金融科技科技金融实习生实习报告

金融科技科技金融实习生实习报告一、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科技金融实习生，负责数据分析与模型测试。通过处理约5000条交易数据，我优化了风险评估算法，使模型准确率提升12%，回测结果显示年化收益提高8.3%。核心工作包括使用Python（Pandas、Scikitlearn）进行数据清洗、特征工程，并搭建机器学习模型验证框架。期间，我运用了A/B测试方法，对比传统逻辑回归与集成学习的表现，最终采用XGBoost模型并完成10次迭代优化。这项工作验证了深度学习在信用评分中的有效性，形成的标准化数据处理流程可应用于其他金融场景。

二、实习内容及过程

2023年7月1日至8月31日，我在一家做消费信贷风控的金融科技公司实习。公司主要用大数据和AI技术做用户信用评估，我跟着团队做模型迭代和数据分析。

实习初期，我负责整理历史交易数据，用Python清洗了3000多条缺失值较多的样本，发现数据质量问题直接影响特征工程效果。有个具体案例是用户行为特征中的空值率高达28%，我建议用KNN填充结合业务规则修正，导师采纳后特征完整性提升至92%，后续模型训练的RMSE值从0.35降到0.29。

中期参与实时反欺诈系统优化，团队用Flink处理流数据，但我对窗口函数计算不熟，导致分析延迟超预期。为了赶进度，我自己补了SparkStreaming课程，把每小时粒度调整为5分钟，让异常检测提前10分钟左右触发预警。这个调整让某类欺诈交易拦截率从32%提高到38%。

遇到最大困难是模型上线前的A/B测试设计，原始方案把用户随机分成两半，但后来发现控制组有30%是高价值客户，导致样本偏差。我花了两天研究分层抽样，重新划分了5000个样本，确保两组用户在年龄、负债率等维度重合度超过95%，这才让模型效果验证通过。

做完这些事，我明显感觉到业务逻辑和工程实践的结合有多重要。以前只懂纸上谈兵，现在知道怎么用交叉验证避免过拟合，怎么调参平衡准确率和召回率。但公司培训偏重技术，业务培训少，比如风控指标的具体业务含义讲得不够透。建议多组织业务部门跟技术团队的交流会，比如每周三下午搞个案例分享会，把模型效果跟催收实际表现对应起来。另外岗位匹配上，初期我负责的数据标注任务重复度太高，可以让我接触更多模型调优工作。这段经历让我更清楚想进科技公司做金融，得既懂业务又会用分布式计算，这直接改变了我下学期选课方向。

三、总结与体会

这8周，我从一个只会背书的学生，变成了能摸着数据跟机器对话的准职场人。7月10号刚接手反欺诈项目时，面对几百个特征跑出来的模型，参数调来调去效果都不好，急得不行。后来导师提醒我看看特征之间的VIF值，我才明白多重共线性是主因，把冗余特征精简到50个，模型AUC从0.75直接飙到0.82，那一刻真有被数据打脸的感觉。这种用真数据反复试错的经历，比上十门课都管用。

实习最大的收获是搞懂了风控里“精准”的代价。比如我们做的某类小微贷模型，虽然最终评分卡通过率从85%压到60%，但违约率降了70%，这意味着每服务1000个客户，能少坏账70个，这比单纯追求用户量要有意义得多。现在再看行业新闻，能更快抓住“LGD（损失给定违约概率）优化”这类关键词背后的商业逻辑。

行业趋势上，我注意到现在做信贷的都卷到用图计算了，但公司用的还是传统树模型，可能成本控制是原因。我私下研究过PyTorchGeometric，发现用知识图谱分析用户关系能再提升5%的欺诈识别能力。下学期我打算啃完这门课的课设，顺便考个CFA一级，把金融知识补全。毕竟金融科技不是光会写代码就行，懂宏观政策比什么都强。

最大的转变是抗压能力吧。记得8月15号半夜被拉去复盘一笔爆雷案例，当时模型明明给了高分，后来发现用户填的地址IP属地是国外。这件事让我明白，模型再强也得跟业务逻辑死磕，这比单纯追求技术指标重要。现在写论文都敢大胆假设，因为知道数据不会撒谎。这段经历让我确认了职业方向，以后求职肯定先找能接触真实业务场景的岗位，哪怕起薪低点也行。毕竟现在市场缺的不是会调参的，而是能看懂业务痛点的技术民工。

四、致谢

感谢公司给我这个机会，让我在实习期间接触到了真实的金融科技项目。特别感谢我的导师，在模型搭建和数据处理上给了我很多具体指导，比如那个关于特征交叉的讨论，帮我打开了思路。团队里几位同事也帮了我不少忙，有次调试API接口花了两天没解决，小王主动帮我看了日志，最后发现是缓存问题。还有一次参加业务周会，