刘洋 · Credit Assessment Officer

负责商业银行企业贷款的信用评估工作，对120余家中小企业开展深度财务分析及行业对标，运用杜邦分析与现金流模型识别偿债风险，优化评分卡权重设置，使高风险客户识别率提升22%，不良贷款率下降0.6个百分点。

主导构建Logistic回归违约预测模型，基于近三年历史信贷数据进行训练，模型AUC达0.83；部署至信贷审批系统后，高风险贷款拒贷率提高18%，年化预期损失减少约450万元。

构建企业财务健康度指标体系，整合资产负债表、利润表及现金流量表中的关键比率，自动触发风险预警信号，覆盖80%在贷客户，累计预警15起潜在违约事件，协助业务部门提前收回贷款逾3,200万元。

参与内部评级系统升级项目，设计并验证了13个行业专用指标模板，将评级效率提升30%，同时确保评级结果与外部评级机构一致性达92%，为信贷委员会决策提供了有力支撑。

从集团多个信贷业务系统提取原始交易数据，使用SQL编写数据清洗脚本，剔除重复与异常记录，整合了超过30万条企业财务数据，使数据完整性从82%提升至96%。

在Excel中设计自动化数据验证规则，利用条件格式与VLOOKUP函数定位并修正了近2,000处格式不统一或字段缺失问题，将数据预处理时间缩短40%。

通过SQL查询关联客户基本信息、还款记录与外部征信数据，构建了用于资信评估的集成数据表，支持分析师每周完成50余笔贷款申请的初步筛查。

运用Excel透视表及图表功能，按月汇总不同行业客户的逾期率及财务指标分布，生成5份可视化报告，为评估团队调整信用阈值提供数据依据，使高风险客户识别准确率提升15%。

领导一个3人团队，基于某金融科技公司提供的500家中小企业历史交易及财务数据，设计并实施特征工程，从原始100余个字段中筛选出26个显著性指标，涵盖现金流比率、行业景气指数等多个维度。

使用Python（scikit-learn、pandas）构建Logistic回归违约预测模型，通过5折交叉验证调整正则化参数，最终模型在测试集上AUC达0.82，较基线模型提升15%。

针对模型过拟合问题，引入L2正则化并优化特征交互项，使模型在样本外验证集上的KS统计量稳定在0.48，远超业务预设的0.35阈值。

制定违约概率四档分级规则（低风险0-5%、中低风险5-15%、中高风险15-30%、高风险30%+），输出《企业信用评分卡》，被合作方风控部门采纳，用于季度授信复审。

编写自动化建模脚本（包含数据预处理、变量筛选、模型评估），将单次建模周期从3周压缩至5个工作日，支撑后续企业违约预测模型的滚动更新。