牛敬业
188****4917niu****@***.com北京30男风控算法工程师在职北京25k-35k 
•主导金融信贷风控课题中的特征工程模块，运用降维技术提升模型稳定性，相关成果转化为中文核心期刊论文，具备从数据挖掘到落地验证的全链路经验。
•在全国大学生数学建模竞赛中斩获赛区一等奖，通过构建仿真优化模型解决资源调度难题，展现了高压环境下的文献调研与数据可视化实战能力。
风控算法工程师风险建模特征工程模型优化策略迭代
北京
•主导小微经营贷场景的风险模型搭建，围绕商户流水、行业周期、区域特征等维度构建风险画像，通过集成学习框架将模型 KS 值从 0.31 提升至 0.44，显著改善授信决策质量。
•针对多头借贷与团伙欺诈问题，引入图神经网络技术对申请人与关联主体进行关系建模，识别出多起隐蔽欺诈网络，风险拦截率提升约 40%。
•持续跟进风控领域新方法，将注意力机制与时序模型结合用于还款行为预测，优化了存量用户的信用重评策略，评分波动幅度收窄 15%。
资深风控算法工程师系统架构模型治理跨域整合团队赋能
北京
•负责新一代信用评估平台的算法中台设计，统筹特征存储、模型训练、在线推理等模块的技术选型与落地，上线后单日处理请求量突破 5000 万次，P99 延迟控制在 50ms 以内。
•构建覆盖用户征信、行为轨迹、设备指纹等多源数据的统一风险评分体系，融合 LightGBM 与深度集成模型，综合评分 AUC 达到 0.93，支撑了消费分期、先享后付等多个业务线。
•承担团队技术传帮带职责，制定算法工程师成长路径，组织跨组技术沙龙，累计带教 4 名应届生完成从学习到独立交付模型的过渡。
•项目背景：小微经营贷业务面临申请人信息维度有限、欺诈手法不断演化的挑战，传统评分卡难以覆盖新型风险形态。
•项目内容：整合商户 POS 流水、税务数据、工商关联图谱等多源信息，数据总量约 8TB。先后尝试随机森林与 CatBoost 基线模型，最终引入图卷积网络对上下游交易关系建模，通过交叉验证与超参搜索将测试集 AUC 提升至 0.94，召回率达 92%。
•项目成果：模型上线后有效识别并拦截高风险申请约 12%，年化减少预期损失逾 6000 万元，同时为业务端提供可解释的风险归因输出。
•项目背景：消费分期产品用户规模快速增长，亟需一套能区分不同风险等级用户的动态评分机制。
•项目内容：聚合用户在平台内的消费频次、客单价、履约记录、设备稳定性等特征，构建分层信用评分模型。通过 SHAP 方法进行特征重要性解读，锁定历史逾期次数、近 3 月还款行为等关键因子，并将 GBDT 模型与逻辑回归模型做加权融合以增强区分度。
•项目成果：上线后信用分区分度明显提升，KS 值由 0.36 升至 0.45，分层结果直接接入授信额度与定价策略，为分期业务的精细化运营提供数据支撑。
对风险建模与算法工程抱有长期热情，享受从杂乱数据中梳理规律、用数学工具还原业务真相的过程。做事严谨细致，对数据质量与模型稳定性保持高敏感度，习惯在上线前反复验证边缘场景。擅长 Python 与 SQL，熟悉 XGBoost、LightGBM 等梯度提升框架，也有 Transformer、时序模型的工程落地经验。加分项：具备较强的跨团队沟通意识，能听懂业务诉求并转化为算法方案；对行业合规与隐私保护有基本认知，求职意向为风控算法方向，期待在更复杂的业务场景中打磨模型工程能力。
数据工程与可视化:
搭建基于 Pandas 的自动化数据清洗流水线，提升特征提取效率；利用 Plotly 构建交互式风险监控看板，将模型评估指标与异常分布转化为直观图表，降低业务方理解成本。
