中国平安
算法工程师
算法工程师
发布于 大约 2 个月前普通员工/个人贡献者
深圳市
高级经验
全职员工
仅现场办公
硕士
软件工程
PyTorch
LLM
特征工程
XGBoost
图神经网络
lightGBM
风控模型
Lime
Shap
AI 估算 · 30k–50k
算法工程师高级岗位，金融风控方向，深圳大厂，技能要求高，薪资有竞争力。
职位详情
关于这个职位
该职位负责构建高精度客户风险识别引擎，覆盖贷前、贷中、贷后全链路智能风控决策
你将设计并落地端到端风险识别系统，包括特征工程、模型训练与部署，并探索LLM、图神经网络等前沿技术在风控中的应用
适合有3年以上金融风控建模经验、精通Python和机器学习的算法工程师
最低要求
硕士及以上学历，计算机、统计学、应用数学、金融工程等相关专业
年以上金融风控建模经验，互联网金融或持牌机构背景优先
精通Python建模生态（Scikit-learn、XGBoost、PyTorch），熟悉特征工程、不平衡分类、模型可解释性（SHAP/LIME）方法
具备用户行为序列建模、时空特征提取、图神经网络（GNN）或自监督学习实战经验，有User Embedding项目落地者优先
关注AI前沿技术，了解LLM在非结构化文本理解、风险推理中的应用路径，具备LangChain/HuggingFace工具链使用经验者加分
具备强业务敏感度，能将风控问题转化为建模任务
具备跨团队协作能力，推动算法从实验室到生产的闭环落地
工作职责
端到端风险识别系统建设：设计并落地“好坏客户”识别引擎，覆盖特征工程、模型训练、线上部署全流程，支撑审批、监控、催收等关键场景
多维标签体系定义与建模：基于金融业务逻辑，构建包含还款行为（逾期次数、M1+率）、信用历史（负债比、查询频次）、行为稳定性、资产匹配度及设备社交关联风险的综合标签体系
多源异构数据融合建模：整合行为序列（点击流、登录频次）、LBS时空特征（常驻地漂移、夜间活跃）、多模态信号（语音情绪、图像质量、OCR语义），构建高维风险特征空间
模型研发与性能优化：研发并迭代传统机器学习（XGBoost/LightGBM）与深度学习模型（DNN/Transformer），提升KS、AUC及TopK精准率
探索图神经网络（GNN）实现用户Embedding与风险传播分析
前沿技术探索与业务价值闭环：探索大语言模型（LLM）在弱信号挖掘与组合因子推理中的应用
推动算法产品化落地
AI 洞察
优缺点分析
优点
- 中国平安是金融科技巨头，平台大、资源丰富，能接触真实金融业务和海量数据
- 技术栈前沿，涉及图神经网络、LLM等，个人技术成长快
- 风控是金融核心环节，岗位价值高，职业发展路径清晰
- 多源异构数据融合建模复杂度高，需要较强的工程能力
- 金融行业合规性要求严格，工作可能面临较强的监管约束
- 适合具备3年以上金融风控建模经验、对前沿技术充满热情、希望在大平台深耕的算法工程师
缺点 / 挑战
- 风控模型对准确性要求极高，模型迭代压力大，需要持续优化
角色解读
- 在金融风控领域深耕，成为风控算法专家或模型负责人
- 向更广泛的AI应用方向拓展，如智能决策、推荐系统等
- 晋升为技术Leader，带领团队构建更复杂的算法体系
- 设计并构建客户风险识别引擎，覆盖贷前审批、贷中监控、贷后催收全流程
- 定义和建模多维风险标签体系，整合还款行为、信用历史、时空特征等多源数据
- 研发并迭代传统机器学习与深度学习模型，探索图神经网络和LLM等前沿技术
- 推动算法产品化落地，实现从实验室到生产的闭环
- 精通Python及机器学习生态（Scikit-learn、XGBoost、PyTorch），具备特征工程和模型可解释性能力
- 有用户行为序列建模、时空特征提取或图神经网络实战经验
- 了解LLM在风控场景的应用，熟悉LangChain/HuggingFace工具链
- 具备强业务敏感度，能将风控问题转化为建模任务
申请策略
- 研究平安集团和金融壹账通的风控产品，了解业务现状
- 在面试中强调对风控业务的理解，而不仅是技术能力
- 突出金融风控建模项目经验，特别是端到端模型落地案例
- 强调Python编程和机器学习工具链的熟练程度，展示模型性能提升指标
- 如有用户序列建模、图神经网络或LLM相关项目，务必重点描述
- 展示跨团队协作和业务理解能力，用具体案例说明如何将业务问题转化为建模任务
- 提前复习XGBoost、LightGBM等树模型原理和调参技巧
- 了解图神经网络基础，如GCN、GAT及在风控中的应用
面试指南
- 对于项目类问题，使用STAR原则：Situation（业务背景）、Task（目标）、Action（具体方法）、Result（量化成果）
- 对于技术类问题，先给出定义，再结合业务场景说明如何选择和应用，最后提一下优缺点
- 请介绍你做过的一个端到端风控模型项目，包括特征工程、模型选择和效果评估
- 如何处理样本不平衡问题？用过哪些方法？
- 解释SHAP或LIME的原理，以及如何在风控场景中应用模型可解释性
- 你如何设计用户风险标签体系？有哪些关键维度？
- 对于图神经网络在风控中的应用，你有什么理解？
- 复习机器学习核心算法（树模型、深度学习）的原理和公式
匹配度报告
70
综合匹配度
大厂金融风控算法岗，技术前沿，薪资可观，但WLB一般。
适合人群
该职位最适合追求技术成长和职业发展的求职者，对工作生活平衡要求不高。
最强匹配
成长发展匹配
最弱匹配
工作生活匹配
薪资福利80
成长发展90
工作生活40
使命价值70
薪资福利匹配
80较高
中国平安作为上市公司，薪资福利有竞争力，但JD未明确具体薪资，福利仅隐含在“已上市”中，未明确列出。
薪资信号未披露（AI估算：30K-50K/月）
成长发展匹配
90较高
该职位涉及金融风控领域多种前沿技术（图神经网络、LLM等），技能成长空间大；JD强调了“探索前沿技术”和“算法产品化”，但没有明确提及晋升或培训。
技术前沿前沿/新兴技术
技术栈Python、XGBoost、LightGBM、PyTorch、图神经网络、LLM、SHAP、LIME
业务类型profit_center
工作生活匹配
40较低
仅明确工作地点在深圳，未提及远程、弹性或WLB信息，金融公司通常工作时间固定且可能加班。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值匹配
70中等
风控岗位具有明确的社会价值（防范金融风险），且金融科技行业发展稳定，但JD未提使命或社会影响。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs