金融工程专家数字员工

先解决什么问题

金融建模常见痛点是探索、筛选、建模、调参、解释散落在不同脚本里，评审时很难把数据画像、IV、PSI、分箱结果和评分卡口径串起来。这个技能把分析路径整理成一套可复用的工程参考：先看清数据，再判断特征是否可用，最后选择合适的模型并解释差异。

它的工作链路

1. 数据画像：读取 parquet/csv，输出字段类型、缺失率、唯一值、描述性统计、分布和质量标记，不要求目标变量。
2. 单变量分析：在无标签时看分布和交叉分布；有 0/1 标签时计算分箱、IV 和保留/剔除建议。
3. 特征深度分析：补充 PSI 稳定性、相关性/共线性，并给出全量、去共线性、高预测力、稳定性优先等方案。
4. 建模与调参：LR 走 WoE 分箱 + 评分卡口径；XGBoost/DNN 走不同编码和结构；调参阶段联合搜索分箱与正则化，并用多模型对比、模型解释和分群建模收敛。

适用边界

• 它是方法论与报告框架，不提供金融、法律或保险建议；所有结论上线前必须人工复核。
• 安全声明强调不执行代码、不持久化存储、不发起网络请求、不采集凭证；输出仅作参考。
• LR 适合可解释和合规场景，XGBoost 更适合非线性交互，DNN 需评估样本量和可解释性成本。