系统学习了数学分析、高等代数、概率论与数理统计等专业课程，具备扎实的数学理论基础。通过参与数学建模竞赛等实践活动，锻炼了数据分析和逻辑思维能力。

• 负责信贷风控模型的开发与优化，通过对历史数据的深入分析，构建信用评分模型，使模型准确率提升 20%。
• 与业务团队紧密合作，理解业务需求，为不同业务场景定制化风控策略，有效降低逾期率 15%。
• 持续监控模型性能，定期进行模型评估与更新，确保模型在不同市场环境下的稳定性和有效性。

• 主导搭建反欺诈模型体系，运用机器学习算法（如随机森林、XGBoost 等），识别欺诈交易行为，使欺诈损失降低 30%。
• 带领团队进行大数据挖掘，从海量用户数据中提取有效特征，优化模型特征工程，提升模型泛化能力。
• 参与制定公司级风控政策，与其他部门协同合作，推动风控系统的整体升级，保障业务安全稳健发展。

• 项目背景：随着金融业务的快速发展，传统风控模型已无法满足日益复杂的风险评估需求。
• 项目内容：运用深度学习算法（如 LSTM、CNN 等）构建智能风控模型，对用户行为数据、交易数据等多维度数据进行分析。通过特征筛选与组合，优化模型结构，提高模型对风险的预测能力。
• 项目成果：模型上线后，风险识别准确率达到 90%以上，有效拦截高风险交易，为公司减少潜在损失数千万元。

• 项目背景：针对互联网信贷业务中的多头借贷风险，开展专项建模项目。
• 项目内容：整合多方数据（如征信数据、运营商数据、第三方平台数据等），建立多头借贷识别模型。采用集成学习方法，融合多个基模型的预测结果，提高模型的稳定性和准确性。
• 项目成果：模型上线后，多头借贷识别率提升 25%，优化了信贷审批流程，降低了信用风险。