统筹全行公司信贷与零售信贷信用风险全流程管理，涵盖授信政策制定、风险计量模型优化、贷后风险监测及重大信用风险事件处置，推动信用风险管理体系向精细化、前瞻化升级。

• 主导设计小微贷款信用风险计量体系，基于50万+历史违约样本，融合逻辑回归与随机森林算法优化PD（违约概率）模型，引入行业景气度指数、供应链核心企业信用评级等6个外部变量，模型KS值从0.62提升至0.71，前瞻性识别高风险客群准确率提高18%；支撑信贷准入政策调整后，半年内小微贷款不良率从3.2%降至2.5%，超额完成年度资产质量目标。
• 核心优化零售信用卡风险预警机制，搭建“行为评分+押品动态监控+外部舆情”三维监测框架，通过Python开发自动化预警脚本（日均处理10万+交易流水数据），将风险信号发现时效从T+3缩短至T+1；配合贷后团队提前介入催收，当年信用卡逾期90天以上贷款占比下降0.8个百分点至1.2%，监管通报的“贷后管理不到位”问题减少70%。
• 推动房地产行业授信集中度风险管控，牵头完成全行房地产对公贷款客户压力测试（覆盖CCF（违约损失率）、房价下跌30%等6类情景），运用蒙特卡洛模拟测算潜在损失敞口达12亿元；提出“区域限额（单省占比不超8%）+项目资本金穿透核查”管控方案，促使房地产贷款占比从28%压降至24%，单一客户授信集中度超标问题100%整改。
• 牵头处置某制造业集团5亿元授信风险事件，协调法律、投行团队设计“债转股+应收账款质押重组”方案，成功回收3.2亿元；推动修订《集团客户授信管理办法》，新增“关联交易穿透核查（穿透至3级子公司）”“交叉违约条款（关联企业负债超阈值即预警）”等12项管控要求，同类风险事件次年发生率下降65%。

负责信用债、非标债权等资产的信用风险评估与定价，支持投资决策，参与信用风险限额政策制定及投后风险监测。

• 独立完成200+城投债及产业债主体信用评级，构建“财务健康度（含EBITDA利息保障倍数、流动比率）+区域财政韧性（一般公共预算收入/政府性基金收入）+政策导向（隐性债务化解进度）”三维评估模型，评级结果与外部评级机构一致性达89%；提前6个月预警某地级市平台债隐性债务风险，推动调整持仓比例从5%降至1%，避免潜在损失约2000万元。
• 核心参与资管产品信用风险限额管理，设计“行业集中度（单一行业持仓不超15%）+主体评级分布（AA+及以上占比不低于70%）+杠杆率（总资产/净资产≤140%）”三维度管控指标，通过SQL搭建实时监测看板，当某行业持仓接近红线时自动触发预警；全年拦截超限额投资指令12笔（涉及规模3.8亿元），保障产品信用风险指标持续优于监管要求。
• 优化非标资产风险定价模型，引入“增信措施有效性系数”（含抵押率、保证人代偿能力评分等8个子项），结合现金流测算与压力测试（模拟融资方收入下降20%情景），将风险溢价测算准确率从75%提升至88%；支撑投资团队在保持6%年化收益的同时，将非标资产预期损失率从1.2%压降至0.9%，获年度“最佳风险定价贡献奖”。

协助完成信用债投资前尽职调查、风险分析及信用风险数据库维护，支持信用债库构建与投资决策参考。

• 协助完成30+只信用债发行主体尽调，独立通过Wind、企业征信系统及实地走访收集财务报表、行业政策、涉诉信息等数据，交叉验证关键指标（如应收账款周转率、或有负债规模），输出尽调报告准确率100%；其中2次发现隐藏的关联方担保风险（未在募集说明书中披露），为投资决策提供关键风险提示，避免潜在代偿损失。
• 负责信用风险数据库维护，整理近5年120+例违约债券案例，按行业（城投/地产/民企）、违约原因（财务恶化/治理缺陷/外部冲击）分类标注，构建违约因子标签体系（含21项子指标）；数据库查询效率提升40%，成为团队信用风险研究的基础工具，支撑后续违约概率模型开发。
• 参与开发信用利差分析工具，使用Excel VBA自动化计算不同评级（AAA/AA+/AA）、期限（1Y/3Y/5Y）债券的信用利差，对比中债估值基准生成利差偏离度报告；当年团队通过该工具捕捉到5只被低估的AA+城投债（利差偏离度超20BP），平均持仓收益率高出基准0.5个百分点，获部门“创新贡献奖”。

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。

• 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。