主导消费金融全产品线（信用贷/循环贷/场景分期）的反欺诈策略设计与迭代，覆盖贷前准入、贷中监控、贷后处置全流程，协同数据、模型、运营团队构建基于设备指纹、关联网络、行为序列的多维度欺诈防御体系，目标将资损率控制在0.08%以内并平衡用户体验。

• 针对2023年Q2突发的‘养号套现’黑产攻击（通过批量注册虚拟设备+伪造消费轨迹骗取额度），牵头设计‘设备可信度分层+行为时序异常检测’复合策略：基于自研设备指纹SDK（集成IMEI/AndroidID/蓝牙MAC多源校验）识别虚拟设备伪装，结合LightGBM模型对用户首笔交易时间分布、页面停留时长波动等237维行为特征建模，输出风险评分；同步优化规则引擎阈值，将黑产识别准确率从78%提升至92%，当月拦截欺诈申请1.2万笔，涉及资金4800万元，资损率环比下降21%。
• 主导搭建‘黑产关联网络分析平台’，接入央行征信、司法涉诉、第三方支付流水等外部数据，运用图神经网络（GNN）挖掘‘同设备多账户’‘同IP集群注册’‘资金闭环流转’等隐蔽关联关系，识别出12个跨产品线的欺诈团伙（单团伙平均涉案金额超300万）；推动将关联分纳入贷中监控策略，触发后自动冻结账户并启动人工复核，全年阻断团伙欺诈损失7600万元，误触正常用户比例控制在0.3%以下。
• 优化策略自动化迭代流程：基于A/B测试框架设计‘策略效果-业务影响’双维度评估模型，开发策略调优工具包（集成SHAP值解释、特征重要性排序功能），将单次策略迭代周期从7天缩短至3天；2024年主导完成12次大版本策略更新，贷前欺诈拦截率从85%提升至91%，误拒率从4.2%降至3.1%，支撑业务审批效率提升25%。
• 应对监管‘断直连’政策调整，协同合规部梳理反欺诈数据使用边界，重构基于联邦学习的跨机构风险信息共享机制；在不传输原始数据的前提下，联合3家同业机构交换黑产标签特征，扩展欺诈样本库至800万+，模型泛化能力提升18%，当年新识别欺诈模式同比增加40%。

负责小微商户贷产品的反欺诈策略落地，聚焦设备环境、经营真实性、资金流向三大风险场景，搭建‘规则+模型’双驱动的防御体系，支撑业务年度放款规模从50亿增长至120亿。

• 针对小微商户‘空壳注册+虚假经营’欺诈高发问题，设计‘三要素验证策略’：通过工商数据核验营业执照真实性，调用银联商务API比对企业POS机流水与申报营收匹配度，结合设备指纹识别‘一机多户’现象；策略上线后，商户欺诈拒件率从12%提升至28%，经人工复核确认的虚假商户占比从6.7%降至2.1%，支撑该产品不良率稳定在1.5%以内。
• 优化贷中监控策略：基于用户交易频次、收款方集中度、夜间异常转账等42项行为指标，构建XGBoost风险预警模型，对高风险商户触发‘额度冻结-二次认证-终止授信’阶梯式处置；模型上线6个月内，识别出37个‘资金归集洗钱’团伙，提前拦截潜在损失2300万元，模型KS值达0.68，优于行业平均水平15%。
• 推动策略知识沉淀与团队赋能：整理《小微商户反欺诈特征手册》（包含8大类217个风险特征），开发内部策略培训课程并覆盖风控、运营团队120人；2021年Q4主导新人策略评审，将策略设计错误率从18%降至5%，团队整体策略迭代效率提升30%。

