统筹高净值个人及机构客户资产配置全周期服务，带领5人团队完成年度AUM增长目标，主导跨境及多资产类别配置方案设计与落地，同步负责团队专业能力培养与业绩督导。

• 牵头设计‘核心+卫星’跨境资产配置框架，运用Black-Litterman模型融合宏观因子与市场情绪指标，平衡中概股、海外REITs与国内固收+比例，管理组合年化波动率控制在8%以内，客户年化收益超基准200BP（基准为中证全指*60%+中债综合*40%），年度客户复投率提升至89%。
• 搭建投后智能跟踪体系，基于Python开发持仓穿透分析工具，自动抓取Wind、Bloomberg底层资产数据，生成风险敞口、风格漂移预警报告，将单客户投后响应时效从3个工作日压缩至4小时，团队服务效率获公司年度创新奖。
• 主导对接头部信托与家族办公室，设计‘证券投资+家族信托’联动方案，嵌入慈善信托条款满足客户传承需求，3个月内落地3单亿元级项目，带动新增资金流入8000万元，占团队季度新增AUM的35%。
• 带教3名应届生至独立展业水平，制定‘客户画像-方案适配-异议处理’阶梯培训体系，团队人均管户规模从1200万提升至2500万，年度团队AUM超额完成目标120%，获评公司‘金牌团队’。

聚焦可投资资产300万以上高净值客户，提供个性化资产配置与投后陪伴服务，推动客户AUM增长与产品交叉销售，同时负责客户需求挖掘与新业务试点落地。

• 主导高净值客户年度资产检视，运用风险平价模型重构股债商配置比例，针对市场利率下行周期增配红利低波ETF与ABS产品，管理的1.2亿客户组合最大回撤从15%降至9.8%，客户留存率从85%提升至92%。
• 引入ESG筛选框架，联合外部评级机构定制‘碳中和主题’配置方案，筛选光伏ETF、环保产业基金及绿色债券，匹配客户ESG投资偏好，相关产品在管规模达6000万元，客户满意度评分4.9/5（公司平均4.5）。
• 搭建客户分层服务体系，在CRM系统中设置‘投资经验、风险承受、生命周期’三维标签，精准推送投教直播与产品路演，全年触达客户2000+人次，促成私募证券基金销售2800万元，占部门同期销售的22%。
• 设计‘波动应对’系列投教课程，覆盖市场下跌时的补仓策略、股债再平衡技巧等内容，通过企业微信社群每日推送案例解析，客户因短期波动引发的投诉量同比下降30%。

服务可投资资产50-300万大众富裕客户，完成客户需求分析、标准化资产配置方案输出及日常投后维护，目标为提升客户资产规模与产品持有数量。

• 运用KYC九宫格工具完成200+客户画像，结合风险测评问卷（含20项行为金融学问题）识别客户真实风险偏好，针对性推荐‘固收+打新’组合（纯债基金+科创板打新基金），6个月内客户平均持仓收益率达6.2%，超出预期1.5个百分点。
• 跟踪宏观经济指标（PMI、社融、十年期国债收益率），每月输出《大众客户配置建议》至客户APP，提示股债性价比切换节点，推动30%客户在2023Q2市场调整前增配短债基金，规避权益类资产回撤约200万元。
• 参与私募股权产品代销项目，筛选3家专注硬科技的VC基金，通过尽调会议验证GP投资逻辑与DPI历史表现，完成1000万额度销售，其中80%客户为首次配置另类资产，实现客户资产类别多元化突破。
• 建立客户问题响应SOP，整理常见咨询（如分红再投资、税收优化）应答模板库，将平均问题解决时长从2小时缩短至30分钟，季度客户净推荐值（NPS）从35提升至52。

