\r \r

Financial Engineer / 金融工程专家数字员工\r

\r

⚠️ SECURITY NOTICE / 安全声明\r

• Type: Educational reference / analytical framework ONLY\r
• No executable code, scripts, or binaries are included in this skill\r
• No persistent storage, network calls, background execution, or credential collection\r
• All outputs are for reference only and require human review before real-world application\r
• This skill does NOT provide financial, legal, or insurance advice\r
• Users must exercise their own judgment and consult qualified professionals\r \r

Overview\r

\r 金融工程专家数字员工，集成以下14项核心能力：\r \r

1. Auto Experiment — 【自主实验循环·特征组级探索】当用户说"自动探索哪些特征组有用"、"批量对比不同特征组贡献"、"帮我自主试多种方案"、"自动跑一下"、"试各种特征组合"、"自动特征选择"、"消融分析"时使用。核心能力\r
2. Data Profiling — 【数据轮廓速览】当用户刚上传数据、问"数据有多少行"、"有哪些字段"、"数据长什么样"时使用。描述数据结构（行列数、字段类型、缺失率、分布特征、数据质量），不计算建模指标。无需目标变量。与 featu\r
3. Dnn Modeling — 【DNN深度学习建模】当用户需要"深度学习"、"DNN建模"、"神经网络"、"MLP"、"跑个DNN"、"深度模型"时使用。基于 PyTorch 实现多层全连接网络（MLP）进行二分类建模。支持 Ba\r
4. Dnn Tuning — 【DNN调参】当用户说"DNN调参"、"深度学习调参"、"调整网络结构"、"调整dropout"、"DNN过拟合"时使用。基于 Optuna TPE 贝叶斯优化，搜索网络架构（层数、宽度、dropou\r
5. Feature Analysis — 【特征深度分析】当用户需要"全面分析特征"、"生成特征报告"、"看相关性"、"推荐建模方案"、"跑一遍特征"、"特征全景"、"哪些特征有用"时使用。包含四大维度：基础统计、IV值、PSI稳定性、相关性\r
6. Lr Modeling — 【LR评分卡建模】当用户需要"逻辑回归"、"LR建模"、"评分卡"、"scorecard"、"WoE建模"、"跑个LR"时使用。基于 WoE 编码 + Logistic Regression 训练标准\r
7. Lr Tuning — 【LR评分卡调参】当用户说"LR调参"、"评分卡调优"、"调整分箱数"、"调整C值"、"LR过拟合"时使用。基于 Optuna TPE 贝叶斯优化，联合搜索 WoE 分箱参数（max_n_bins、i\r
8. Model Comparison — 【多模型效果对比】当用户需要"对比算法"、"多模型对比"、"XGB和LR对比"、"三种算法都试试"、"哪个算法好"、"都跑一下对比看看"、"自动调参后对比"、"公平对比"时使用。基于同一份数据切分，横\r
9. Model Explanation — 【模型解释】当用户问"为什么模型这样预测"、"哪些特征最重要"、"解释一下这个样本"、"模型怎么做的决策"、"feature importance"、"为什么给这个分数"时使用。基于SHAP的模型解释\r
10. Segment Modeling — 【分群自主探索】当用户需要"分群建模"、"客群拆分训练"、"探索最优分群方案"、"按xxx分组建模"、"不同客群分别训练"、"分群策略"时使用。支持规则分群（人类先验）、聚类分群（无监督发现）、决策树\r
11. Univariate Analysis — 【单变量分析】当用户提到"分析某个/某些特征"、"看看xxx特征"、"xxx特征分布"、"帮我分箱"、"交叉分布"、"筛选特征"、"分析一下xxx"等涉及少量特征分析的请求时使用。支持两种模式：(1)\r
12. Xgb Deepmodel — 【DeepModel深度建模】当用户需要"分群集成建模"、"分群+Stacking融合"、"子模型训练+集成"时使用。核心能力：按业务分群条件训练多个 XGBoost 子模型，通过 Stacking \r
13. Xgb Modeling — 【XGBoost建模】当用户需要"训练模型"、"跑一个基线"、"建个模型试试"、"对比特征方案效果"、"预测一下"、"跑个xgb"、"看AUC/KS/BCR"时使用。支持多特征方案对比、AUC/KS/\r
14. Xgb Tuning — 【XGBoost超参数调优 — 唯一调参入口】当用户说"帮我调参"、"模型过拟合了怎么办"、"调整learning_rate/max_depth等参数"时使用。核心能力：基于 Optuna TPE 贝\r \r ---\r \r

Module 1: Auto Experiment\r

\r

Phase 1: 特征组独立评估\r

• 自动发现数据中的特征分组（按前缀聚合: firefly_*, mob3_*, umeng_* 等）\r
• 逐组单独建模，评估每组的独立预测能力\r
• 输出各组的独立 AUC/KS 排名\r \r

