负责消费金融业务线信用风险全流程管控，涵盖客群准入策略制定、存量资产质量监控、风险模型迭代及不良资产处置机制优化，联动业务、科技团队平衡风险与业务增长

• 主导设计新一代消费金融客群准入信用评分模型，基于逻辑回归与XGBoost算法融合人行征信、运营商、电商消费等15类维度数据，针对“年轻客群收入证明缺失”痛点，引入社保缴纳基数与支付宝账单流水交叉验证特征，通过SMOTE过采样解决样本不平衡问题（正负样本比例从1:8优化至1:3），最终模型KS值从0.62提升至0.71，上线后新客首逾率从4.8%降至2.9%，年度不良贷款生成额减少3200万元
• 搭建存量资产动态风险监控体系，依托SQL与Tableau开发实时风险仪表盘，整合客户还款行为、征信查询频次、多头借贷记录等20+指标，设置“连续2期逾期且近30天征信查询≥5次”的红色预警阈值，联动催收团队提前30天介入，不良贷款30天回收率从65%提升至88%，年度挽回损失约1800万元
• 推动不良资产处置流程智能化升级，引入智齿科技AI催收机器人，结合客户逾期阶段（M1-M6）、行为特征（如是否接听电话、还款意愿表达）设计差异化话术库，通过Python搭建分案引擎将案件精准分配至人工/机器人，处置效率提升40%，单户处置成本从120元降至102元，同时保持90%以上的客户触达率
• 牵头信用风险政策迭代，结合《商业银行互联网贷款管理暂行办法》及监管对“共债风险”的要求，修订客群准入标准——将年龄上限从55岁收紧至50岁、新增“收入负债比≤40%”硬约束，同时优化额度测算模型（增加家庭总支出变量），新客不良率较政策调整前下降1.2个百分点，业务投诉率未因门槛提高而上升

聚焦小微商户信用风险评估，负责风险模型开发、贷后管理策略优化及监管风险报告撰写，支撑小微客群“扩面增量”与“控险提质”的平衡

• 核心参与小微商户信用评分模型开发，针对小微商户“财务数据缺失、经营波动大”特点，采用随机森林算法整合工商注册时长、POS流水稳定性、涉诉记录等非财务数据，通过SHAP值解释模型决策逻辑（如“近6个月POS流水方差每增加10%，违约概率上升8%”），模型AUC从0.78提升至0.85，通过监管“模型可解释性”检查，支撑小微客群授信额度从平均30万提升至45万
• 设计“行为-财务-外部数据”三维贷后预警体系，用Python编写自动化脚本实时抓取商户交易频率（如“近7天交易笔数骤降50%”）、支付宝/微信收款余额（如“余额连续3天低于月均还款额2倍”）及同行业逾期率（如“所在餐饮行业逾期率超过5%”）等信号，预警准确率较传统规则提升30%，提前介入的不良贷款占比从15%提升至35%，小微客群不良率控制在3.2%以内
• 主导季度信用风险报告编制，结合VAR模型测算“GDP增速下滑2%、失业率上升1个百分点”压力场景下的风险敞口，发现“批发零售类小微商户”风险暴露占比达40%，推动公司调整客群结构——将该类商户额度上限从50万降至30万，同时增加“经营场所租赁合同剩余期限≥1年”的准入要求，年度小微客群不良率下降1个百分点

协助信用风险模型落地与贷后数据监控，参与风险政策执行及业务团队风险培训，夯实信用风险管理基础能力

• 协助搭建信用风险核心数据库，用Kettle工具整合人行征信、百行征信、运营商等5类外部数据，清洗缺失值（如补全手机号实名认证信息）、纠正异常值（如剔除“月消费额超过收入10倍”的极端记录），数据完整性从85%提升至98%，为后续模型训练提供高质量基础数据
• 执行贷后日常风险监控，每周用SQL查询逾期账户数据，分析“多头借贷”客群特征——发现“近3个月在贷平台≥5家”的客群逾期率达12%（普通客群仅4.5%），推动将“多头借贷次数≥3次”纳入准入黑名单，新客逾期率从3.8%降至3.0%，有效降低早期风险
• 参与业务团队风险培训，针对一线客户经理设计“信用风险红线”课程，讲解《个人贷款管理暂行办法》中“面签核实身份”“资金用途不得流入楼市股市”等核心要求，通过案例模拟（如“客户声称贷款用于装修但流水显示转入房产中介账户”）提升风险识别能力，业务团队违规放款率从1.5%降至0.6%

