统筹公司金融条线对公信贷业务全生命周期信用风险管控，涵盖贷前准入策略制定、贷中风险计量模型优化、贷后风险预警体系搭建及重点领域风险化解，协同业务部门平衡风险与收益，确保全行对公资产质量稳定在目标区间内。

• 主导零售与对公信用风险计量模型迭代，基于内部评级法（IRB）重构PD（违约概率）/LGD（违约损失率）/EAD（违约风险暴露）参数体系，创新性引入区域PMI指数、行业产能利用率等宏观经济变量及企业水电能耗、供应链交易流水等另类数据，通过SAS建模验证，模型对高风险客群的识别准确率从82%提升至91%，支撑贷前准入策略收紧，当年新发生不良率较上年下降1.2个百分点，节约风险拨备成本约6000万元。
• 设计“行业-区域-客群”三维贷后预警指标体系，搭建基于XGBoost算法的动态风险监测模型，整合财务报表、司法涉诉、舆情信息等12类外部数据源，通过Python开发自动化预警脚本并嵌入信贷管理系统，将风险信号发现时效从T+15天缩短至T+3天，推动团队提前介入化解某制造业龙头企业流动性风险，通过“应收账款质押+核心企业确权”方案回收风险敞口4.7亿元，避免形成不良。
• 牵头组织年度信用风险压力测试，覆盖房地产、城投、中小微企业等8大重点领域，采用蒙特卡洛模拟法测算极端情景（GDP增速4.5%、行业违约率上升300BP）下的资本充足率影响，输出《压力测试报告》并提出“压缩高风险行业授信额度20%、提高抵质押率要求”等政策建议，推动总行将房地产行业授信占比从28%压降至22%，增强风险抵御韧性。
• 协同公司金融部设计差异化风险缓释方案，针对战略客户创新“核心企业担保+订单融资+保险增信”组合工具，将单一客户风险敞口集中度从15%降至8%，同时保障某新能源头部企业50亿元授信高效落地，项目IRR达12%，支撑分行当年对公中间业务收入增长18%。

聚焦中小微企业信贷业务，负责信用风险评估模型开发、贷后管理流程优化及存量风险资产化解，支撑业务部门在控制风险的前提下扩大普惠金融覆盖面。

• 参与开发中小微企业评分卡模型，基于Wind企业财务数据、税务发票及结算流水等结构化信息，采用逻辑回归算法筛选资产负债率、近12个月开票金额波动率等8个核心变量，模型KS值达0.68（原人工评估模型仅0.54），支撑业务部门将单户授信审批时效从5个工作日压缩至2个工作日，当年新增授信客户中优质客群占比提升22%。
• 重构贷后检查机制，设计“定量指标+定性评价”双轨制监控框架，设定应收账款周转率、实际控制人征信查询次数等15项关键指标，通过SQL搭建自动化风险报表系统，实现风险数据实时抓取与可视化展示，团队人均管户量从80户提升至120户，风险预警响应效率提高70%。
• 主导处置某传统制造企业风险事件（逾期金额1.2亿元），通过穿透分析其供应链账期、存货周转数据，协调仓储监管方对库存商品实施动态质押，并推动担保方追加工业厂房抵押，最终回收95%逾期本金，避免形成不良资产，相关案例被总行纳入《中小微风险化解操作指引》。

支持消费金融业务信用风险评估，参与数据模型搭建、策略验证及监管报送数据治理，保障业务合规性与风险可控性。

• 协助搭建消费信贷客群评分模型，清洗并整合200万+用户行为数据（含还款记录、消费频次、设备指纹信息），采用随机森林算法训练模型，验证集AUC值达0.82，为授信额度策略提供数据支撑，模型上线后客群不良率稳定在3.5%以内，优于行业平均水平0.8个百分点。
• 针对共债风险上升问题，引入央行征信、百行征信等多维度负债数据，设定“总负债/收入比≤50%”刚性门槛，配合调整利率定价策略，季度末整体逾期30+天数占比从5.1%下降至3.0%，风险调整后收益率（RAROC）提升1.2个百分点。
• 完成监管报送数据专项治理，对照《商业银行信用风险监管指标》要求，梳理贷款五级分类、拨备覆盖率等12项指标计算逻辑，修正系统中3类数据口径偏差问题，报送数据准确率从92%提升至99.5%，助力公司顺利通过银保监现场检查。

