经济学金融机构实习报告

经济学金融机构实习报告一、摘要

2023年7月1日至2023年8月31日，我在一家商业银行的金融市场部担任实习生，负责协助完成信贷风险评估模型的数据清洗与分析工作。通过运用Python对2022年1月至2022年12月的5000份企业信贷数据进行预处理，识别并剔除23%的异常值，使数据准确率提升至98.2%。参与构建的信用评分模型预测准确率达到85.6%，较部门原有模型提高5.3个百分点。期间，系统掌握了Pandas和NumPy库在金融数据处理中的应用，并形成了一套标准化数据清洗流程，包括缺失值填补、多重共线性检验等模块化操作，这些方法论可直接应用于后续类似数据分析任务中。

二、实习内容及过程

2023年7月1日到8月31日，我在一家证券公司的投资银行部实习，主要任务是协助完成IPO项目的尽职调查。刚开始接触的是一家医药企业的财务数据核查，需要核对2022年全年的财务报表和审计报告。我花了两周时间，用Excel和Python筛选出所有收入和成本构成异常的账目，发现其中有12笔关联交易没有在附注中充分披露，这让我意识到尽调的严谨性。

7月18日，我被分配参与一家科技公司的估值建模工作。团队用的是DCF模型，但我发现他们对折现率的计算过于简化，直接用了行业平均无风险利率。我提出建议，建议用公司实际资本成本加风险溢价来调整，并查找了同行业的5家上市公司数据进行对比分析。虽然只是辅助建模，但最终报告里采纳了我的部分计算方法，把折现率从12%调低到10.5%，使得公司估值从78亿上调到86亿。

8月初遇到个挑战，是处理一家制造业客户的股权结构，原始资料是手写的，信息混乱。我花了3天时间，用ArcGIS做了个股权穿透图，把所有间接持股关系都可视化出来，还用Excel做了数据透视表，把最终持股比例超过5%的股东都标记出来，最后形成了清晰的股权关系矩阵。带我的老师挺认可的，说这种可视化工具在尽调里很有用。

实习期间，公司对新人的培训确实不系统，很多流程都是靠摸索，比如尽职调查的底稿整理标准，不同项目之间差异挺大。有时候一个简单的附件编号规则就要问三四次。另外，岗位匹配度上，我更想去研究二级市场，但这里的工作更偏向一级市场的基础操作。

我觉得最大的收获是学会了怎么把理论和实践结合，比如之前学的资本资产定价模型，现在真用上了。但我也意识到，自己的行业知识还太浅，比如对科创板和创业板的上市条件区别理解不深，这让我决定下学期要重点补这块内容。这次实习让我更清楚自己到底喜欢什么，以后可能得找更对口的岗位。

三、总结与体会

这8周，从2023年7月1日到8月31日，在金融机构的实习让我对经济学理论有了更实感的认识。以前觉得资产定价模型、风险管理模型是书本上的公式，现在亲眼看到它们如何被拆解成具体的计算步骤，并最终影响投资决策。参与的那个IPO项目，我负责的财务数据核查环节，最终报告中明确引用了我发现的3处关联交易细节，这让我觉得付出的精力真的有了落点。实习结束那天，带我的老师还特意说，看我处理数据时用的那个异常值检测方法，思路挺专业的，比我预想的强。这种具体反馈很宝贵。

实习最大的收获是学会了怎么在压力下工作。有一次要赶一个行业研究报告，凌晨两点还在改数据，因为初版模型预测误差率太高，最终通过调整参数把误差控制在5%以内才过关。那种感觉挺奇妙的，原来理论模型真的能被用出来解决实际问题。这也让我更确定了自己未来的方向，之前想考研，现在更想直接进入市场部，先把量化分析技能练扎实。

行业里现在特别强调ESG（环境社会治理）因素在投资决策里的权重，我在实习中接触到的那个科技公司尽调，就专门有团队核查其碳排放数据。这让我意识到，以后学东西不能只盯着传统的财务指标，得拓展知识面。下学期我打算报名CFA一级的考试，先把基础投行知识系统学一遍。实习也让我明白，职场和学校最大的区别是，学校里犯错可以重来，但工作中一个小的数据错误可能就导致连锁反应。这种责任感是以前没有体会过的，以后肯定更能抗压了。

看着那些复杂的交易结构图和估值模型，突然觉得，自己离真正的金融界就差这么一步，而这步，我已经迈出去了。剩下的路，就是一步一个脚印走下去。

四、致谢

感谢这次实习机会，让我在2023年7月1日到8月31日期间，有机会在金融机构体验实际工作。特别感谢导师在项目中的耐心指导，那些关于信用评分模型细节的讨论，帮