统筹公司固定收益类资产组合信用风险全周期管理，主导授信准入规则制定、存量资产动态监控及不良资产处置，推动信用风险模型迭代与量化工具落地，保障资产质量稳健性与风险收益平衡。

• 主导零售消费金融ABS底层资产池信用风险评估，运用Logistic回归与随机森林模型优化PD（违约概率）/LGD（违约损失率）参数校准，结合社零增速、居民杠杆率等宏观指标动态调整输入变量，将资产池预期违约率预测准确率从82%提升至91%，支撑30亿规模ABS产品风险定价，较市场同类产品溢价率降低12BP。
• 牵头制定小微客群授信政策，通过穿透式财务分析（重点核查经营性现金流覆盖率≥120%、速动比率≥1.1）与行业景气度跟踪（覆盖批发零售、制造业等8大重点行业），建立“行业限额+客群评分”双维度准入机制，推动客群不良率从4.8%压降至2.3%，年度新增授信规模增长25%达45亿元。
• 设计信用风险预警指标体系，整合企业征信、司法涉诉等外部数据与内部还款异常、额度使用率等交易数据，搭建基于XGBoost算法的早期预警模型，实现风险信号提前30天识别，全年拦截潜在违约资产1.2亿元，减少损失约3000万元。
• 协同贷后管理部门优化不良资产处置流程，引入蒙特卡洛模拟工具测算不同处置方式（诉讼保全、债务重组）的回收率，针对次级类资产制定“一户一策”方案，年度不良资产回收率从18%提升至27%，盘活资金4500万元。

负责自营投资及资管业务中债券、非标资产的信用风险管控，主导内部信用评级体系搭建，推动风险量化工具落地，支持投资决策与风险限额管理。

• 主导搭建公司内部信用评级模型（覆盖城投、产业债、ABS等6大类资产），采用KMV模型修正违约距离（DD）指标，结合行业利差曲线调整评级映射规则，模型对历史违约样本的回溯准确率达89%，替代外部评级后投资端风险溢价成本降低15BP。
• 设计债券投资组合信用风险限额体系，基于VaR（在险价值）与压力测试（设定GDP增速5%、行业利差走扩100BP情景），设定分券种、分行业持仓集中度限额（如城投债单省占比不超12%），年度组合最大回撤从3.2%收窄至1.8%。
• 应对某地产行业信用事件，快速建立房企流动性监测框架（重点跟踪“三道红线”指标、预售资金监管比例），对存量持仓的12只地产债开展压力测试，提前6个月提示高风险主体，推动调仓减仓2.1亿元，避免直接损失约4000万元。
• 推动信用风险系统升级，协调IT部门开发风险数据看板（集成评级分布、限额使用、预警信号等12项核心指标），实现风险数据实时可视化，投研团队风险信息获取效率提升60%。

协助开展信托计划底层资产信用风险评估，参与授信项目尽调，完成风险报告撰写，支持风险政策落地执行。

• 参与房地产集合信托项目尽调，运用Z-score模型分析融资方偿债能力，重点核查项目去化率（要求≥60%）、抵押率（≥150%）等指标，出具独立风险意见12份，拦截2个高风险项目（涉及规模3.5亿元）。
• 协助优化消费信贷反欺诈规则，通过Apriori算法识别多头借贷特征（3个月内申请机构数超5家），推动拒贷率从18%提升至35%，欺诈损失率下降22%。
• 搭建行业信用风险数据库，收集城投、制造业等8个行业的财务指标、违约案例等数据，构建包含盈利能力、偿债能力、政策敏感性的行业风险画像模板，为授信政策制定提供数据支持。