Module 2: Data Profiling\r

\r | 参数 | 必选 | 默认值 | 说明 |\r |------|:----:|--------|------|\r | --data_path | ✅ | - | 数据文件路径（parquet/csv） |\r | --output | | data_profiling_report.md | 报告输出路径 |\r | --output_dir | | ./outputs/\x3Cts> | 产物输出目录 |\r | --output_name | | data_profiling_report | 报告基名（不含扩展名） |\r | --config | | - | JSON 配置文件路\r \r

Module 3: Dnn Modeling\r

\r 基于 PyTorch 实现 MLP (Multi-Layer Perceptron) 进行二分类建模。\r \r

Module 4: Dnn Tuning\r

\r

执行模式\r

\r | 模式 | 触发条件 | 行为 |\r |------|---------|------|\r | 交互式（默认） | 用户说"调参"/"帮我调一\r \r | 模式 | 触发条件 | 行为 |\r |------|---------|------|\r | 交互式（默认） | 用户说"调参"/"帮我调一下DNN" | 每轮暂停等待用户反馈 |\r | AUTO | 用户说"自动调优"/"帮我调到最优" | Agent 自动迭代直到收敛 |\r \r 默认模式: 交互式（更安全，用户可控）\r \r ---\r \r

Module 5: Feature Analysis\r

\r 基于 scripts/analyzer.py 主脚本，对数据集特征进行全面分析并生成 Markdown 报告。\r \r

Module 6: Lr Modeling\r

\r 基于 WoE (Weight of Evidence) 编码 + Logistic Regression 进行二分类评分卡建模。\r \r

Module 7: Lr Tuning\r

\r

执行模式\r

\r | 模式 | 触发条件 | 行为 |\r |------|---------|------|\r | 交互式（默认） | 用户说"调参"/"帮我调一\r \r | 模式 | 触发条件 | 行为 |\r |------|---------|------|\r | 交互式（默认） | 用户说"调参"/"帮我调一下LR" | 每轮暂停等待用户反馈 |\r | AUTO | 用户说"自动调优"/"帮我调到最优" | Agent 自动迭代直到收敛 |\r \r ---\r \r

Module 8: Model Comparison\r

\r 设计原则（v3 重要变更）：\r

• 只陈述事实，不做主观推荐：删除了旧版的"五维加权综合评分"与"门禁淘汰"。主观权重本质上将多个不可比指标压成一个数，丢失信息并引入拍脑袋假设；门禁阈值则不同业务差异巨大。\r
• Pareto 前沿（无主观权重）：在 OOT AUC / OOT KS / BCR@10% / KS Gap / PSI 五个方向明确的目标上，识别未被任何算法严格优于的候选集。\r
• LLM 推理接手：报告末尾提供「已知事实清单 + 开放问题」，交由对话中的 AI 结合业务背景推理取舍。\r
• 同数据同切分 → 消除数据差异对对比结论的干扰\r
• 多维指标原始\r \r

Module 9: Model Explanation\r

\r 基于 SHAP (SHapley Additive exPlanations) 对 XGBoost 模型进行可解释性分析，生成包含可视化图表的 Markdown 报告。\r \r

Module 10: Segment Modeling\r

\r

探索空间（策略 × 参数 × 组合）\r
        │\r
        ▼\r
Try → Measure → Keep/Discard → Repeat\r
        │\r
        ▼\r
    最优分群方案 + 子模型\r
```\r
\r
## Module 11: Univariate Analysis\r
\r
基于 `scripts/analyzer.py` 主脚本，对指定特征进行单变量级别的分布分析或预测力评估。\r
\r
## Module 12: Xgb Deepmodel\r
\r
> 参数 spec：`_vendor/xgb_cli.py` 中 `domain=deepmodel-sub`。复杂嵌套 JSON（segments / features_per_segment / pos_weight_per_segment）**必须**走 `--config`。\r
\r
## Module 13: Xgb Modeling\r
\r
基于 XGBoost 进行二分类建模，支持自动特征筛选、多方案对比、稳定性分析。可运行在任何 Python 环境，无平台耦合。调参请用 [`xgb-tuning`](./xgb-tuning/SKILL.md)。\r
\r
## Module 14: Xgb Tuning\r
\r
### 执行模式\r
\r
| 模式 | 触发条件 | 行为 |\r
|------|---------|------|\r
| **交互式**（默认） | 用户说"调参"/"帮我调一\r
\r
| 模式 | 触发条件 | 行为 |\r
|------|---------|------|\r
| **交互式**（默认） | 用户说"调参"/"帮我调一下"/"优化一下" | 每轮暂停等待用户反馈 |\r
| **AUTO** | 用户说"自动调优"/"帮我调到最优"/"一直调到收敛" | Agent 自动迭代直到收敛，每轮输出进度 |\r
\r
**默认模式**: 交互式（更安全，用户可控）\r
\r
---\r
\r
## Disclaimer / 免责声明\r
\r
> ⚠️ **重要声明**\r
> - 本技能提供参考框架和分析建议，不构成任何形式的投资建议、法律意见或专业判断\r
> - 所有分析结果仅供参考，最终决策须由具备相应资质的专业人员作出\r
> - AI生成的分析不代表任何机构的官方立场或承诺\r
> - 用户应结合实际情况独立判断