互联网金融金融科技公司风控专员实习报告

互联网金融金融科技公司风控专员实习报告一、摘要

2023年7月1日至2023年8月31日，我在一家互联网金融金融科技公司担任风控专员实习生。期间，主要负责信用风险评估模型的数据清洗与验证工作，协助优化了评分卡模型，使模型对高风险用户的识别准确率提升了12%。通过运用Python进行数据挖掘，处理了超过50万条用户行为数据，完成了10份风险评估报告。熟练应用SQL进行数据提取，将数据查询效率提高了30%。核心工作成果包括建立自动化数据处理流程，可复用方法论为：结合逻辑回归与决策树算法，通过特征重要性分析筛选关键指标，如交易频率、设备异常登录次数等，有效降低模型偏差。专业技能应用覆盖了数据清洗、模型验证及自动化脚本编写，为后续风控体系建设提供了数据支撑。

二、实习内容及过程

2023年7月1日到8月31日，我在一家做消费信贷风控的互联网金融公司实习。公司不大，但体系挺完善，主要做线上小额贷款，风控完全靠模型和规则。我跟着团队做数据预处理和模型验证。

第2周开始接触业务，主要是用Python清洗用户行为数据。原始数据有20万条，缺失值超过15%，还有不少异常值。直接处理肯定不行，我就用pandas加numpy，写了个脚本先处理缺失值，用均值填充数值型特征，分类特征就填“未知”。异常值那边，比如登录次数，超过3次就标记为异常。这一步花了两周，最后数据质量提升明显，清洗后的数据准确率能到98%。

第4周参与一个评分卡项目，团队在优化一个旧的逻辑回归模型。我发现模型对年轻用户的预测偏差比较大，具体是25岁以下人群的逾期预测准确率只有68%，远低于平均水平的75%。我提议加几个反欺诈特征，比如设备异常登录次数、查询征信记录间隔时间。团队采纳了，重新训练后，年轻用户准确率提到了72%，整体模型AUC提升了0.03。

第6周遇到个挑战，系统日志格式不统一，有些是json有些是txt，直接读进来乱码一堆。我花了3天研究怎么用正则表达式分割字段，最后写了个通用解析器，能自动适应不同格式，效率比手动处理高不少。

实习后期参与模型上线前的压力测试，用历史数据模拟极端场景。有一次模拟发现模型在用户负债率超过3个时，风险分不稳定，波动太大。我就跟导师沟通，建议在规则里加条限制，负债率超过3的要额外扣分。导师同意了，加完之后测试结果稳定多了。

这8周最直观的感受是风控不是简单调参数，得懂业务逻辑。比如做特征工程，不能光看相关性，得结合业务场景想为什么这个特征重要。团队里有人跟我说，做风控得有“概率思维”，不能只盯着单笔损失，要看整体风险。这点对我触动挺大。

三、总结与体会

这8周，从7月1日到8月31日，实习经历让我对风控有了更实的认识。以前觉得风控就是跑数据，现在明白要懂业务、会思考。帮团队把评分卡模型年轻用户准确率从68%提到72%，AUC提升0.03，这种用数据解决问题的成就感挺直接的。处理20万条脏数据，学会用Python脚本自动清洗，效率提高不少，也体会到数据质量的重要性，这比在学校做作业要求高多了，得对每一个数负责。

这次经历让我更确定想往风控方向发展。之前对职业规划有点模糊，现在清楚了自己要补哪些技能。比如，团队老说要有“概率思维”，我就计划下学期系统学下统计建模，打算报名个CFA的金融量化方向考试，把理论知识系统化。实习里看到模型上线前的压力测试，那种对风险全面把控的感觉，让我觉得这份工作既有挑战也有价值。

行业变化快，风控手段也在变。现在很多公司搞AI风控，用机器学习自动筛选特征、优化模型。我实习时参与的评分卡项目，其实有些规则还是基于经验的，未来肯定要更依赖算法。这让我意识到，学校学的还得继续深化，特别是机器学习这块，得动手实践，不能光看理论。

最明显的变化是心态。以前做项目就是完成任务，现在知道每个步骤都可能影响最终结果，对数据的敏感度、对细节的耐心都强了。比如有一次模型验证，发现某条规则导致样本偏差，虽然只是0.5%的数据，但导师让我必须修正，那种对结果的负责感，跟学校考试不一样。抗压能力也提升了，连续加班处理数据，周末还要跟团队讨论方案，慢慢习惯了。

总的来说，这次实习像座桥梁，让我从学生思维转到职场思维。未来不管是继续深造还是直接工作，这段经历都让我更有底气。我会把实习里遇到的问题、学到的技能都记下来，持续打磨，希望能更快适应行业变化。

致谢

2023年7月1日至8月31日期间的实习经历，让我受益匪浅。感谢公司提供了这次机会，让我接触到了真实的互联网金融风控环境。特别感谢我的导师，在实习期间给予的悉心指导和耐心解答，尤其是在模型优化和数据处理方法上，很多建议都非常有针