国盛证券零售客户交易链路效能提升项目

• 项目背景：公司零售客户交易佣金率连续3个季度下滑2bp，市占率较年初停滞在3.1%，经调研核心痛点是交易链路冗余（涉及柜台、CRM、行情、资讯4套异构系统）、订单处理延迟高（平均350ms），导致客户体验差、高频交易客户流失。项目目标是通过重构交易流转链路，将订单处理延迟降至100ms内，提升客户交易活跃度与留存率。我在项目中主导交易运营团队，联动技术研发中心、财富管理部完成端到端优化。
• 关键难题：一是多系统间数据同步依赖人工批量处理，订单从客户下单到柜台报盘存在18个节点的延迟；二是高净值客户（资产≥500万）与普通客户未差异化服务，高净值客户因响应慢转向竞品；三是异常订单（如废单、撤单超时）需人工排查，平均处理时间45分钟，占用30%运营人力。
• 核心行动：1. 技术层面，牵头采用Apache Kafka搭建分布式消息队列，打通异构系统实时数据同步，将订单流转节点从18个压缩至6个；2. 客户分层层面，基于客户历史交易行为（频率、金额、品种）、RFM模型及XGBoost机器学习算法，构建“交易活跃度-资产规模-风险偏好”三维画像，将客户分为“高净值高频”“普通活跃”“低频休眠”3类，匹配差异化订单优先级（高净值客户订单直连柜台，优先级提升4档）；3. 异常处理层面，开发“异常订单自动诊断系统”，用Drools规则引擎整合12类常见异常场景（如资金不足、标的停牌），实现异常识别-定位-解决全流程自动化。
• 项目成果：订单处理延迟从350ms降至78ms，交易成功率从89%提升至99.1%；高净值客户交易活跃度（月均交易次数）提升23%，该群体佣金收入年新增1860万元；异常订单处理时间缩短至4.7分钟，运营人力释放25%。我个人主导了跨部门需求对齐、技术方案落地及效果验证，创新性将分布式消息队列与机器学习分层策略结合，解决了零售交易链路的“卡脖子”问题，项目成果被纳入公司年度“经纪业务数字化转型标杆案例”。

平安证券机构客户大宗交易流动性提升与冲击成本控制项目

• 项目背景：机构客户大宗交易（单笔≥10万股或500万元）面临两大痛点——对手方匹配效率低（平均寻找到合适对手方需2.5小时）、执行冲击成本高（平均占交易金额的1.2%），导致2021年机构客户大宗交易留存率仅78%。项目目标是通过优化对手方匹配算法与执行策略，将对手方寻找时间缩短至30分钟内，冲击成本降低至1%以内。我在项目中负责大宗交易执行策略设计与落地，联动机构销售、算法团队完成策略验证。
• 关键难题：一是现有对手方数据库仅基于客户基本信息匹配，未挖掘交易偏好（如偏好大盘股/小盘股、日内交易时段）；二是执行算法单一（仅采用“时间加权平均价格”TWAP），无法适应流动性差异大的股票（如低成交量中小盘股）；三是缺乏实时市场情绪监测，决策依赖交易员经验，易出现“追高卖低”情况。
• 核心行动：1. 数据层，整合机构客户历史大宗交易数据（品种、数量、价格区间、成交时段）、Wind舆情数据（公司公告、研报评级）及实时行情（成交量、换手率），搭建“机构大宗交易偏好数据库”；2. 算法层，引入图神经网络（GNN）模型挖掘客户间潜在匹配关系，将对手方匹配准确率从60%提升至78%；同时定制“自适应执行算法”（Adaptive Algo），根据股票流动性（日均成交量、买卖盘深度）动态调整下单节奏（如小盘股采用“成交量加权平均价格”VWAP+限价单组合）；3. 决策层，开发“市场情绪预警模块”，用自然语言处理（NLP）分析舆情数据，实时提示“利好/利空”信号，辅助交易员调整执行策略。
• 项目成果：大宗交易对手方寻找时间从2.5小时降至28分钟，成交率从62%提升至81%；平均冲击成本从1.2%降至0.98%，其中中小盘股冲击成本降低21%；2021年四季度新增12家机构客户（主要为私募股权基金），贡献年度大宗交易佣金收入1230万元。我个人主导了策略设计与回测，推动GNN与自适应算法在机构交易中的首次应用，解决了大宗交易“匹配难、执行贵”的核心问题，项目成果获部门“年度最佳执行策略奖”。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。