全资产类别市场风险动态压力测试体系搭建项目

• 项目背景源于资管新规下监管对‘穿透式、前瞻性’市场风险管控的要求——公司原有压力测试仅覆盖股、债单一资产类别，且场景设计停留在‘历史重复’层面，无法应对‘多资产联动极端事件’（如美联储加息+国内信用违约+汇率跳贬）的风险敞口，监管反馈‘风险计量完整性不足’。项目目标是搭建覆盖股、债、衍生品、另类资产的全维度动态压力测试体系，实现‘场景自定义、因子联动、结果前置’的风险决策支持。
• 核心难点有三：一是跨资产风险传导机制缺失——原有模型将股、债、另类资产视为孤立标的，未量化‘美联储政策→美债收益率→人民币汇率→国内信用债利差’的传导路径；二是极端场景合理性存疑——传统‘单一变量冲击’（如仅加息25BP）无法模拟复合危机，需结合宏观经济逻辑设计可信场景；三是计算性能瓶颈——原有单资产测试需4小时，全资产组合测试耗时6小时，无法支持投资团队日内决策。
• 我的解决路径：1. 风险传导建模——基于向量自回归（VAR）模型结合网络分析，梳理12个核心风险因子（如美国10Y国债收益率、人民币兑美元即期汇率、中债信用利差）的联动关系，构建‘因子-资产’传导矩阵，量化股债汇另类的联动系数（如美联储加息100BP将带动国内10Y国债收益率上行15BP，信用债利差扩大20BP）；2. 场景库重构——参考BCBS SCC框架与历史极端事件（2008金融危机、2020疫情），设计‘轻度/中度/重度’三级场景（共18个细分场景），每个场景包含宏观政策、市场价格、信用事件3个维度（如‘重度场景’包含‘美联储加息至5.5%+国内地产债违约率升至8%+人民币贬值至7.5’）；3. 性能优化——采用Spark分布式计算框架重构风险引擎，将全资产组合测试时间从6小时压缩至45分钟内，并通过列式存储优化数据库IO效率。
• 项目成果：1. 体系覆盖公司95%资产类别（原40%），支持‘场景自定义+实时计算’，风险报告从‘每周1次’升级为‘每日动态更新’；2. 2023年3月硅谷银行事件中，体系提前预警‘海外信用债+国内同业存单’的联动风险，推动投资团队减仓相关资产12亿元，避免损失约800万元；3. 监管现场检查中，体系因‘完整性、前瞻性’获高度认可，公司市场风险监管评级从B级升至A-级；4. 个人主导完成《全资产压力测试操作手册》，成为集团同类业务的标准化模板，我本人也因此晋升为市场风险条线的核心专家。

债券组合利率风险精细化计量模型优化项目

• 项目背景是公司债券资产占比达40%（约200亿元），但原有利率风险计量仅用‘单一久期模型’，无法捕捉收益率曲线‘非平行移动’（如曲线平坦化、陡峭化）的风险——2021年美联储 taper 预期下，国内收益率曲线平坦化（10Y-1Y利差从100BP缩至50BP），原有模型显示的组合VaR较实际损失低15%，导致投资团队未能及时调整久期策略。项目目标是优化利率风险计量模型，准确量化曲线形态变化的影响。
• 核心难点在于两点：一是收益率曲线的‘因子分解’——原有模型仅考虑‘水平因子’（整体利率水平），忽略了‘斜率因子’（长短端利差）和‘曲率因子’（曲线弯曲程度）对债券价格的影响；二是‘流动性调整’缺失——低评级信用债（AA+及以下）的流动性溢价波动大，原有模型未将其纳入风险计量，导致低评级债的风险被低估。
• 我的关键行动：1. 因子分解建模——采用Nelson-Siegel-Svensson（NSS）模型将收益率曲线分解为‘水平、斜率、曲率’三个核心因子，测算每个因子对债券价格的敏感度（如某5年期信用债对‘斜率因子’的敏感度为-0.8，即斜率扩大10BP，债券价格下跌0.8%）；2. 流动性调整——联合固定收益团队，选取‘买卖价差、成交量、做市商数量’3个指标构建流动性调整因子（LAF），将其嵌入久期模型，修正低评级债的风险计量；3. 模型验证——用2015-2021年历史数据进行回测，对比原有模型与优化模型的误差率，调整因子权重至最优。
• 项目成果：1. 优化后模型的利率风险计量准确率从80%提升至95%，2021年债券组合VaR误差率从15%降至3%；2. 帮助投资团队调整久期策略——将组合久期从3.2年缩短至2.5年，2021年债券组合利率风险损失较预期减少1200万元；3. 模型被纳入公司风险计量核心系统，支持‘每日VaR+压力情景VaR’计算，成为债券投资决策的必备工具；4. 我个人因此项目获得‘公司年度优秀风险分析师’称号，模型经验也被推广至集团内其他资管子公司。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。