金融科技金融科技公司金融科技专员实习报告

金融科技金融科技公司金融科技专员实习报告一、摘要2023年6月5日至8月23日，我在一家金融科技公司担任金融科技专员实习生，负责数据分析与模型优化工作。通过处理2022年第四季度至2023年第一季度的用户行为数据，我构建了3个预测模型，准确率达到86%，帮助团队将用户流失率降低了12%。核心工作包括清洗200万条交易记录，使用Python进行数据挖掘，并运用机器学习算法实现自动化风险筛查。专业技能方面，熟练掌握了Pandas、Scikitlearn等工具，并实践了A/B测试方法验证模型效果。提炼出的方法论包括：通过数据分层提升模型泛化能力，以及建立动态监控指标体系以实时优化策略。这些成果验证了技术驱动业务增长的可行性。二、实习内容及过程实习目的是想看看金融科技在实际业务里的样子，不是光看理论。那家公司做的是消费信贷风控，挺注重数据驱动决策的。6月5号到8月23号，我跟着团队搞模型优化。刚开始主要是熟悉环境，弄懂他们用的数据源，有用户行为日志、交易记录这些，量挺大的，得用Pandas处理。我接手了个项目，是优化用户流失预测模型。原模型是基于逻辑回归的，效果不算差但提升空间明显。6月15号开始，我把2022年Q4到2023年Q1的200万条用户数据洗了一遍，发现不少缺失值和异常值，直接填充或者删了都不对，最后用了均值法和回归插补结合的方式。然后我尝试了几个算法，像随机森林、XGBoost，调了半天参数，发现用XGBoost效果最好，AUC从0.82提升到0.86。7月10号左右做完初版模型，团队在测试集上跑了一下，确实把流失率降了12%，他们挺满意的。过程里最难的是数据清洗那会儿，有些字段缺失率超过30%，直接扔掉模型肯定不准。我花了不少时间研究怎么处理，最后发现分层抽样加模型补齐挺管用，学到了不少数据治理的细节。另一个挑战是模型解释性，风控这行得知道为啥拒贷，我用了SHAP值做可视化，虽然不是特别懂，但团队说比之前好懂点。培训其实一般，就给了些内部文档看，自己得多摸索。他们那套流程挺规范的，从数据采集到模型上线，但感觉部门间沟通有点脱节，风控和业务部门有时候想法不太一样。我建议可以搞个定期的交叉培训，比如风控给业务讲讲模型原理，业务也给风控提提需求侧的痛点，这样模型出来可能更接地气。这8周让我明白，金融科技不是搞出来模型就行，还得懂业务场景，知道怎么把技术落地。我以前觉得算法至上，现在觉得模型效果再好，要是不能帮业务解决问题，那也没啥用。这经历让我更想往数据分析师方向发展了，虽然知道这条路不好走，但至少知道方向了。三、总结与体会这8周，从6月5号到8月23号，感觉像是突然被推到了真实的世界里。实习最大的价值在于，我把学校学的那些理论，像机器学习算法、数据分析方法，真真切切用在了能看见结果的业务里。以前做项目，数据对齐完就跑模型，现在明白得多了，知道怎么跟业务部门沟通需求，怎么解释模型的不完美，怎么根据反馈迭代优化。比如7月15号那会儿，模型AUC到了0.86，团队说业务理解起来费劲，我就回去研究SHAP值可视化，虽然做得不咋地，但至少知道方向对了。这种把知识转化成实际产出的感觉，挺有成就感的。对我职业规划来说，这次经历就是一剂强心针。以前有点迷茫，现在更清楚想做什么了。实习里接触到的模型优化、数据治理，这些都是我接下来要重点学的。9月到12月，我打算系统补一下Python的数据分析库，特别是Pandas和Scikitlearn的高级应用，争取把之前没做深的课题补上。另外，风控这边提到的反欺诈策略，也让我意识到要考个CFA或者FRM，把金融知识补齐。实习让我明白，光有技术不行，还得懂业务、懂金融，这样以后发展空间才大。看着8月23号离职时整理的实习笔记，感觉跟学校完全不一样。以前做作业，错了改改就行；现在处理数据，哪怕错一个地方，可能整个模型结果都不对，得特别细心。团队那种快节奏、高标准的要求，也逼着我得赶紧提升。有时候加班到晚上十点，想想第二天要开的会，要调的参数，虽然累，但心里是踏实的。这种为结果负责的感觉，是以前做项目体会不到的。行业趋势这块，实习里明显感觉到，现在金融风控越来越依赖大数据和AI了。像他们用的XGBoost，能处理高维数据，效果也确实好。但同时，模型风险、数据隐私这些话题也多了起来。9月刚开学，我打算关注下监管政策这块，看看有没有新的规定出来，毕竟技术要服务于合规才行。金融科技这块，感觉未来机会挺多的，但挑战也大，得持续学习，才能跟上节奏。这次实习就像开了个头，后面路还长，得一步一个脚印走。四、致谢感谢在实习期间给予