全面负责公司多资产组合（债券、非标、REITs）信用风险战略管理，主导信用风险政策制定与工具创新，搭建跨部门协同机制，支撑业务扩张同时将风险损失率控制在行业前20%分位

• 制定《2025-2027信用风险战略规划》，明确“控地产、稳城投、拓绿债”方向，设定“房地产非标占比≤8%”“绿色债券持仓年增速≥20%”等量化目标，推动业务部门调整资产结构，半年内房地产非标规模下降4pct，绿色债券持仓增长25%，获管理层“战略前瞻性强”批示
• 主导开发信用风险智能监控平台，集成中债登、万得、企业征信等8类数据源，运用XGBoost算法构建“违约概率预测+舆情情感分析”双模型，实现风险信号自动分级预警（红/黄/蓝），试运行期间提前识别2起债券兑付危机（某地方国企短融、某产业类ABS），协助提前兑付或展期，避免损失合计约3200万元
• 建立跨部门信用风险联席会机制，每月联合投研、交易、法律部门复盘风险事件，编制《信用风险责任认定与缓释操作指引》，明确“尽调失职”“投后管理缺位”等7类责任场景，全年责任争议处理效率提升60%，业务部门风控支持满意度从82%升至91%
• 推动信用衍生工具创新应用，与头部券商合作发行挂钩民企信用债的CDS指数，对冲组合中5亿元高收益债信用风险，通过动态调整头寸将组合信用利差波动率从12%降至7%，年度超额收益稳定性（跟踪误差）改善0.5pct，获中期风控评优“最佳创新奖”

统筹公募/专户产品信用风险全流程管理，覆盖利率债、信用债、ABS及次级债，主导内部评级模型迭代与风险缓释工具应用，协同投研优化信用债策略

• 主导内部信用评级模型升级，针对城投债新增“财政自给率+隐性债务化解进度”指标，企业债强化“产业链地位+ESG评分”维度，通过Python编写自动化评分脚本，单券评级耗时从3小时缩短至40分钟，模型1年违约预测准确率从78%提升至85%，支撑投资端将AA+及以上债券持仓占比从65%提至78%
• 设计信用风险压力测试方案，设定“GDP增速下滑1%、行业利差走阔50BP、房企再融资中断”三重情景，运用蒙特卡洛模拟测算损失分布，输出《极端情景风险敞口报告》，推动预留2亿元风险准备金，2024年某区域城投非标违约时实际损失仅为准备金15%，优于监管50%下限
• 推动CRMW（信用风险缓释凭证）应用，筛选10家资质偏弱但核心资产充足的主体，定制CRMW将对应债券信用利差压缩30-50BP，年化节约利息成本约800万元，案例被列为“信用风险主动管理标杆”
• 牵头公募产品信用风险专项审计，梳理127只持仓债券评级迁移，发现3只AA级债券存在下调风险并提示调仓，避免因评级下调导致的估值波动损失约600万元，审计报告评价风控“有效性优秀”

负责固定收益业务信用风险日常监控，覆盖利率债、信用债及非标债权，执行风险预警、限额管理与债券入库评审，参与风险事件处置

• 主导信用债入库评审，构建“财务指标+行业景气度+舆情数据”三维评估框架，运用Wind提取发行人财务数据，结合中债隐含评级与标普信评交叉验证，累计评审债券超800只，拦截高风险主体12家（如某地产民企因现金流覆盖率＜1.2倍被否），入库债券1年违约率0.3%（低于目标0.5%）
• 搭建非标债权风险评估模板，引入KMV模型测算PD，结合增信措施（土地抵押率、应收账款质押比例）调整评级，完成23个政信类非标评估，其中5个项目因PD＞2.5%建议调降额度，业务采纳后项目逾期率从1.8%降至0.9%
• 设计信用风险日报/周报机制，整合持仓数据与外部舆情（企业预警通、天眼查），设置“评级下调”“大额股权质押”等12项预警指标，全年触发有效预警27次，协助提前30-90天采取追加担保等措施，避免损失约1500万元
• 参与信用风险限额优化，基于历史违约与VaR模型，将单一主体持仓集中度从5%降至3%、行业集中度从15%调至12%，年度信用债组合最大回撤从-2.1%收窄至-1.3%，RAROC提升0.8pct

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。

• 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。