金融科技金融科技公司金融工程师实习报告

金融科技金融科技公司金融工程师实习报告一、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金融工程师实习生。核心工作成果包括开发并优化一个基于机器学习的信用风险评估模型，使模型AUC从0.75提升至0.82，处理了超过10万条信贷数据，其中包含5千个异常值样本。应用Python和SQL进行数据清洗与建模，使用TensorFlow搭建神经网络架构，并通过JupyterNotebook记录实验流程。提炼出的可复用方法论包括：采用交叉验证法提升模型泛化能力，将数据处理标准化为三步流程（数据清洗、特征工程、模型验证），显著缩短了模型迭代周期至5个工作日。二、实习内容及过程实习目的主要是把学校学的金融理论知识跟实际工作联系起来，看看金融科技这块儿到底是怎么回事，特别是模型和系统怎么搭的。实习单位嘛，是做消费信贷风控的，主要就是用大数据和AI技术来评估信用风险，技术团队挺大，用的技术栈也跟学校里接触的不太一样。实习期间，我跟着团队做了一个信用评分模型的优化项目。主要是负责一部分特征工程和模型调优。8周里，我处理了大概10万条用户的历史数据，包括还款记录、消费行为之类的。开始的时候用的是逻辑回归，AUC也就0.78左右，后来跟导师和senior研究了一下，引入了LGBM和XGBoost，还加了一些交叉验证，最后模型AUC提到了0.82以上。记得有一次调试模型参数，跑了三天都没结果，最后发现是参数调太激进，数据没洗干净，有几个异常值没处理掉，搞得模型完全跑偏了。后来我花了两天时间，把数据清洗流程标准化了，用Python写了几个自动化脚本，以后再处理类似数据就快不少。另一个挑战是跟业务部门沟通，他们提出的几个特征需求跟我学的模型假设不太搭，比如要求把某些行为的时序性弱化，这让我意识到做模型不光是技术活，还得懂业务。最后做的成果就是那个模型上线后，新用户的审批通过率提升了大概5%，不良率降低了1.2个百分点，虽然不算惊天动地，但对我自己来说挺有收获的。这段时间让我明白，做金融科技，光会算法不行，还得懂业务逻辑，跟人打交道也很重要。学校里学的理论知识是基础，但实际工作里很多东西是没教过的，比如怎么跟业务部门有效沟通，怎么在资源有限的情况下快速找到最优解。最大的转变吧，就是觉得做技术不能闭门造车，得知道自己做的东西最终要解决什么问题，怎么衡量效果。实习中也遇到了一些问题，比如单位的管理流程有点乱，项目交接的时候信息不全，有时候得自己花时间找线索；培训机制也不太完善，有些工具和平台没人带，只能自己摸索。我觉得如果单位能搞个内部知识库，把项目文档、常用工具的操作手册什么的都放那儿，新来的实习生就能更快上手。另外，岗位匹配度上，我觉得我学的有些理论知识用得上的不多，比如机器学习理论那部分，但实际工作中更多的是SQL、Python脚本写法和业务理解，这让我觉得学校的课程安排得再好也得跟实际需求多对接对接。三、总结与体会这8周，从2023年7月1号到8月31号，在金融科技公司的经历，确实让我对金融和科技怎么结合有了更具体的认识。实习的价值闭环是清晰的：我带着学校里那些有点抽象的模型理论进去，通过处理10万条数据，把模型AUC从0.78提到0.82这个实际结果带出来，还学会了怎么用SQL和Python解决具体的数据问题。这让我觉得，学习不是空转的，它能实实在在帮上忙。这段经历对我的职业规划挺重要的。我发现我对风控这块特别感兴趣，特别是怎么用数据驱动的方式来做决策。实习中做的信用评分模型优化项目，让我意识到自己在机器学习工程化方面还有很大提升空间。接下来打算深挖一下这块，比如学得更深的Python自动化脚本开发，或者去考个相关的专业证书，希望能把实习里暴露出来的短板补上。看着每天跑的脚本最终能影响实际业务的审批效果，那种成就感挺强的。最大的体会是心态的转变，以前做项目就是写完代码看结果，现在更关注整个流程怎么优化，怎么跟业务部门高效沟通。比如有一次处理数据清洗问题，光靠埋头写代码没用，我得主动去找业务同事了解他们说的“异常行为”到底是什么，才能把特征提取对。这种从纯技术视角到考虑全局的视角转变，我觉得是最大的成长。对行业趋势的展望，我觉得现在金融科技特别强调数据驱动和智能化，像模型解释性、数据隐私保护这些会越来越重要。我实习那会儿看到的内部讨论，很多都在说怎么把LLM技术用到风控报告生成里，或者怎么用联邦学习解决数据孤岛问题。虽然我实习期间没直接参与这些前沿项目，但感觉这些方向会很有前景。如果以后有机会，真想往这个领域深耕。这次实习让我更有信心去迎接挑战，也让我明白持续学习的重要性。四、致谢在这次为期8周的实习中，得到了很多帮助。感谢实习单位给我这个机会，让我接触到了真实的金融科技项目。特别感谢我的导师，在实习期间给了我很多指导，尤其是在信用评分模型优化和数据处理方法上，他分享的经验让我受益匪