负责股票多因子策略全生命周期管理，涵盖因子挖掘、模型构建、回测验证及实盘优化，主导跨部门协作推动策略落地，支撑管理规模超80亿元的量化产品线。

• 主导开发基于机器学习的动态多因子模型，使用Python的scikit-learn与XGBoost库，整合财务报表、量价序列、新闻舆情等12类结构化与非结构化数据，通过特征工程筛选出37个IC_IR>1.5的有效因子；针对传统模型对非线性关系捕捉不足的问题，引入注意力机制神经网络（Transformer）优化因子交互层，回测显示策略年化超额收益从12.8%提升至17.0%，信息比率从1.8提升至2.3，该模型已应用于公司旗舰量化对冲产品。
• 优化统计套利策略的风险控制体系，针对小市值股票流动性风险，采用LSTM模型预测订单冲击成本，动态调整配对交易阈值（从固定0.5σ调整为自适应0.3-0.7σ）；同步引入协整检验的滚动窗口机制（窗口长度从60日缩短至30日），策略换手率从周均8%降至5%，最大回撤从-6.5%压缩至-4.1%，实盘运行6个月超额收益稳定在3.5%以上，获投资委员会年度创新奖。
• 搭建实时策略监控系统，基于SQL与Dask构建高频数据管道，设计23个核心风险指标（包括因子暴露集中度、策略间相关性、个股超配比例）；通过Prometheus实现异常波动5分钟内预警，全年拦截3次因宏观政策突变导致的因子失效事件（如2024Q2消费税调整引发的消费因子回撤），避免潜在亏损超2000万元。
• 主导跨部门策略路演与归因分析，向投资委员会汇报模型逻辑，通过Brinson模型拆解收益来源（价值因子贡献38%、动量因子贡献29%、残差项贡献33%）；推动2个优化后策略纳入产品线，带动管理规模新增15亿元，策略存续期内客户复投率提升至72%。

聚焦A股与商品期货策略研发，负责数据处理、模型回测及策略优化，为投资经理提供量化决策支持，覆盖管理规模30亿元的中低频量化产品。

• 构建A股行业轮动策略，基于Fama-French五因子模型扩展，加入行业景气度指标（如PMI分项、工业企业产成品库存周期），通过面板回归筛选出对行业超额收益解释力最强的5个因子（库存同比变化、PPIRM-RPI差值等）；回测显示策略年化收益18.7%，较基准沪深300超额10.2%，该模型被采纳为公司消费、科技行业主题基金的辅助配置工具。
• 参与CTA策略开发，使用TA-Lib计算商品期货技术指标（布林带宽度、RSI背离信号），结合波动率过滤条件（ATR>过去20日均值1.2倍）生成交易信号；通过遗传算法优化参数组合（将均线周期从固定的5/20日调整为动态3-60日），策略夏普比率从1.2提升至1.7，实盘跟踪3个月胜率稳定在58%以上，年化波动率控制在15%以内。
• 维护策略研发数据库，编写Python自动化脚本清洗Wind、Bloomberg数据，解决前复权误差问题（通过对比后复权与除权除息公式，修正误差率从0.3%降至0.05%）；建立因子库标签体系（涵盖风格、行业、情绪等8大类），提升团队回测效率30%，该数据库后续成为公司量化研究的基础设施。

辅助量化策略研究，承担数据整理、基础模型搭建及学术文献转化，为团队提供底层研究支持。

• 协助完成美股动量策略本土化研究，翻译并复现Jegadeesh和Titman（1993）经典论文，使用R语言构建A股1997-2018年中短期动量组合（持有期1-12个月）；发现中期动量（6个月）在A股有效性最强（年化超额收益5.1%），长周期（12个月）因反转效应显著失效，研究成果形成《A股动量效应特征报告》，为后续策略开发提供理论依据。
• 开发基础多因子回测框架，基于Pandas与NumPy编写收益计算模块，实现年化收益率、最大回撤、卡玛比率等15个绩效指标的自动输出；替代原人工计算流程，单策略回测时间从3天缩短至4小时，错误率从9%降至0.5%，显著提升团队研究效率。
• 参与数据治理项目，处理3000+只股票的日度行情数据（开盘价、收盘价、成交量），修正停复牌、分红除权等异常值（通过匹配事件公告与行情数据，修正记录超10万条）；数据完整度从85%提升至99%，为上层策略研究奠定可靠数据基础。

