在研究生期间，专注于算法研究与实践，深入学习了机器学习、数据挖掘等相关课程。参与了导师的科研项目，负责数据预处理与模型优化工作，通过对海量数据的分析处理，为项目提供了有效的数据支持，提升了模型的预测准确率。

• 负责搭建公司的风控模型体系，通过对历史交易数据的分析，提取了50+关键风险特征，构建了基于逻辑回归和随机森林的信用评分模型，使信用风险识别准确率提升至85%。
• 与业务团队紧密合作，针对不同业务场景（如消费金融、供应链金融）进行模型定制化开发，优化了反欺诈策略，将欺诈交易拦截率从30%提高到60%。
• 持续监控模型性能，定期进行模型评估与更新，通过A/B测试等方法不断优化模型参数，确保模型在动态变化的业务环境中保持良好的效果。

• 主导公司智能风控平台的算法架构设计与优化，引入深度学习算法（如LSTM、CNN）处理时序数据和图像数据（如身份证OCR识别），使身份验证的误识率降低了40%。
• 带领团队进行风控策略的智能化升级，通过强化学习算法自动调整风控规则的阈值与权重，实现了风控策略的动态优化，在保障风险控制的前提下，将审批通过率提高了25%。
• 建立了风控算法的知识图谱，整合了客户的社交关系、消费行为等多维度数据，挖掘出隐藏的关联风险，成功识别出多个团伙欺诈案例，为公司挽回经济损失数千万元。

• 项目背景：针对线上借贷业务的高风险客户识别难题，开展此项目。
• 项目内容：作为核心算法成员，负责数据清洗与特征工程，从海量的用户行为数据（如浏览记录、点击流数据）和信用数据中提取了30+有效特征。运用XGBoost算法构建风险预测模型，通过交叉验证等方法优化模型参数。
• 项目成果：模型在测试集上的AUC达到0.92，上线后成功识别出高风险客户比例提升30%，逾期率降低15%，为公司节约了大量的坏账成本。

• 项目背景：为应对日益复杂的网络欺诈手段，公司启动反欺诈系统升级项目。
• 项目内容：带领团队构建基于图神经网络的反欺诈模型，整合用户的设备指纹、交易网络等数据，挖掘欺诈团伙的关联特征。设计了实时计算框架，实现了欺诈交易的秒级响应。
• 项目成果：系统上线后，成功拦截欺诈交易金额超亿元，识别准确率达到90%以上，成为公司反欺诈的核心防护体系。