金融科技科技金融科技实习生实习报告

金融科技科技金融科技实习生实习报告一、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数据分析师实习生，负责金融产品风险评估模型的优化与迭代。通过运用Python和SQL进行数据清洗与挖掘，我处理了约50万条用户交易数据，识别出关键风险因子12个，使模型准确率提升了8.2%。核心工作包括搭建自动化数据监测系统，日均生成200+份风险报告，为业务部门提供了决策支持。期间，我熟练应用了机器学习算法（如随机森林）和SQL复杂查询优化技术，并形成了“数据模型验证”的可复用方法论，具体体现在处理缺失值时采用KNN插补法的成功率提升15%。这些实践强化了我的数据分析能力，并积累了金融科技领域的实战经验。

二、实习内容及过程

2023年7月1日至8月31日，我在一家金融科技公司实习，岗位是数据分析实习生。公司主要做信贷风险评估，系统挺复杂的，用到不少机器学习模型，像逻辑回归、XGBoost这些。实习初期，我跟着导师熟悉业务流程，主要是看他们怎么处理借贷申请数据，怎么标记正负样本。我花了大概两周时间，整理了公司内部使用的特征工程文档，把原有的30多个特征分类归档，还发现3个有明显冗余的特征，建议优化后，模型训练时间缩短了10%。

中期我开始独立负责一部分数据清洗工作。有一次处理用户行为数据时，发现缺失值比例高达25%，直接用均值填充肯定不行，影响模型效果。当时挺犯难的，导师建议我试试KNN插补法，我花了两天时间用Python重新写了一套填充脚本，对比了不同距离参数的影响。结果填完缺失值后，模型在测试集上的AUC从0.72提升到0.76，效果立竿见影。这个经历让我明白，数据预处理真的很关键，有时候比模型选型还重要。

我还参与了一个实时反欺诈项目。项目要求在5秒内出结果，我负责部分特征计算模块。一开始用传统SQL查询太慢，跑一次查询要3秒多，根本满足不了需求。后来我学了Spark的DataFrameAPI，把部分计算改写成分布式执行，速度直接快了8倍，降到0.4秒左右。虽然最后上线的是优化后的版本，但这个过程中我真切体会到，金融场景对时效性要求有多高。

实习中遇到的最大挑战是模型解释性这块。业务部门特别在意模型为什么给出某个评分，单纯说靠机器学习算法不行，得能解释得通。我花了1周时间研究SHAP值，写了可视化脚本，把特征影响程度用条形图展示出来，每次开会都能把复杂模型讲清楚，感觉挺受用。不过现在想想，公司给新人的培训还是差了点，有些工具像PyTorch调试器我都是自己摸索的，花了不该花的时间。

岗位匹配度上，我负责的工作70%是数据处理，30%才是模型调优，跟我期望的能多接触算法开发有点出入。但好处是，我对信贷风控全流程有了更直观的认识，不像学校里只做理论。如果再给一次机会，我会提前跟导师多沟通，争取参与更多建模相关的任务。

三、总结与体会

这8周，从2023年7月1日到8月31日，在金融科技公司的经历让我对数据分析有了全新的认识。实习前觉得模型调参就是改参数，来了之后才发现，把数据洗干净、特征选对，比单纯堆砌算法更重要。处理那批50万条交易数据时，我花两周时间优化特征，最终模型AUC提升8.2%，这个数字不是随便写的，是我每天盯着不同参数跑几百次得到的。这段经历让我明白，做金融科技真的要能扛事儿，有时候为了0.01的准确率，可能要调几天参数。

实习最大的收获是学会了怎么跟业务部门沟通。之前在学校做项目，数据跑通就完事了，这次我给风控部门做演示，必须把逻辑回归系数转化成业务语言，比如“用户浏览产品页超过3次，对模型的正向贡献值是0.15”，这种表达方式他们才能理解。这种转化的能力，我觉得比学会某个新算法更重要。

对职业规划来说，这次实习让我更确定想往量化方向发展。之前觉得模型开发离自己很遥远，现在参与过全流程，从数据采集到模型部署，每一步都踏实多了。接下来打算系统学一下Python的深度学习库，下学期争取考个CFA一级，虽然知道现在刚毕业用处不大，但至少能让自己更体系化。

看现在行业新闻，说AI在信贷风控里应用越来越广，像我的工作里，LSTM预测用户行为趋势也很常见。感觉技术迭代特别快，不持续学习真会被淘汰。这次实习还让我发现，虽然公司培训一般，但自己主动找资源的能力太重要了，我后来自学了Hadoop生态，最后在处理大规模数据时帮团队解决了点问题。这种自驱力，我觉得比实习单位给的平台更重要。从学生到职场人的心态转变真挺大的，以前觉得犯错不可怕，现在明白在金融领域，数据错一个字节可能都是大事，这种责任感是以前没有的。

四、致谢

感谢在实习期间给予我指导的导师，他在模型优化方面给了我很多具体建议，尤其是在处理那批缺失值比例超过25%的用户行为数据时，他的KNN插补法思路让我受益匪浅。

感谢同组的几位同事，他们在我写Spark脚本遇到瓶颈时分享了调试技巧，还经常和我讨论特征工程的实际应用场景，比如如何把用户注册时长转化为有效风险因子。虽然大家工作都很忙，但总愿意停下来交流。

感谢学校指导老