猿急送>

深圳其它兼职程序员

ID：426752

林叶

量化策略岗

公司信息：
中金公司

工作经验：
2年

兼职日薪：
500元/8小时

兼职时间：
下班后
周六
周日
可工作日远程

所在区域：
深圳
南山

技术能力

技术工具：Python（pandas、NumPy、scikit-learn、LightGBM）、SQL（多表JOIN、CTE、窗口函数）、SQLite、Git/GitHub Actions、Excel、C++

项目经验

LendingClub贷前信用评分卡个人项目深圳，中国2026.05-2026.06
• 项目背景与目标：针对公开信贷数据存在字段泄露、时间漂移及标签右删失问题，基于 LendingClub 2007–2018 年约226万条贷款记录，搭建仅使用申请时点变量的可解释贷前评分卡，并将校准 PD 接入审批阈值、风险分级及盈利策略。
• 数据治理与建模：按时间划分开发集2014–2015（59.9万笔）、验证集2016（29.3万笔）及 OOT 测试集2017（16.9万笔）；排除 grade、int_rate 及贷后表现字段，完成训练期缩尾、单调 WOE 分箱、IV/相关性筛选，以15个变量构建 L2 Logistic 模型并完成 PDO50 评分映射。
• 概率校准与策略设计：基于2016验证集进行 intercept-only PD 校准，使 Brier Score 由0.1660降至0.1633；按校准 PD 构建 A–E 风险等级及额度/定价情景，以“利息收入−PD×LGD×EAD−资金成本−运营成本”生成盈利前沿，并在验证集观察坏账率不超过15%的约束下选择510.0分审批阈值。
• 模型效果与工程交付：固定阈值应用于2017 OOT 后，模型取得 AUC 0.681、KS 26.2%、Score PSI 0.023，通过率32.3%、观察坏账率11.0%，统一成本假设下的情景预期利润为595万美元；进一步完成 PD/LGD/资金成本联合压力测试，并沉淀配置化训练代码、GitHub Actions CI及10项单元测试。

信贷资产贷后风险监控与逾期迁徙预警个人项目深圳，中国2026.05-2026.06
• 项目背景与目标：针对贷后资产账龄不可比、逾期状态变化难追踪的问题，搭建贷款发放—月度表现数据集市及组合、Vintage和细分客群风险监控体系。
• 数据建模与监控：使用SQLite/SQL完成多表连接、CTE及LAG、累计窗口与滚动统计，构建MOB、FPD30、M1+/M3+、Vintage、Roll Rate及Cure Rate，并设置组合异常、M0→M1迁徙和细分客群三类预警。
• 工程化交付：在10,000笔贷款、253,991条月度记录的可复现合成压力情景中，识别组合M1+较基准上升3.80个百分点；定位M0→M1上升1.58个百分点、M1→M2上升9.27个百分点及M1修复率下降12.59个百分点为主要恶化路径，D层M3+达到组合的2.09倍。完成11项单元测试与7项数据质量检查，自动输出SQLite数据库、9张指标/诊断表、6张图表及风险简报，并实现Freddie Mac正式数据适配器。

交易反欺诈规则与模型决策引擎个人项目深圳，中国2026.06-2026.07
• 项目背景与目标：针对欺诈样本不平衡、随机切分易产生时间穿越且模型分数难以直接转化为业务动作的问题，在5万笔可复现仿真交易上搭建LightGBM＋规则决策引擎。
• 项目内容：按时间划分训练、概率校准、策略验证及OOT测试集，构建1h/24h交易频次等point-in-time特征，融合5类可审计规则，并在欺诈损失、误拒成本及8%人工审核容量约束下搜索放行、审核与拒绝阈值。
• 项目成果：OOT取得PR-AUC 0.161、ROC-AUC 0.735；验证集正常交易干预率≤5%时，OOT欺诈召回29.22%；最终Review Rate为7.24%，模拟损失较全部放行下降43.66%（节约13,464美元），规则融合相较单模型进一步降低成本2.44%。

案例展示

LendingClub贷前信用评分卡

LendingClub贷前信用评分卡 • 项目背景与目标：针对公开信贷数据存在字段泄露、时间漂移及标签右删失问题，基于 LendingClub 2007–2018 年约226万条贷款记录，搭建仅使用申请时点变量的可解释贷前评分卡，并将校准 PD 接入审批阈值、风险分级及盈利策略
信贷资产贷后风险监控与逾期迁徙预警

项目背景与目标：针对贷后资产账龄不可比、逾期状态变化难追踪的问题，搭建贷款发放—月度表现数据集市及组合、Vintage和细分客群风险监控体系。 • 数据建模与监控：使用SQLite/SQL完成多表连接、CTE及LAG、累计窗口与滚动统计，构建MOB、FPD30、M1+/M3+、
交易反欺诈规则与模型决策引擎

• 项目背景与目标：针对欺诈样本不平衡、随机切分易产生时间穿越且模型分数难以直接转化为业务动作的问题，在5万笔可复现仿真交易上搭建LightGBM＋规则决策引擎。 • 项目内容：按时间划分训练、概率校准、策略验证及OOT测试集，构建1h/24h交易频次等point-in-tim
交易反欺诈规则与模型决策引擎

项目背景与目标：针对欺诈样本不平衡、随机切分易产生时间穿越且模型分数难以直接转化为业务动作的问题，在5万笔可复现仿真交易上搭建LightGBM＋规则决策引擎。 • 项目内容：按时间划分训练、概率校准、策略验证及OOT测试集，构建1h/24h交易频次等point-in-time特