金融 AI 风控工程师

💵 2026 年薪资区间与平均薪资

下表口径：一线城市 · 社招 · 税前月薪（现金部分）。数字综合 2026 年公开招聘信息与薪酬报告整理，不是精确统计 —— 校招与社招、均值与中位、是否含股票期权的口径差异很大，实际请以招聘平台实时岗位为准。

平均月薪参考：约 42K（一线城市社招口径）。溢价在「可解释」：能过模型风险管理与监管报送、又敢对拒贷理由负责的人更贵。

可以对照的公开锚点：2026 届校招里 AI 相关岗位月薪中位值约 2.53 万元；偏中高端的样本中 AI 岗位平均月薪约 6.07 万元；算法研究员 / 大模型算法岗位普遍在 7 万元 左右，AI 科学家 / 负责人可达 13 万元 以上。资深 AI 人才 2026 年的调薪幅度最高可达 20%–35%，高于市场平均。

地域差异明显：长三角与大湾区贡献了全国近七成的 AI 岗位需求，北京、上海、深圳、杭州、苏州的薪酬普遍高于其他城市。

🏦 岗位画像：这个岗位到底在招谁

金融 AI 风控工程师做的是用模型做风险决策，并且能对每一个决策解释、举证、追溯。这个岗位和一般算法岗最大的差别是：模型不仅要有效，还要可解释、可验证、可监管。一个说不清理由的拒贷，可能直接变成投诉或处罚。

日常工作：构建与迭代信贷、反欺诈、反洗钱等场景的模型；设计特征与变量口径并保证线上线下一致；做模型验证与监控，跟踪区分度与稳定性；准备模型文档，支撑内部验证与监管报送；处理策略与模型的配合，很多决策其实是规则与模型叠加出来的。

典型用人单位分几类，面试侧重不同：

• 银行与消费金融：看模型风险管理体系的熟悉度，会问独立验证怎么做、模型台账怎么管、拒贷理由怎么给。
• 互联网金融与助贷平台：看迭代速度和实时能力，会问特征实时性、欺诈对抗、策略冷启动。
• 支付与反洗钱机构：看规则与模型的结合、可疑交易识别与报送流程。
• 风控服务商与征信科技：看数据合规与产品化能力，考的是把模型做成可交付的服务。

一句话判断自己合不合适：如果你愿意在「指标只涨一点点」和「解释得清楚、经得起复核」之间选后者，并且能接受大量时间花在文档、口径和验证上，那适合；只想追 AUC 的，做不长久。

📅 岗位职责

• 风控模型开发：申请评分、行为评分、催收评分、反欺诈与反洗钱模型的构建与迭代
• 特征与变量管理：口径定义、衍生变量设计、线上线下一致性校验、特征回填与回溯
• 模型验证与监控：区分度与稳定性指标跟踪、样本外与跨时间验证、效果衰减预警
• 模型文档与治理：模型卡、开发文档、验证报告、模型台账与版本变更记录
• 可解释性交付：给出拒贷或降额的理由口径，支撑客服与监管问询
• 策略协同：与策略团队配合做规则与模型的叠加、阈值调整与灰度上线
• 合规配合：数据授权与使用范围、报送口径核对、公平性审查与敏感变量管控
• 线上问题响应：欺诈突发、指标异常、特征断供的定位与应急处理

🗝️ 岗位技能：技术基础

必备

• 评分卡与可解释模型：逻辑回归、WOE 分箱、变量筛选，以及为什么强监管场景仍偏爱它们
• 树模型：XGBoost、LightGBM 的使用与调参，样本不均衡处理、类别特征处理
• 风险指标：KS、AUC、PSI、IV、Lift，以及每个指标各自衡量什么、什么时候会骗人
• 可解释性：SHAP 等归因方法，以及如何把归因翻译成业务与客户能懂的理由
• 反欺诈：设备指纹、关系网络与团伙识别、图算法、规则与模型的互补
• 反洗钱：可疑交易监测逻辑、名单筛查、误报率与人工复核量的平衡
• 模型风险管理：三道防线、独立验证、模型台账、定期回测与退出机制
• 合规基础：征信业务与个人信息使用的边界、巴塞尔协议下内部评级的基本概念、监管报送的数据口径，具体以监管发布的最新文件为准

加分

• 联邦学习与隐私计算在联合建模中的落地经验
• 实时特征平台：流式计算、特征服务、毫秒级决策链路
• 知识图谱与图神经网络在团伙欺诈识别中的应用
• 压力测试与情景分析，把模型结果接进风险计量
• 公平性与反歧视审查，避免敏感变量通过代理变量间接起作用
• 做过模型全生命周期治理，而不只是建模
• 熟悉拒贷理由生成与客户申诉处理流程

