数学与应用数学金融分析公司金融分析师实习报告

数学与应用数学金融分析公司金融分析师实习报告一、摘要2023年6月5日至8月23日，我在金融分析公司担任金融分析师实习生，负责协助完成30份行业研究报告，其中10份涉及量化模型构建。核心工作成果包括：通过Python实现5个动态估值模型，覆盖200家上市公司，模型预测准确率提升12%；参与设计3场投资者交流会，整理并分析150份反馈问卷，优化报告结构。专业技能应用方面，运用MATLAB完成金融时间序列分析，构建的GARCH模型对市场波动率预测误差降低至8.7%；将公司内部风控方法模块化，形成可复用的信用评分体系框架。通过处理海量金融数据，掌握了从数据清洗到可视化呈现的全流程方法论，为后续研究奠定实践基础。二、实习内容及过程2023年6月5日到8月23日，我在一家金融分析公司实习，岗位是金融分析师。公司主要给机构客户做研究报告，覆盖资产配置和行业分析。实习初期跟着导师熟悉工作流程，学怎么处理金融数据。导师给我布置了整理行业数据的工作，涉及200多家公司，数据量有800多张表。我每天早上先看交易所公布的行情数据，用Excel清洗数据，下午用Python写脚本自动提取关键指标。第一个挑战是数据格式不统一，有些公司财报是PDF，我就用正则表达式抓取数字，花了3周才弄通。后来我学会了用BeautifulSoup库，效率高多了。7月15号开始参与估值模型项目，团队让我做医药行业的可比公司分析。我收集了10家上市公司过去3年的PE、PB、PS估值数据，用Excel回归分析，发现行业估值中枢在28倍左右。导师让我用Python实现动态估值模型，我用了NumPy和Pandas，把模型参数设为可调，最后模型预测准确率比原始方法高12%。8月我独立完成了一份关于新能源行业的报告，用了GARCH模型预测波动率，误差率控制在8.7%以内。实习后期参与了两场投资者交流会，我负责整理反馈问卷。150份问卷里大部分投资者关心报告里的信用评分部分，我就把方法拆解成模块，做成可拖拽的评分表，同事说这个方法挺实用的。公司流程有时候挺繁琐的，比如报告要过三道审核，我提过能不能用钉钉群同步修改，但没人采纳。我觉得培训机制可以改进，新来的实习生连Wind数据库都不会用，公司就发了几本旧书，没人带。岗位匹配度上，我希望能接触更多量化建模，现在的工作偏研究，有点遗憾。如果再来一次，我会提前学VBA，效率能高不少。这段经历让我明白，光会理论不行，得把模型落地，现在我对职业规划更清晰了，想往量化方向发展。三、总结与体会这8周实习像把书里的公式搬到了电脑屏幕上，感觉特别真实。6月5号刚来的时候，连行业代码都记不全，现在能独立跑完整个研究流程了。最有成就感的是7月10号那个新能源报告，用GARCH模型预测的波动率误差才8.7%，比团队平均水平低2个百分点，那几天每天加班到10点，但值了。这段经历让我最清楚自己缺什么以前觉得线性回归很简单，实际处理3000条股价数据时，才知道时间序列那套东西有多复杂。现在每天下班都刷CFA教材，想把信用分析和固定收益那几章啃下来，感觉离目标近了点。公司里看研究报告就像看天象，各种指标满天飞，但真正有用的其实就那么几个。我悟了，做研究不能像逛超市扫货似的，得带着问题去，比如8月那场交流会上，投资者最关心的其实是信用评分的底层逻辑，我就把模型拆成10个模块，他们一看就懂。这让我觉得，以后做任何事都得琢磨怎么把复杂问题说简单。实习最后那周整理反馈，发现90%的意见是报告太密，字密得跟挤牙膏似的，以后写东西一定留白。心态上变化也大，以前做作业拖到最后，实习期间因为要准时交报告，第一次体会到截止日期的重量，抗压能力明显强了。行业里现在都在搞人工智能选股，但我觉得好东西都得慢慢来。这段经历让我明白，学数学和应用数学的，进金融能做量化，能建模，但真要留下来，还得懂市场。未来打算先把CFA考过，顺便学点Python的机器学习库，再回学校啃啃高级金融数学，争取下次实习能接点更难的活。8周时间太短了，就像在沙滩上盖房子，刚成型就被潮水冲走，但至少知道地基该怎么打。现在回头看，最大的收获不是学会了多少技能，而是突然意识到，以后说话得对得起自己敲过的每一个数据。四、致谢在这里谢谢我的实习单位，让我有机会把书本上的东西用真钱数对着。特别感谢我的导师，那段时间他教我跑模型，从早到晚跟着我改代码，耐心得很。还有带我的