新消费赛道细分领域‘景气度-竞争力’双维度评估体系构建及投资策略落地项目

• 项目背景：2021年以来新消费赛道投融资过热，大量标的因估值虚高、模式不可持续出现破发，公司亟需建立适配新消费特性的深度研究框架，精准识别高景气细分领域及具备长期壁垒的标的。核心目标：主导构建覆盖“行业景气度跟踪+企业竞争力评估”的双维度模型，输出可落地的投资策略，支撑公司新消费板块的投资决策。
• 解决的关键难题：一是新消费企业多为DTC模式，传统营收、净利润指标无法反映真实增长质量（如私域复购、用户裂变）；二是细分赛道间用户迁移、协同效应难量化（如美妆与个护的交叉用户占比）。针对前者，引入“LTV/CAC（用户终身价值/获客成本）”“KOC传播裂变率”等新消费特有指标，通过爬取天猫、抖音用户行为数据及小红书舆情，用NLP模型量化品牌情感倾向；针对后者，采用社交网络分析（SNA）计算跨品类用户迁移率，构建赛道协同度矩阵。
• 核心行动与创新：1. 主导设计包含12个一级指标（如“私域复购率”“渠道数字化覆盖率”）、36个二级指标的评估体系，其中6个指标为新消费赛道定制；2. 牵头完成15个细分赛道（功能性食品、智能家电、国潮服饰等）的深度调研，访谈23位行业专家及企业创始人，验证模型有效性；3. 每周与投资团队召开“模型校准会”，根据市场反馈调整指标权重（如将“抖音直播转化率”权重从8%提升至15%）。
• 项目成果：1. 构建的评估体系被公司纳入《新消费赛道投资决策手册》，成为研究员及投资经理的核心工具；2. 输出的策略建议推动公司布局的3只标的（某功能性食品企业、某智能家电品牌）6个月内涨幅超40%，其中某功能性食品企业成为年度重仓股，贡献约2.1亿元浮盈；3. 模型延伸至投后管理，帮助被投企业优化私域运营，其年营收增速较行业均值高15%。个人贡献：主导模型设计与落地，直接推动2个重点标进入公司核心持仓池。

白酒企业数字化转型对长期估值影响的量化研究及投资应用项目

• 项目背景：白酒行业进入存量竞争阶段，头部企业加速数字化转型（如渠道数字化、用户运营数字化），但市场对“数字化投入如何转化为估值溢价”缺乏共识，公司需要量化评估转型效果以挖掘被低估标的。核心目标：构建“数字化投入-运营效率-估值提升”的传导模型，识别数字化转型领先且估值合理的白酒企业。
• 解决的关键难题：一是白酒企业数字化投入披露不充分，数据分散在年报、经销商调研及第三方系统供应商处；二是转型效果难以量化（如渠道数字化对库存周转的影响、用户数字化对品牌忠诚度的提升）。针对前者，整合年报、经销商问卷及数字化服务商合同数据，还原企业真实数字化投入；针对后者，用回归分析验证“数字化投入占比”与“库存周转天数”“单店营收”的相关性，用事件研究法分析转型公告后的股价超额收益。
• 核心行动与创新：1. 调研8家白酒企业数字化负责人，梳理出“生产-渠道-用户”三大数字化场景的投入产出逻辑；2. 分析2018-2021年白酒企业面板数据，发现数字化投入占比每提升1pct，库存周转天数下降5天、单店营收提升8%，对应PE估值溢价约12%；3. 输出《白酒企业数字化转型估值影响报告》，筛选出3家“数字化投入领先但估值低于行业均值”的区域酒企。
• 项目成果：1. 报告中的投资建议被公司采纳，布局的某区域白酒企业1年内涨幅达35%；2. 模型被纳入公司白酒行业研究常规框架，用于评估企业长期价值；3. 个人因项目表现突出，晋升为高级研究员，开始主导新消费赛道研究。个人贡献：完成数据整合、模型构建及案例分析，是报告核心执笔人之一。

• 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。