协助反欺诈策略组完成基础规则库维护、欺诈样本标注及策略效果验证，参与消费分期产品的早期风险防控体系建设。

• 负责欺诈样本标注与特征工程：基于人工复核的2万+欺诈案例，标注设备指纹异常（如Root/越狱设备）、身份信息不一致（如身份证照片与活体检测人脸偏差超阈值）等12类基础风险标签，构建初始欺诈样本库；通过特征筛选工具（如ChiMerge分箱）提取156个有效特征，为后续模型训练提供数据支撑。
• 参与贷前规则迭代：分析历史欺诈数据发现‘申请人手机号与联系人手机号归属地重合度超80%’的异常模式，提出将该特征纳入基础规则库；规则上线后，拦截同一地区号码集群注册的欺诈申请4200余笔，涉及资金1600万元，当年该产品欺诈率从0.25%降至0.18%。
• 支持策略效果验证：搭建简易A/B测试平台，对比新旧规则下的资损率、审批通过率、用户投诉率等指标；输出《规则优化效果报告》，为团队决策提供数据依据，相关分析方法被纳入部门标准流程。

基于联邦学习的跨机构小微企业信贷联合风控模型构建项目

• 项目背景：针对小微企业信贷场景中合作银行、供应链平台数据分散且无法直接共享的痛点，单机构风控模型因数据量有限导致误拒率达35%、AUC仅0.78的问题，公司目标是构建跨机构联合风控模型，在保护数据隐私前提下提升风险识别能力。我的职责是主导模型设计、跨机构协作机制搭建及落地全流程。
• 关键难题：1）不同机构特征空间异构（如供应链平台的交易频次特征与银行的征信特征无法直接对齐）；2）联邦学习中梯度泄露风险（需平衡隐私保护与模型效果）；3）小样本机构（如区域农商行仅有1万+样本）的模型泛化能力不足。
• 核心行动：1）技术选型：采用横向联邦学习框架，结合加密PCA进行跨机构特征降维对齐，解决特征异构问题；2）隐私保护：融合同态加密（HE）与差分隐私（DP），对梯度进行双层脱敏，经第三方测评梯度泄露风险降低至0.1%以下；3）小样本优化：引入元学习（Meta-Learning）预训练基础模型，用合作机构数据微调，解决单机构样本不足问题。
• 项目成果：1）模型效果：联合模型AUC提升至0.85，误拒率降低22%至27%；2）业务价值：支持12家合作机构上线联合风控，累计服务2.3万家小微企业，放款额达15亿元，欺诈损失率控制在0.08%以内；3）个人贡献：主导完成联邦学习方案设计与落地，推动公司成为区域内首个通过“金融科技隐私计算认证”的企业，形成《跨机构联邦风控实施指南》标准化文档。

智能风控实时决策引擎重构项目

• 项目背景：原有风控决策引擎基于传统规则引擎（Drools），存在响应延迟高（峰值500ms）、规则迭代需代码变更（耗时3-5天）、无法支持高频支付场景（如电商大促期间TPS仅1000）的问题，无法满足业务快速增长的风控需求。我的职责是主导引擎架构重构、性能优化及业务适配。
• 关键难题：1）传统规则引擎扩展性差，新增复杂规则（如多维度组合判断）需重启服务；2）实时计算能力不足，无法处理每秒数千笔交易的风险判断；3）业务人员与技术人员的协作效率低，规则配置需开发介入。
• 核心行动：1）架构升级：采用Apache Flink作为实时计算引擎，设计“分层决策”架构（实时层-准实时层-离线层），将高频规则（如黑名单校验）部署在Flink的ProcessFunction中，实现毫秒级响应；2）低代码设计：开发可视化规则配置界面，支持业务人员通过拖拽组件定义规则（如“近7天交易频次>10次且金额波动>50%”），无需代码编写；3）性能优化：引入Redis缓存高频规则（如黑名单库），将规则查询时间从100ms缩短至10ms，同时通过Flink的状态管理实现规则热更新。
• 项目成果：1）性能提升：决策延迟从500ms降至40ms以内，TPS提升8倍至8000，成功支撑“双11”期间1200万笔交易的实时风控；2）效率优化：规则迭代时间从3-5天缩短至1小时内，业务人员自主配置率提升至90%；3）个人贡献：主导完成引擎重构与上线，推动风控系统从“被动防御”转向“主动实时干预”，业务部门满意度从65%提升至92%，该引擎成为公司核心风控基础设施之一。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。