数学与应用数学金融机构风险管理实习报告

数学与应用数学金融机构风险管理实习报告一、摘要

2023年7月1日至2023年8月31日，我在XX金融机构风险管理部担任实习分析师。核心工作包括使用Python构建信用风险压力测试模型，覆盖200家上市公司数据，模型预测准确率提升12%。运用R语言分析历史波动率数据，完成50份市场风险报告，提出3项风险对冲建议被部门采纳。通过VBA自动化处理30万条交易日志，效率提升40%。期间，将数理统计方法应用于VaR计算，结合蒙特卡洛模拟优化参数设置，使模型覆盖率从80%提高至95%。掌握的风险管理方法论可复用于高频交易风险评估，数据清洗与特征工程流程标准化后可推广至同类机构。

二、实习内容及过程

2023年7月1日到8月31日，我在一家金融机构风险管理部实习。部门主要做信用和市场风险，我跟着做数据分析。刚开始主要是熟悉公司用的风险模型，比如内部评级法下的PD、LGD估算。我花了两周时间整理了200家上市公司的财务数据，用Python做探索性分析，发现中小企业的Z-Score指标普遍偏低，提示违约风险可能被低估。导师让我用R语言搭一个VaR模型，我用了过去两年的日度股价和波动率数据，试了GARCH和历史模拟法，GARCH模型的AIC值比历史模拟低15%，最终选它做基准。但跑起来发现参数不稳定，有时候杠杆效应不明显，问了师兄才知道要分行业跑，数据预处理没做好。后来我改了代码加行业分组，结果覆盖率从82%提高到89%。还有个挑战是处理交易日志，有30万条数据格式乱，我一开始用Excel慢死了，后来学了VBA写了个脚本，五分钟就处理完了。这段经历让我明白风险管理不是光靠公式，业务理解很重要。比如做压力测试时，我发现自己用的GDP增速假设太乐观了，跟部门业务条线沟通后调整了情景，结果敏感性分析更准了。不过公司培训确实一般，就发了几份内部报告让我看，也没系统讲过压力测试的情景设计逻辑，这点挺遗憾的。我建议他们可以搞个风险管理工具库，把常用模型和参数设置标准化，新人上手会快很多。现在想想，岗位匹配度上有点偏，我的工作更偏量化分析，要是能接触更多风控决策流程就好了。总的来说，这次实习让我把统计课上的VaR计算、压力测试这些理论用上了，虽然数据来源和模型细节都是内部机密，但那套数据清洗、模型验证的流程，还有跟业务部门沟通的技巧，对我以后找相关工作肯定有用。

三、总结与体会

2023年8月31日结束的这8周实习，让我把大学学的数理统计、随机过程这些知识真真切切用在了刀刃上。从刚来时连VaR的参数怎么调都搞不清，到现在能独立跑个GARCH模型分析波动率，中间踩过的坑、摸过的石头，都变成经验了。比如做压力测试那会儿，我套用教科书里的衰退情景，结果发现跟咱们这边业务实际对不上，后来跟交易部师兄聊了两天，才明白要分行业调整资产负债表假设。这事儿让我特明白，风险管理不是关在屋里搞模型，得懂业务。

实习最大的收获是职业认知清晰了。以前觉得风险管理就是套公式，现在知道要跟踪宏观变量、懂交易逻辑，还得会跟人打交道。比如我参与的信用风险数据清洗项目，要跟几个业务口要数据，有次因为格式问题磨了三天，最后发现是系统导出时默认带了个分隔符。这让我意识到，以后做量化工作，沟通能力比单纯会写代码更重要。

看着部门用的那些风控系统，我意识到自己现在会的还太基础。比如压力测试里用的Copula函数组合，我回去得好好补补金融统计那几门课。公司去年发的《市场风险计量准则》更新版，我抽空看了一些，感觉对VaR的敏感性要求更严了，这提醒我下次考证得重点攻这块。行业现在搞数字化风控，像机器学习预测PD这种挺火，但我这边用的还是传统模型，估计是数据量不够。

这8周让我从一个懵懵懂懂的学生，开始有点当职场人的自觉了。以前熬夜赶报告觉得是苦，现在觉得是责任。虽然最后那份实习报告里的模型参数还得保密，但那套从数据拿到结论的完整流程，还有遇到问题先自己找答案再求助的劲头，都是真金白银的经验。下学期我打算报个CFA一级，先把固定收益和衍生品过一遍，争取明年能投递相关岗位。这行变化快，不持续学真不行。

四、致谢

在XX金融机构的这8周实习，得益于部门领导和导师的信任。导师在压力测试模型搭建上给了我关键指导，特别是如何处理行业差异化的情景设置。谢谢同事们在数据获取和系统使用上的帮