🛡️ 技术面重点：会被问什么

• 「你的模型 AUC 提升了，为什么可能不能上线？」——考风控思维。要能说出：稳定性是否达标、跨时间表现是否衰减、可解释性是否满足要求、变量是否合规（有没有用到敏感或不可授权的数据）、上线收益是否覆盖改造与运营成本。
• 「客户被拒了，要一个理由，你怎么给？」——考可解释交付。正确答法是把模型归因映射到有限几条业务可读的拒贷原因，保证与决策一致、可复核、不泄露风控规则细节，并说明口径要提前和合规、客服对齐。
• 「模型上线三个月后 KS 掉了，怎么查？」——考监控方法论。按「数据口径变化 → 客群结构变化 → 特征断供或延迟 → 策略调整影响 → 外部欺诈手法变化 → 模型本身衰减」顺序排查，并说明怎么区分是模型问题还是业务变化。
• 「反欺诈模型误杀太多，业务投诉，怎么办？」——考权衡。核心是分层处置：高置信度直接拦截，中低置信度转人工或降额，而不是二值决策；同时用团伙识别提高精度，并给出误杀率的可接受区间。
• 「怎么保证线上线下特征一致？」——考工程细节。同一份特征逻辑单点实现、离线与在线共用代码或共用口径文档、上线前做一致性比对、对时间窗口与延迟做明确约定。
• 「这套模型能解释给监管吗？」——考治理。要能拿出模型文档、验证报告、监控记录、变更历史，并说明独立验证由谁做、结论是什么。
• 「样本很少的新产品怎么做风控？」——考冷启动。先用规则与行业经验兜底、引入外部数据与迁移学习、小额度试运行、快速回收表现迭代，并接受初期额度保守。
• 「怎么防止模型学到歧视性变量？」——考合规底线。剔除直接敏感变量不够，还要检查代理变量，做分组表现对比，必要时施加约束或后处理。

⚖️ 业务场景：选型与权衡

🚧 故障排查

• 上线后通过率异常波动：先看阈值与策略是否被改动，再看特征分布是否漂移，最后才怀疑模型；大量案例根因是上游数据源换了口径。
• 欺诈案件突然增多：按时间线对齐案件与策略变更，很多是风控策略被攻击者摸清；应急是临时收紧规则，同时加快模型迭代。
• 特征缺失率飙升：查上游数据源可用性、调度是否延迟、回填是否覆盖；缺省值处理不当会直接导致误判。
• 模型监控指标与业务表现背离：常见是指标用的是旧样本或标签回流延迟，要核对标签成熟度，别用未成熟样本下结论。
• 监管问询拒贷理由不一致：排查归因输出与决策链路是否同源，多数是规则拦截和模型拦截用了不同的理由口径。
• 反洗钱预警量爆炸、人工审不过来：先做规则去重与阈值调优，再用模型做优先级排序，把人力用在最可疑的部分。

💵 成本优化

• 人工复核是主要成本：用模型给预警排序，把有限人力压在高风险案件上，整体收益比单纯降阈值高。
• 外部数据按次计费：只在关键决策点调用贵的字段，能离线拿到的不要实时调用。
• 算力分层：模型训练与批量评分放离线，线上只保留必要的实时推理链路。
• 减少无效验证：固定评测样本与口径，避免每次迭代重跑全量历史回溯。
• 控制模型数量：模型台账越长维护成本越高，及时下线被替代的模型，治理成本也是成本。
• 算清误杀的账：拦截带来的客户流失与投诉处理成本常常高于欺诈损失，需要一起纳入决策。

♾️ 项目经历怎么讲

这个岗位的面试官会重点确认你懂不懂模型治理，而不只是会建模。三段式模板：

• 风险问题与约束：什么场景、什么风险、样本量与标签口径、有哪些合规限制。
• 方案与验证：模型选型理由、变量口径怎么定的、怎么做样本外与跨时间验证、和策略怎么配合。
• 上线与治理：上线方式、监控指标、效果变化、可解释方案、文档与验收是怎么过的。

正例：「做申请评分模型迭代，用 WOE 分箱逻辑回归保证可解释，样本外 KS 有提升且跨时间稳定；同步输出拒贷理由映射表与客服口径，模型文档与验证报告通过内部独立验证，上线后通过率与逾期率均在预期区间。」

反例：「使用 XGBoost 构建风控模型，AUC 达到较高水平，显著提升风控能力。」——没有验证、没有治理、没有上线细节，在强监管行业这句话等于没说。

有一个细节值得专门准备：讲清楚你怎么处理「效果好但不能解释」的那次取舍。金融风控里，能主动放弃一点指标换取可解释和可落地，是成熟度的直接体现。