金融學(xué)金融科技公司實習(xí)報告一、摘要2023年7月1日至2023年8月31日，我在一家金融科技公司擔(dān)任數(shù)據(jù)分析實習(xí)生。核心工作包括搭建信貸風(fēng)險評估模型，處理并清洗20000條用戶數(shù)據(jù)，通過邏輯回歸算法優(yōu)化模型，使壞賬預(yù)測準(zhǔn)確率從68%提升至75%。運用Python進(jìn)行數(shù)據(jù)挖掘，構(gòu)建自動化報表系統(tǒng)，每周輸出10份業(yè)務(wù)分析報告，為風(fēng)控決策提供數(shù)據(jù)支持。通過實習(xí)，掌握了機器學(xué)習(xí)在金融風(fēng)控中的應(yīng)用，形成了數(shù)據(jù)驅(qū)動決策的工作方法，提升了數(shù)據(jù)處理與可視化能力。二、實習(xí)內(nèi)容及過程2023年7月1日到8月31日，我在一家做消費信貸的金融科技公司實習(xí)。主要是幫風(fēng)控部門做數(shù)據(jù)分析。實習(xí)初期，我被安排熟悉業(yè)務(wù)流程，公司有套內(nèi)部培訓(xùn)材料，我花了兩周時間把信貸申請、審批、貸后管理等環(huán)節(jié)摸清楚了。第三個星期開始接觸核心項目，是優(yōu)化一個現(xiàn)有評分卡模型。這個模型之前用的是邏輯回歸，準(zhǔn)確率也就68%左右。我接手后，先從數(shù)據(jù)入手，發(fā)現(xiàn)原始數(shù)據(jù)有接近10%的缺失值，還有不少異常值，比如年齡出現(xiàn)負(fù)數(shù)。我用了Python的pandas和numpy庫，花了差不多三天時間寫腳本清洗數(shù)據(jù)，包括填充缺失值用均值法，處理異常值用3σ原則。數(shù)據(jù)清理后，我開始用scikitlearn重新訓(xùn)練模型，嘗試了決策樹和隨機森林，最后把參數(shù)調(diào)到最優(yōu)。新模型在測試集上的AUC從0.72提升到0.78，準(zhǔn)確率也到了75%。不過過程中遇到個坎，模型在預(yù)測低風(fēng)險用戶時召回率特別低，我查了些資料，發(fā)現(xiàn)樣本不均衡問題挺嚴(yán)重。最后通過過采樣方法，把召回率提了上去。每周五我會做周報，用Tableau做可視化圖表，給風(fēng)控團隊看。記得有一次做還款能力分析，我發(fā)現(xiàn)某個城市的用戶逾期率突然升高，后來團隊根據(jù)我的報告去核實，發(fā)現(xiàn)是當(dāng)?shù)厮M漲價導(dǎo)致的，及時調(diào)整了策略。實習(xí)期間最頭疼的是系統(tǒng)對接問題，公司用的有些老接口，數(shù)據(jù)傳輸慢，有時候得等半天。我自學(xué)了點API調(diào)試技巧，雖然沒直接改系統(tǒng)，但至少能自己寫腳本繞開問題。坦白說，實習(xí)中暴露了幾個問題。比如公司培訓(xùn)機制不太完善，有些業(yè)務(wù)知識得靠同事口頭傳，效率不高。另外我的崗位跟學(xué)校學(xué)的課程匹配度一般，學(xué)校教的偏理論，公司實際操作更看重工具熟練度。我覺得這次實習(xí)最大的收獲是，真正理解了數(shù)據(jù)在風(fēng)控里的價值。以前覺得評分卡就是個公式，現(xiàn)在明白要考慮那么多因素，像用戶行為序列、社交關(guān)系網(wǎng)絡(luò)，這些都能影響預(yù)測結(jié)果。以后打算多學(xué)學(xué)機器學(xué)習(xí)的新模型，像XGBoost、LightGBM這些。這段經(jīng)歷讓我意識到，做金融科技不能只懂模型，還得懂業(yè)務(wù)，不然數(shù)據(jù)再好也用不上。三、總結(jié)與體會這八周實習(xí)，像是從書本跳進(jìn)現(xiàn)實。7月1日剛進(jìn)公司時，對著那些業(yè)務(wù)術(shù)語和真實數(shù)據(jù)，說實話有點懵。但每天處理20000條信貸記錄，用Python跑模型，看著準(zhǔn)確率從68%一點點提到75%，心里真挺有成就感的。這段經(jīng)歷讓我明白，學(xué)金融不能只停留在理論層面，風(fēng)控模型里的每個參數(shù)、每個變量，都實實在在影響著錢袋子。最讓我觸動的，是感受到數(shù)據(jù)的力量。之前做案例分析，總覺得模型是黑箱；現(xiàn)在親手清洗數(shù)據(jù)、調(diào)試參數(shù)，才懂?dāng)?shù)據(jù)質(zhì)量有多重要。比如有一次發(fā)現(xiàn)某類用戶的逾期率異常，追根溯源是還款日正好撞上當(dāng)?shù)厮娰M漲價，這種細(xì)節(jié)只有深入業(yè)務(wù)才能發(fā)現(xiàn)。實習(xí)最后做復(fù)盤時，主管還特意表揚了我這個發(fā)現(xiàn)，說這體現(xiàn)了對業(yè)務(wù)的敏感度。對我職業(yè)規(guī)劃來說，這次實習(xí)像開了扇窗。以前想當(dāng)投行分析師，現(xiàn)在更傾向金融科技領(lǐng)域。特別是看到團隊用機器學(xué)習(xí)做實時反欺詐，那種效率和技術(shù)魅力太吸引人了。我打算下學(xué)期考個Python數(shù)據(jù)分析認(rèn)證，再深入學(xué)學(xué)深度學(xué)習(xí)相關(guān)的課程，希望能把學(xué)校學(xué)的金融知識和技術(shù)工具結(jié)合起來。最大的改變，是心態(tài)上的。以前覺得做研究只要邏輯嚴(yán)謹(jǐn)就行，現(xiàn)在明白職場要考慮落地性。比如模型再好，算力跟不上、接口對不上，也白搭。這八周學(xué)到的不僅是技能，更是怎么跟團隊協(xié)作、怎么在資源限制下找到最優(yōu)解。有時候為了趕進(jìn)度，連續(xù)加班到晚上10點，雖然累，但第一次體會到為工作負(fù)責(zé)的感覺?？粗袠I(yè)里說現(xiàn)在都在搞大數(shù)據(jù)風(fēng)控、AI投顧，我更覺得這次實習(xí)沒白費。那些技術(shù)難點，現(xiàn)在看來都像是為以后打基礎(chǔ)。以后找工作，我會直接問公司用不用機器學(xué)習(xí)，要不要懂Python，畢竟實踐證明，會工具的人機會更多。這段經(jīng)歷讓我從學(xué)生思維轉(zhuǎn)向職場思維，雖然路還長，但至少方向更清晰了。四、致謝在公司實習(xí)的這八周，特別感謝帶我的導(dǎo)師，他不僅教我技術(shù)，還給我講了很多行業(yè)里的事。同事們的幫助也很大，尤其是數(shù)據(jù)組的