数学与应用数学XX金融公司风险分析师实习生实习报告

数学与应用数学XX金融公司风险分析师实习生实习报告一、摘要

2023年6月5日至8月23日，我在XX金融公司担任风险分析师实习生。核心工作成果包括：运用Python对市场波动率数据进行处理，完成200份风险敞口报告，其中模型预测误差率控制在1.2%以内；参与信用风险评估项目，通过构建逻辑回归模型，将坏账率预测准确率提升至85.7%。专业技能应用方面，熟练运用SAS进行数据挖掘，利用时间序列分析（ARIMA模型）预测短期利率变动趋势，相关系数达0.92。提炼出的可复用方法论包括：标准化数据清洗流程，建立动态风险监控指标体系，有效降低模型偏差。

二、实习内容及过程

实习目的主要是把学校学的数学建模、统计学知识用到实际工作中，了解金融风控的具体流程，看看自己喜不喜欢这个方向。

实习单位是家挺大的金融机构，主要做投资和资产管理，风控部门负责计算各种风险值，给业务部门提建议。

实习内容开始是熟悉环境，看团队之前做的风险报告，了解常用的风险指标，比如VaR值、压力测试结果啥的。后来开始接手具体工作，主要是帮分析师整理信用风险数据。

6月10号到15号，我负责整理一个信贷组合的违约概率数据，有500多家公司的信息，包括财务指标和行业分类。我用R语言做数据清洗，发现有30%的数据存在缺失值，就根据行业均值和公司规模做了插补。后来分析师用这个数据跑逻辑回归模型，预测的坏账率准确率比之前高了1.5个百分点，我觉得挺有意义的。

6月20号开始参与一个市场风险项目，主要是计算股票投资组合的VaR值。团队用的是蒙特卡洛模拟方法，我负责生成随机收益率序列，调试了快两周，一开始对正态分布假设不太理解，觉得实际市场波动比模型模拟的剧烈多了。后来问了导师，才知道要考虑GARCH模型来捕捉波动率聚类效应，学到了不少。

7月1号到8号，遇到个难题，有个风险报告要用到死亡率模型，但历史数据只有月度数据，不够精细。我尝试用时间序列的ARIMA模型拟合，但效果不好，预测误差超过5%。后来导师建议我用泊松过程模型，按天拆分事件，最后预测误差降到2.3%，这个方法后来我一直在琢磨。

实习成果主要是完成了8份风险分析报告，其中3份被团队采用，有1份关于行业集中度对信用风险影响的报告，分析师说我的图表做得清晰，数据也整理得仔细。我还搭建了一个小型信用风险评估模型，用LASSO回归筛选关键变量，AUC达到了0.87。

过程中最大的挑战是第一次接触压力测试，对各种情景设定参数没概念，比如利率跳崖多少、汇率波动多少，问了几次才大概明白。还有就是编程能力不足，Python处理大数据时总卡顿，后来学了Pandas的chunksize参数和并行计算，效率提升明显。

实习让我意识到自己统计知识储备还不够，尤其是高频交易相关的风险管理方法，比如Delta对冲啥的，学校没教太多。另外，团队内部培训有点跟不上节奏，我报名了几个内部风险模型的培训课，但有些内容讲得太快，希望能有更系统的入门材料。

对职业规划来说，这次经历让我更确定想往量化方向发展，但明白自己还得补不少课。要是单位能多搞些新人引导计划，比如每周固定时间分享风控案例，或者提供一些入门级的建模题库，可能帮助会更大。毕竟刚接触，啥都新鲜，但有些流程看多了也容易麻木，多些互动交流应该会好点。

三、总结与体会

这8周在XX金融公司的经历，让我感觉像是从理论世界一头扎进了实践的浪潮里。6月5号刚来的时候，连VaR具体怎么算都还模糊，现在参与完整个风险报告的迭代过程，那种把抽象模型变成实际数字的感觉，挺奇妙的。

实习最大的价值在于把课本知识串联起来了。比如学过的逻辑回归，在6月15号处理信贷数据时突然就派上用场了，虽然只是做数据清洗和模型辅助验证，但能感觉到统计方法在真实场景里的力量。7月的时候调试蒙特卡洛模拟，对着屏幕调了一上午参数，看着最终输出的VaR值跟市场数据对得上，那种成就感挺直接的。这让我明白，风控不是光靠公式，还得懂业务、会沟通，分析师不仅要懂数据，还得能把复杂的风险点用简洁语言说清楚。

对职业规划来说，这次经历像打开了扇窗。以前觉得风险管理就是跑模型，现在知道其中门道多了，比如信用风险和市场的关联性、宏观环境对风险指标的影响，这些都得动态看。现在看招聘要求，发现不少岗位要GARCH模型、机器学习，这些正好是我想补的短板。8月底的时候，我报了Coursera上的金融风险管理专项课，打算系统学学压力测试和信用衍生品那块。

行业趋势的话，感觉现在大家对模型验证和压力测试越来越重视了。7月做死亡率模型时，导师特别强调要用多种模型交叉验证，防止单一模型失效，这让我意识到风控领域正从单一模型向集成方法发展。另外，AI在风险预警中的应用也特别明显，我整理的那些信贷数据，如果用现在流行的图神经网络可能效果会更好，这让我觉得持续学习太重要了。

心态转变是最大的收获。以前做作业对结果精确到小数点后四位就行，现在知道商业决策往往要在数据模糊地带做取舍。7月有一次计算某行业集中度指标，结果跟历史数据差异太大，反复检查了3天，最后发现是某公司数据口径变了，这种经历让我明白责任不是做出完美答案，而是确保信息准确传递。抗压能力也强了点，像调试模型卡死时，以前可能直接放弃，现在会先查文献再请教同事，效率高多了。

后续打算把实习用的R语言包再系统学学，特别是时间序列那部分，准备把信用风险报告的模型用Python重写一遍，练练代码能力。如果下学期有机会，想找机会了解下监管合规这块，毕竟风控不是只跟数字打交道，还得懂规则。这段经历让我更清楚自己的弱项和兴趣点，也算是个完整的价值闭环吧。

四、致谢

感谢XX金融公司给我这次实习机会，让我能接触真实的风险分析工作。

特别感谢我的导师，在实习期间耐心指导我理解VaR计算和市场风险模型，还有那位帮我解决Py