01

学生需求

G同学本科是统计学专业，研究生申请目标最终确定为主申金融科技/定量金融/金融工程等一众强调技术在金融领域应用的交叉专业，辅申统计学以增加整个申请组合的成功率。
确定好申请组合在讨论背景提升方案时，考虑到G同学非常缺乏金融科技的相关经历，所以前期很多背提动作基本都是围绕主申目标而进行，而其中很重要的一项，就是完成“花旗银行小额贷款自动审核系统”的机器学习项目。
之所以选择这个项目，是因为机器学习在金融科技/定量金融/金融工程中有越来越多的应用，如风险管理，股价预测，资产配置等等，越来越多的专业都在自己的课程中加入机器学习的部分，不少项目更是会在审理阶段就关注学生是否掌握，如UC Berkeley MFE项目在申请要求中就明确列出需要了解机器学习。

同时，这个项目的主题也与金融科技等专业的申请非常契合，项目主要针对小额贷款的信用预测（评分）场景，根据客户的个人背景信息、工资收入、财产情况等数据进行分析，进行特征提取和选择，利用多种机器学习算法搭建贷款审核系统。增加这个经历，对增强G同学申请金融科技方向是颇为加分的。

当然，由于在前期G同学对机器学习和Python编程没有太多接触，所以正式开始项目之前我们的配套课程学习和作业练习，也起到了非常关键作用，为后面应用于金融场景下打下了很好的基础。

（与学员沟通背提方案）

02

项目的申请应用

在后续的申请中，这个项目也是作为重点被运用到了申请材料中。由于是跨专业申请，所以我们在申请动机这部分着力颇多。要回答好why apply这个问题，并不是在秀了一番“我很优秀”之后，悠悠说出一句“希望更深入学习”就可以的。
我们从以下三个方面来进行了阐述：

1. 如何从本专业的基础上，对金融科技/定量金融产生了兴趣

1. 为什么选择了这个专业，以及细分领域

1. 现在的申请是为了实现什么目标

对这3个问题的回答，这段机器学习的项目经历都起到了一定的作用。

（点击放大）

兴趣起源

在解释对专业的兴趣起源方面，因为在项目中，G同学接触到了信用评估的相关内容，我们从他对传统评分卡模型假设（即数据满足线性关联）的思考出发，展现他希望弥补线性模型表达能力不足，以及应对海量纷繁的新数据不断产生，主动去学习新的算法，并在项目过程中，对技术应用于金融有了初体验，也渐渐对这个交叉专业产生了浓厚兴趣。

申请动机

在完成项目初步要求之后，他对机器学习的项目流程有了完整实践，同时也有了更深的思考。机器学习领域算法通常对数据有较少的假设限制，但算法学习出来的复杂的非线性映射使得拟合结果的可解释性较低，这会使得在应用过程中的监测难度增加，模型维护的成本也会大大增加。对于这些问题，按照自己目前积累，很难找到合理的解决方案，对于实际应用所牵涉的种种问题始终充满好奇，希望进一步探索。于是进行申请，希望在金融科技，特别是在风险管理这个子领域，形成更进一步的理解，掌握更多技能。

未来规划

在这个子领域越来越深入之后，也意识到随着如今金融产品和投资策略越来越复杂，利用技术手段进行风险管理比过往要更加重要。这是一个充满机会、潜力无穷的领域，现在的申请，也是为今后可以在这个子领域发展打下基础，最终实现自己的职业价值。
我们可以很清楚的看到，这个项目经历在整份文书中，起到贯穿主线的作用，既合乎逻辑，也结合自己的本科背景展示了个性化的动机和能力。

03

学习成果展示

（学员项目报告节选）