金融学金融科技公司实习报告

金融学金融科技公司实习报告一、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担任数据分析实习生。核心工作包括搭建信贷风险评估模型，处理并清洗20000条用户数据，通过逻辑回归算法优化模型，使坏账预测准确率从68%提升至75%。运用Python进行数据挖掘，构建自动化报表系统，每周输出10份业务分析报告，为风控决策提供数据支持。通过实习，掌握了机器学习在金融风控中的应用，形成了数据驱动决策的工作方法，提升了数据处理与可视化能力。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的金融科技公司实习。主要是帮风控部门做数据分析。实习初期，我被安排熟悉业务流程，公司有套内部培训材料，我花了两周时间把信贷申请、审批、贷后管理等环节摸清楚了。第三个星期开始接触核心项目，是优化一个现有评分卡模型。这个模型之前用的是逻辑回归，准确率也就68%左右。我接手后，先从数据入手，发现原始数据有接近10%的缺失值，还有不少异常值，比如年龄出现负数。我用了Python的pandas和numpy库，花了差不多三天时间写脚本清洗数据，包括填充缺失值用均值法，处理异常值用3σ原则。数据清理后，我开始用scikitlearn重新训练模型，尝试了决策树和随机森林，最后把参数调到最优。新模型在测试集上的AUC从0.72提升到0.78，准确率也到了75%。不过过程中遇到个坎，模型在预测低风险用户时召回率特别低，我查了些资料，发现样本不均衡问题挺严重。最后通过过采样方法，把召回率提了上去。每周五我会做周报，用Tableau做可视化图表，给风控团队看。记得有一次做还款能力分析，我发现某个城市的用户逾期率突然升高，后来团队根据我的报告去核实，发现是当地水费涨价导致的，及时调整了策略。实习期间最头疼的是系统对接问题，公司用的有些老接口，数据传输慢，有时候得等半天。我自学了点API调试技巧，虽然没直接改系统，但至少能自己写脚本绕开问题。坦白说，实习中暴露了几个问题。比如公司培训机制不太完善，有些业务知识得靠同事口头传，效率不高。另外我的岗位跟学校学的课程匹配度一般，学校教的偏理论，公司实际操作更看重工具熟练度。我觉得这次实习最大的收获是，真正理解了数据在风控里的价值。以前觉得评分卡就是个公式，现在明白要考虑那么多因素，像用户行为序列、社交关系网络，这些都能影响预测结果。以后打算多学学机器学习的新模型，像XGBoost、LightGBM这些。这段经历让我意识到，做金融科技不能只懂模型，还得懂业务，不然数据再好也用不上。三、总结与体会这八周实习，像是从书本跳进现实。7月1日刚进公司时，对着那些业务术语和真实数据，说实话有点懵。但每天处理20000条信贷记录，用Python跑模型，看着准确率从68%一点点提到75%，心里真挺有成就感的。这段经历让我明白，学金融不能只停留在理论层面，风控模型里的每个参数、每个变量，都实实在在影响着钱袋子。最让我触动的，是感受到数据的力量。之前做案例分析，总觉得模型是黑箱；现在亲手清洗数据、调试参数，才懂数据质量有多重要。比如有一次发现某类用户的逾期率异常，追根溯源是还款日正好撞上当地水电费涨价，这种细节只有深入业务才能发现。实习最后做复盘时，主管还特意表扬了我这个发现，说这体现了对业务的敏感度。对我职业规划来说，这次实习像开了扇窗。以前想当投行分析师，现在更倾向金融科技领域。特别是看到团队用机器学习做实时反欺诈，那种效率和技术魅力太吸引人了。我打算下学期考个Python数据分析认证，再深入学学深度学习相关的课程，希望能把学校学的金融知识和技术工具结合起来。最大的改变，是心态上的。以前觉得做研究只要逻辑严谨就行，现在明白职场要考虑落地性。比如模型再好，算力跟不上、接口对不上，也白搭。这八周学到的不仅是技能，更是怎么跟团队协作、怎么在资源限制下找到最优解。有时候为了赶进度，连续加班到晚上10点，虽然累，但第一次体会到为工作负责的感觉。看着行业里说现在都在搞大数据风控、AI投顾，我更觉得这次实习没白费。那些技术难点，现在看来都像是为以后打基础。以后找工作，我会直接问公司用不用机器学习，要不要懂Python，毕竟实践证明，会工具的人机会更多。这段经历让我从学生思维转向职场思维，虽然路还长，但至少方向更清晰了。四、致谢在公司实习的这八周，特别感谢带我的导师，他不仅教我技术，还给我讲了很多行业里的事。同事们的帮助也很大，尤其是数据组的