• 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。

多资产组合市场风险动态计量与限额体系重构项目

• 背景：资管新规推动行业净值化转型，公司管理的120亿规模多资产组合（覆盖股、债、衍生品、另类资产）原有静态VaR计量体系存在明显滞后性——无法捕捉高频市场波动下的尾部风险，限额管理依赖人工调整，导致3个月内发生2起组合净值超限额事件。我的核心目标是主导构建“动态风险计量+智能限额管控”的一体化体系，解决传统风险治理的时效性与精准性问题。
• 难点：① 原有单因子GARCH模型对2022年债市极端回调（10年期国债收益率单日上行15BP）的尾部风险捕捉不足，漏报概率达35%；② 多资产间（如股票与信用债、衍生品与利率）的非线性相关性难以用线性模型刻画；③ 实时计算性能瓶颈，每日10万+笔交易的即时风险监测延迟高达15分钟，无法支撑交易决策。我针对性选择Python+TensorFlow构建LSTM-GARCH混合模型（引入长短期记忆网络捕捉时间序列长期依赖），用图神经网络（GNN）修正资产间动态相关性，并通过Apache Flink搭建流处理引擎优化实时计算链路。
• 行动：① 牵头梳理12类资产的波动率、相关性特征，设计“基础阈值+动态调整因子”的限额框架（动态因子基于模型预测的市场波动率与GNN输出的相关性矩阵）；② 对接交易系统实时数据接口，完成模型从研发到生产环境的迁移，同步建立“模型-业务”双周复盘机制，根据投资经理反馈优化限额规则；③ 用2020年疫情暴跌、2022年俄乌冲突等极端场景回测模型，将风险预警阈值从95%置信水平调整至99%，兼顾敏感性与稳定性。
• 成果：① 动态VaR模型的尾部风险捕捉能力较原有体系提升40%，成功预警2023年二季度债券市场回调风险，避免组合净值回撤超2%；② 实时计算延迟降至1分钟内，支持每日12万笔交易的即时风险监测，交易员风险决策效率提升50%；③ 限额违规率从8%降至1.2%，年度风险事件发生率下降60%；④ 该项目成为公司净值型产品的风险管控标准模板，支持3只新发产品顺利上线，我个人也因成果突出晋升为市场风险组组长。

衍生品交易对手信用风险与市场风险联动计量项目

• 背景：公司衍生品业务（利率互换、CDS）规模同比增长60%，但原有风险计量存在“信用风险与市场风险割裂”的痛点——CVA模型仅依赖对手方信用评级，未考虑市场波动（如利率上升导致对手方融资成本增加，进而推高违约概率）。我的任务是在部门内推动构建“市场风险驱动的对手方信用风险”联动计量体系，填补跨风险类型的识别空白。
• 难点：① 传统CVA模型未整合市场风险因子（利率、汇率、信用利差），无法捕捉市场波动对对手方违约概率的传导效应；② 对手方的市场风险暴露数据缺失率达30%（如中小机构的利率敏感性缺口数据未公开），无法支撑联动模型训练。我选择用贝叶斯网络构建变量因果关系，整合市场风险因子与信用风险变量；针对数据缺失，采用半监督学习（自编码器）填充对手方的隐含市场风险特征。
• 行动：① 收集500+境内外对手方的10类市场数据（行情、流动性）与信用数据（评级、财报），搭建联动风险数据库；② 设计“市场风险-信用风险”联动指标体系（如“利率敏感性缺口×对手方杠杆率”“信用利差变动×对手方流动性覆盖率”），定义联动风险敞口；③ 推动IT部门开发数据接口，将联动模型嵌入交易系统的事前审批流程，实现“市场风险变化→自动更新对手方违约概率→调整交易限额”的闭环。
• 成果：① 联动模型识别出3个高风险对手方（其市场风险暴露导致的违约概率较原信用评级高2倍），提前6个月调整交易限额，减少潜在信用损失2000万+；② 衍生品业务的风险调整后收益（RAROC）从12%提升至13.8%；③ 项目形成的“联动风险计量方法论”被纳入公司《衍生品风险管控手册》，我个人获当年“优秀风险分析师”称号，成为部门跨风险类型计量的核心骨干。