互联网金融公司风险控制实习生报告

互联网金融公司风险控制实习生报告一、摘要

2023年7月1日至2023年8月31日，我在互联网金融公司担任风险控制实习生，负责数据清洗与模型验证工作。通过处理平台每日产生的200万条交易数据，识别并标记出3.2万个异常交易行为，准确率达92%，为风控模型迭代提供了关键数据支持。运用Python进行数据挖掘，优化了原有特征筛选流程，将模型训练时间缩短了40%。期间，参与制定了《反欺诈规则V2.0》，其中引入的机器学习算法使疑似欺诈交易拦截率提升至85%。掌握的SQL数据查询与Tableau可视化技能，帮助团队完成了季度风险报告的编制。形成的“多维度特征交叉验证法”可应用于同类业务场景，有效降低漏检率。

二、实习内容及过程

实习目的呢，主要是想看看风险控制在实际工作中是个啥样，理论咋落地。7月1号入职，在个做借贷风控的公司待了8周。他们那主要靠大数据和模型来识别风险，系统挺复杂的，涉及用户行为分析、信用评分、反欺诈这块儿。

实习内容就是跟着师傅搞数据。初期帮忙整理历史交易记录，得把缺失值填上，异常值标记出来。记得7月10号左右，负责个项目，得处理过去半年的用户还款数据，数据量得有3亿多条，光清洗就花了两周。用Python写脚本，调了N次才把错误率降到1%以下。后来开始接触模型，师傅让我用逻辑回归帮着看下新上线的模型效果，发现AUC指标才0.75，跟预期差不少。为啥呢？后来知道是特征没选对，有些高维度的特征反而引入了噪声。

困难啊，第一个是数据质量真不咋地，很多字段缺失，7月15号有个任务是得把用户年龄补齐，试了均值填充、插值法，效果都不好，最后跟团队商量着用了基于卡方检验的变量组合来填充，效果还行，误差降了20%。第二个是模型调参太磨人了，8月5号调试LGBM模型，参数调了快一周，AUC从0.78调到0.82，但再往上就上不去了。最后师傅教我用贝叶斯优化，效率高多了。

成果的话，参与了个反欺诈项目，用自己加的几个特征，把模型召回率从72%提到了78%，虽然提升不算特别夸张，但毕竟是自己动脑子加的。还写了份风险报告，老板看了说还行，里面分析的几个典型案例挺有参考价值的。收获最大的还是学会了怎么处理脏数据，还有调模型不能光看参数，得结合业务理解。

挑战嘛，就是感觉公司培训有点弱，很多工具都是现学现用，比如那个特征工程的方法论，没系统教，全靠看书和问师傅。岗位匹配度上，初期觉得要学的东西太多，有点懵，后面才慢慢找到感觉。建议呢，就是能不能搞个新人手册，把常用工具和流程写明白，另外可以搞点线上学习资源，像特征工程那种，最好有案例拆解。职业规划上，这次实习让我更确定想往风控方向发展了，但知道自身能力还差得远，得继续补数据挖掘和机器学习这块儿课。

三、总结与体会

这8周，从7月1号到8月31号，在公司的经历像把理论往实践上硬套，过程挺磨人的，但也真长了不少见识。开始时觉得风险控制不就是看数据找异常吗，简单得很，结果真上手才明白，里面门道深着呢。处理过一次3亿多条的交易记录，光清洗就耗了快两周，期间补全用户年龄那个事儿，试了N种方法，最后用卡方检验组合填充才把误差往下摁了20%，那一刻感觉挺值的，虽然累得要死。参与的反欺诈项目，加的几个特征让模型召回率从72%提到78%，不算惊天动地，但确实是自己动脑子搞出来的，这种感觉挺不错。实习价值算是闭环了，学到的技能跟学校那套完全不一样，像特征工程、模型调参那些，都是真刀真枪练出来的。

对职业规划的影响挺大的。以前没想这么细，现在清楚自己想干嘛了。风控这行，数据是根本，机器学习是手段，但最终要服务于业务，这三者的平衡得好好把握。行业趋势上，现在越来越强调AI在风控中的应用，像联邦学习、图计算那些，听着就挺酷，未来得重点跟进。心态上变化挺明显的，以前做作业那是按部就班，现在遇到难题得自己想办法，抗压能力确实强了点，责任感也重了。比如有一次模型效果不理想，加班到半夜调试，虽然最后解决了，但确实体会到工作不是学校，没人手把手，问题都得自己扛。

后续打算呢，得把实习里接触到的LGBM、XGBoost这些模型再深入研究下，争取把调参那套流程吃透。学校还有门机器学习进阶课，得认真上，另外打算明年考个数据分析相关的证书，把简历撑得好看点。这段经历虽然不长，但确实把我的视野打开了，知道了自己哪些地方还差得远，接下来的路得怎么走，心里大概有谱了。感觉从学生到职场人的转变，关键就是个“责任”俩字，得对自己做的每件事负责，这点比啥都重要。

四、致谢

在公司这8周，真的挺感谢那帮人的。带我的师傅，虽然话不多，但教我查数据、调模型那股劲儿，挺实在。还有一起做项目的几个同事，啥时候需要帮忙，他们都挺够意思，一起扛事儿的