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。