•- 完成浙江大学计算机科学与技术专业硕士学业，主修机器学习、数据挖掘、统计学习方法等核心课程，学术成绩位列专业前15%。
•- 在读期间加入学校大数据研究中心，参与导师主持的纵向课题，负责社交网络数据清洗与用户画像聚类模块，相关成果发表于国内核心期刊。
•- 连续两年带队参加全国大学生数学建模竞赛，运用统计分析与优化算法解决实际业务问题，获省级一等奖1次、二等奖1次。
•- 积极参与开源社区建设，维护个人GitHub仓库，贡献了多个数据预处理与特征工程Python工具包，累计获Star逾800。
•- 负责小微经营贷场景下的额度与准入模型迭代，基于客户经营流水、税务及工商等多维数据，构建XGBoost与GBDT集成模型，通过特征重要性排序和分箱调优，使模型KS值由初期0.42上升至0.58。
•- 协同产品与策略团队，针对线上申请、线下抵押等不同渠道设计差异化模型方案，引入规则引擎与模型评分双轨机制，实现审批通过率与坏账率的动态平衡。
•- 搭建模型全生命周期监控看板，定义PSI、CSI、AUC衰减等核心指标，每周生成模型健康度报告，并在业务数据分布发生显著漂移时触发重训练流程。
高级风控模型开发工程师反欺诈模型图神经网络风险定价
北京
•- 主导消费金融欺诈风控模型升级，引入图神经网络挖掘设备指纹、IP关系链等关联特征，结合时序LSTM模型捕捉异常交易模式，使欺诈拦截准确率提升18%，同时将误杀正常客户的比例压缩至3%以内。
•- 带领3人算法小组完成特征工厂平台建设，将数百个候选特征进行自动化筛选与组合实验，沉淀出可复用的特征模板库，新特征对模型贡献度平均达到12%。
•- 参与公司风险定价策略设计，基于模型输出分数段制定分层授信与利率策略，优化后组合整体坏账率下降2.3个百分点，风险调整后收益显著改善。
•- 项目背景：银行小微业务快速扩张，原有经验审批规则导致拒贷率偏高，需引入数据驱动的自动化准入模型。
•- 项目过程：梳理客户营业执照、纳税记录、银行流水等12类数据源，完成数据治理与异常值清洗，运用集成学习框架构建多模型融合方案，通过网格搜索与贝叶斯优化完成超参调优。
•- 项目成果：模型部署后在验证集上KS达到0.55，上线三个月识别高风险申请人占比17%，累计避免潜在坏账损失约1200万元。
•- 项目背景：平台黑产攻击手段日趋复杂，传统规则引擎误报率高，急需构建智能化反欺诈识别体系。
•- 项目过程：整合用户行为日志、设备指纹、地理位置、交易时序等4大类特征，采用GraphSAGE图神经网络建模用户关系图谱，结合Attention-LSTM捕捉短时序列异常。
•- 项目成果：模型在真实流量中欺诈样本召回率提升23%，误报率下降至4%以下，帮助平台挽回经济损失超800万元。
XGBoost / LightGBM / CatBoost SQL (Hive / Spark SQL / MySQL) 图神经网络 (DGL / PyTorch Geometric) 开源社区贡献:
参与开源风控特征工程工具库的开发，负责数据清洗管道与自动化特征生成模块的代码编写与性能优化。该模块被多个金融科技项目集成使用，数据处理吞吐量提升约40%，在社区中获得开发者广泛认可。
