负责权益类多因子模型的因子挖掘与迭代、高频交易策略开发及实盘绩效归因，支撑管理规模超50亿的量化产品投资决策，同时牵头AI量化平台的功能优化。

• 针对原有多因子模型在小市值风格切换下超额收益下滑的问题，主导基于遗传编程的因子挖掘框架搭建，整合量价（1分钟K线、委托比）、舆情（股吧情绪得分）、高频订单簿（Level-2逐笔委托量）三类共300+因子，通过贝叶斯优化筛选出5个IC_IR超1.2的alpha因子（如“订单簿深度变化率与成交量的格兰杰因果因子”），将模型年化超额收益从8.5%提升至11.2%，回撤收窄2.1个百分点，支撑公司旗舰产品“小楷量化精选”2024年超额收益排名同类前10%。
• 牵头高频做市策略开发，基于Level-2逐笔数据构建LSTM订单簿深度预测模型（输入为过去10分钟的买卖盘口挂单量、撤单率，输出未来1分钟的深度变化），结合PPO强化学习优化报单价格（以最小化冲击成本为目标函数），策略上线后实现日均成交额5000万+，年化收益率15.8%，夏普比率2.3，成为公司高频产品线的核心收益来源，占部门高频策略总收益的35%。
• 建立基于Brinson模型改进的多维度绩效归因体系，新增“交易成本拆解”（分为滑点、冲击成本、佣金）与“因子暴露漂移”模块，每周输出策略归因报告；2024年Q3定位到超额收益下滑主因是小盘股流动性冲击导致滑点上升（较基准高0.8%），推动将策略滑点阈值从0.3%调整至0.5%，后续季度超额收益稳定性提升40%（月度超额收益标准差从1.2%降至0.7%）。
• 参与公司AI量化平台搭建，负责因子库与回测系统迭代：引入Docker容器化部署将单因子回测效率提升30%，搭建因子有效性检验模块（包含IC、IR、换手率单调性、半衰期等10+指标），实现新因子从“数据提取-回测-验证”的全流程自动化，将因子验证周期从2周缩短至5个工作日，支撑团队每月新增10+个候选因子。

聚焦股票中性策略的多因子模型优化与风险控制，协助开发商品期货CTA策略，支持管理规模20亿的量化产品运行，同时负责策略绩效的深度分析。

• 针对传统Barra模型行业暴露控制不足的问题，优化行业因子构建方法——采用动态权重法（基于申万一级行业的营收占比与流动性动态调整因子权重）替代静态行业分类，将组合的行业偏离度从3.2%降至1.5%；2022年Q4行业轮动行情中，策略超额收益较基准高出4.1%，避免了因行业过度暴露导致的回撤（较原模型减少1.8%）。
• 协助开发商品期货CTA趋势策略，基于布林带（中轨为20日移动平均，上下轨为2倍标准差）与MACD（快线12日、慢线26日）指标构建多周期共振模型（整合螺纹钢、铁矿石等10个品种的日线与小时线数据），策略上线后实现年化收益率12.6%，最大回撤6.8%，占部门CTA产品收益贡献的25%，2022年该策略获得“年度最佳CTA策略提名”。
• 搭建实时风险监控系统，采用Python Flask框架对接公司交易系统，实现组合杠杆率、波动率（GARCH模型预测）、VaR（95%置信水平）的分钟级监控；2023年3月成功预警某商品期货品种（焦炭）的政策风险（交易所提高保证金比例），提前2小时平仓该品种持仓，避免损失约800万元。
• 参与因子周期性研究，通过面板数据回归分析验证动量因子的季节性特征——发现A股动量因子在季报披露期（4月、10月）的IC均值较其他月份高0.15（t值2.8），据此调整因子加权权重（季报期增加动量因子权重20%），模型季度超额收益稳定性提升25%（月度超额收益胜率从60%升至75%）。

协助完成量化策略的基础研究与数据预处理，参与因子库搭建与回测框架优化，支撑初级量化策略的开发与验证。

• 负责收集整理量价（1分钟、5分钟K线）、财务（ROE、净利润增速）、宏观（GDP增速、M2同比）三类共200+指标，采用Pandas进行数据清洗（处理缺失值、异常值）与特征工程（计算滚动均值、标准差、相关性），构建包含150个原始因子的数据库，数据准确率达99.9%，为团队后续因子挖掘提供稳定数据源。
• 协助回测框架优化，将原有基于Matlab的回测系统迁移至Python Backtrader框架，新增因子暴露、交易成本（滑点+佣金）、资金曲线分析等功能，回测速度提升约40%；例如某动量策略的回测时间从2小时缩短至45分钟，显著提高策略迭代效率。
• 参与事件驱动策略研究，分析2018-2020年财报超预期事件（净利润增速高于一致预期10%以上）的股价反应，通过独立样本T检验验证超额收益显著性（事件后5日超额收益均值0.8%，p<0.05）；设计“财报超预期+成交量放大”组合，年化收益率9.8%，成为团队早期量化策略的重要组成部分。
• 负责策略绩效初步分析，采用Excel与PowerBI制作策略报告，展示超额收益、最大回撤、夏普比率、信息比率等核心指标，每周向团队汇报策略运行情况；2020年Q4通过报告发现某低波策略的回撤异常（较基准高2%），协助排查出是因子计算错误（波动率计算周期误设为月度而非日度），及时修正避免更大损失。

• 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。

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。