jù)有20萬條，缺失值超過15%，還有不少異常值。直接處理肯定不行，我就用pandas加numpy，寫了個腳本先處理缺失值，用均值填充數(shù)值型特征，分類特征就填“未知”。異常值那邊，比如登錄次數(shù)，超過3次就標(biāo)記為異常。這一步花了兩周，最后數(shù)據(jù)質(zhì)量提升明顯，清洗后的數(shù)據(jù)準(zhǔn)確率能到98%。

第4周參與一個評分卡項目，團(tuán)隊在優(yōu)化一個舊的邏輯回歸模型。我發(fā)現(xiàn)模型對年輕用戶的預(yù)測偏差比較大，具體是25歲以下人群的逾期預(yù)測準(zhǔn)確率只有68%，遠(yuǎn)低于平均水平的75%。我提議加幾個反欺詐特征，比如設(shè)備異常登錄次數(shù)、查詢征信記錄間隔時間。團(tuán)隊采納了，重新訓(xùn)練后，年輕用戶準(zhǔn)確率提到了72%，整體模型AUC提升了0.03。

第6周遇到個挑戰(zhàn)，系統(tǒng)日志格式不統(tǒng)一，有些是json有些是txt，直接讀進(jìn)來亂碼一堆。我花了3天研究怎么用正則表達(dá)式分割字段，最后寫了個通用解析器，能自動適應(yīng)不同格式，效率比手動處理高不少。

實(shí)習(xí)后期參與模型上線前的壓力測試，用歷史數(shù)據(jù)模擬極端場景。有一次模擬發(fā)現(xiàn)模型在用戶負(fù)債率超過3個時，風(fēng)險分不穩(wěn)定，波動太大。我就跟導(dǎo)師溝通，建議在規(guī)則里加條限制，負(fù)債率超過3的要額外扣分。導(dǎo)師同意了，加完之后測試結(jié)果穩(wěn)定多了。

這8周最直觀的感受是風(fēng)控不是簡單調(diào)參數(shù)，得懂業(yè)務(wù)邏輯。比如做特征工程，不能光看相關(guān)性，得結(jié)合業(yè)務(wù)場景想為什么這個特征重要。團(tuán)隊里有人跟我說，做風(fēng)控得有“概率思維”，不能只盯著單筆損失，要看整體風(fēng)險。這點(diǎn)對我觸動挺大。

三、總結(jié)與體會

這8周，從7月1日到8月31日，實(shí)習(xí)經(jīng)歷讓我對風(fēng)控有了更實(shí)的認(rèn)識。以前覺得風(fēng)控就是跑數(shù)據(jù)，現(xiàn)在明白要懂業(yè)務(wù)、會思考。幫團(tuán)隊把評分卡模型年輕用戶準(zhǔn)確率從68%提到72%，AUC提升0.03，這種用數(shù)據(jù)解決問題的成就感挺直接的。處理20萬條臟數(shù)據(jù)，學(xué)會用Python腳本自動清洗，效率提高不少，也體會到數(shù)據(jù)質(zhì)量的重要性，這比在學(xué)校做作業(yè)要求高多了，得對每一個數(shù)負(fù)責(zé)。

這次經(jīng)歷讓我更確定想往風(fēng)控方向發(fā)展。之前對職業(yè)規(guī)劃有點(diǎn)模糊，現(xiàn)在清楚了自己要補(bǔ)哪些技能。比如，團(tuán)隊老說要有“概率思維”，我就計劃下學(xué)期系統(tǒng)學(xué)下統(tǒng)計建模，打算報名個CFA的金融量化方向考試，把理論知識系統(tǒng)化。實(shí)習(xí)里看到模型上線前的壓力測試，那種對風(fēng)險全面把控的感覺，讓我覺得這份工作既有挑戰(zhàn)也有價值。

行業(yè)變化快，風(fēng)控手段也在變?，F(xiàn)在很多公司搞AI風(fēng)控，用機(jī)器學(xué)習(xí)自動篩選特征、優(yōu)化模型。我實(shí)習(xí)時參與的評分卡項目，其實(shí)有些規(guī)則還是基于經(jīng)驗(yàn)的，未來肯定要更依賴算法。這讓我意識到，學(xué)校學(xué)的還得繼續(xù)深化，特別是機(jī)器學(xué)習(xí)這塊，得動手實(shí)踐，不能光看理論。

最明顯的變化是心態(tài)。以前做項目就是完成任務(wù)，現(xiàn)在知道每個步驟都可能影響最終結(jié)果，對數(shù)據(jù)的敏感度、對細(xì)節(jié)的耐心都強(qiáng)了。比如有一次模型驗(yàn)證，發(fā)現(xiàn)某條規(guī)則導(dǎo)致樣本偏差，雖然只是0.5%的數(shù)據(jù)，但導(dǎo)師讓我必須修正，那種對結(jié)果的負(fù)責(zé)感，跟學(xué)?？荚嚥灰粯??？箟耗芰σ蔡嵘?，連續(xù)加班處理數(shù)據(jù)，周末還要跟團(tuán)隊討論方案，慢慢習(xí)慣了。

總的來說，這次實(shí)習(xí)像座橋梁，讓我從學(xué)生思維轉(zhuǎn)到職場思維。未來不管是繼續(xù)深造還是直接工作，這段經(jīng)歷都讓我更有底氣。我會把實(shí)習(xí)里遇到的問題、學(xué)到的技能都記下來，持續(xù)打磨，希望能更快適應(yīng)行業(yè)變化。

致謝

2023年7月1日至8月31日期間的實(shí)習(xí)經(jīng)歷，讓我受益匪淺。感謝公司提供了這次機(jī)會，讓我接觸到了真實(shí)的互聯(lián)網(wǎng)金融風(fēng)控環(huán)境。特別感謝我的導(dǎo)師，在實(shí)習(xí)期間給予的悉心指導(dǎo)和耐心解答，尤其是在模型優(yōu)化和數(shù)據(jù)處理方法上，很多建議都非常有針