多资产组合市场风险计量模型重构项目

• 项目背景：公司为满足资管新规下多资产组合（覆盖股、债、商品、外汇及障碍期权、亚式期权等奇异衍生品）的风险穿透要求，原传统Delta-Gamma VaR模型因无法捕捉非线性资产风险及动态相关性，导致极端情景（如2022年美联储加息周期股债双杀）下风险计量偏差率达21%，亟需重构模型以支撑精准风控。我的总体职责是主导模型需求调研、框架设计、验证及全公司推广落地。
• 关键难题与方法：项目面临两大核心挑战——一是15%的奇异衍生品无法用传统希腊字母计量非线性风险；二是静态Copula函数无法反映宏观经济驱动的跨资产动态联动。针对性引入“蒙特卡洛模拟+机器学习”混合框架，选用QuantLib库实现复杂衍生品定价，同时用LSTM模型整合PMI、利率、汇率等宏观数据预测相关性矩阵变化。
• 核心行动：首先梳理全公司230个投资组合的底层资产特征，定位风险盲区；随后牵头搭建蒙特卡洛模拟引擎，整合实时行情数据（延迟≤1秒），完成10万+次情景模拟；协同量化团队训练LSTM模型，用5年历史数据优化相关性预测精度；最后推动模型与风险管理系统对接，开展12轮回溯测试验证模型有效性。
• 项目成果：模型上线后将极端情景风险计量准确率从68%提升至89%，VaR回溯测试失败率从每月3-5次降至0.5次以内；帮助公司减少因风险误判导致的额外资本计提约1200万元/年；模型被纳入公司《多资产组合风险计量管理办法》，成为复杂组合标配工具，我个人也因项目贡献晋升为市场风险部高级经理。

债券投资组合流动性风险计量体系搭建项目

• 项目背景：公司债券持仓占比40%，但原有风险体系仅覆盖信用及利率风险，缺乏低流动性债券（如剩余期限5年以上地方债、AA级信用债）的流动性风险计量工具。2020年初疫情期间债券市场暴跌，因无法评估变现损失，公司被迫延迟赎回申请影响客户体验。我的目标是搭建全债券品类流动性风险计量体系，解决“风险看不见、测不准”问题。
• 关键难题与方法：低流动性债券成交数据稀缺，传统买卖价差、换手率指标失效；LVaR（流动性调整后VaR）模型参数缺乏历史参考。设计“基本面+市场微观结构”综合流动性评分模型，引入Amihud价格冲击指标、Level 2订单簿深度等高频数据，替代单一成交量指标；用2013年“钱荒”、2018年信用债违约潮等历史压力情景校准LVaR参数。
• 核心行动：主导收集3200只债券5年历史交易数据，清洗后保留120万条有效数据；构建包含买卖盘深度、日均成交量、价格冲击、久期、信用评级的“债券流动性评分卡”，将债券分为高、中、低流动性三类；搭建LVaR模型并整合至风险管理系统，实现每日自动计量组合流动性调整后风险暴露。
• 项目成果：流动性风险计量覆盖率从25%提升至100%，2020年3月债券市场暴跌时提前预警15只低流动性信用债变现损失约1100万元，帮助公司调整持仓避免800万元实际亏损；模型获公司年度风险管理创新奖，成为债券投资决策核心参考，也为我后续多资产模型优化积累了体系搭建经验。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。