负责多因子模型与机器学习策略的研发、迭代及实盘跟踪，主导因子挖掘、组合优化及风险控制全流程，支撑公司主动管理型量化产品的超额收益创造与风险收益比提升。

• 主导中高频量价因子挖掘与迭代，基于Python与Pandas处理分钟级交易数据（日均200万条），结合LSTM模型捕捉短期动量衰减特征，解决传统动量因子在注册制下的失效问题；优化后因子IC均值从0.03提升至0.06，IC_IR达0.85，对应策略年化超额收益增加2.1个百分点，实盘产品近6个月超额收益排名同类前5%。
• 搭建基于LightGBM的多因子选股模型，引入SHAP值进行特征交互分析与重要性排序，剔除冗余技术面因子12个（如失效的MACD背离因子），保留并强化情绪类因子（如融资买入占比环比变化率）；模型预测准确率从78%提升至85%，实盘产品近一年夏普比率达2.3，较基准指数信息比率提升0.4。
• 优化组合优化模块，融合Black-Litterman模型与风险预算框架，调整行业暴露约束（单行业偏离度从±5%收紧至±3%），并通过CVXPY求解最小化跟踪误差；组合换手率从周均8%降至5%，年度交易成本降低15%（约300万元），客户赎回率同比下降9%。
• 主导风险模型升级，基于Barra CNE6框架扩展ESG争议事件因子与分析师预期修正因子，构建行业轮动风险预警指标（如高拥挤度行业动量反转概率）；回测显示极端行情下（如2024年Q2调整）最大回撤从-12%收窄至-8%，产品风险调整后收益（Calmar比率）从1.8提升至2.2，进入同类前10%。

聚焦股票多空与统计套利策略开发，负责因子有效性验证、策略回测及实盘跟踪，支撑公司中低频量化产品的收益稳定性与规模扩张。

• 独立开发跨期套利策略，通过Engle-Granger协整检验筛选沪深300股指期货主力与次主力合约，结合Kalman滤波动态调整价差阈值（适应市场波动率变化）；策略胜率从55%提升至68%，年化收益率18%，最大回撤控制在-5%以内，成为公司核心套利产品，管理规模峰值达5亿元。
• 负责因子库维护与有效性验证，使用Alphalens分析2018-2022年全市场因子数据，剔除失效的估值类因子（如静态PE分位数）5个，新增情绪类因子（如业绩预告超预期幅度）3个；优化后整体因子库IC_IR从0.8提升至1.1，策略超额收益月胜率从60%提高至72%，支撑产品规模增长3倍。
• 协助搭建实时风控系统，集成Wind数据接口与Python脚本，设置波动率、流动性（日均成交额>5000万）、集中度（单票持仓<2%）等多维度预警指标；风险事件响应时间从T+1缩短至T+0.5，全年避免因流动性不足导致的强制平仓损失约200万元。
• 参与期权策略研究，基于BS模型与隐含波动率曲面分析，设计50ETF备兑开仓增强策略；回测显示年化增强收益4.5%，最大回撤-3%，为高净值客户提供低波动收益补充工具。

承担多因子模型基础建设与策略验证，负责数据清洗、因子测试及报告输出，支撑团队策略研发效率与投研体系完善。

• 主导因子数据库搭建，整理并清洗2010-2019年A股日度数据（涵盖价量、财务、分析师预期等10大类，约500万条），使用MySQL设计标准化表结构与自动化更新脚本；数据提取耗时从4小时/次缩短至30分钟，支撑团队策略研发效率提高30%。
• 验证技术面因子在不同市场风格下的表现，通过T检验与分组回测分析RSI、布林带等因子，发现小市值风格下（市值分位数后30%）动量因子失效；提出风格中性化处理方案（用Fama-French三因子回归残差作为新因子），相关报告被纳入公司策略手册，后续策略在大小盘切换期超额收益波动降低40%。
• 协助完成股指期货期现套利策略研究，测算基差成本（包含交易冲击、冲击成本、资金成本）与无套利区间；回测显示年化收益率12%（扣除成本后），为公司开展套利业务提供理论支持，推动部门当年落地首单套利产品。
• 参与量化策略绩效归因系统开发，使用多因子模型拆解收益来源（风格、行业、个股选择），输出Brinson归因报告；帮助投资经理快速定位收益贡献点，策略调整效率提升25%。

光伏辅材细分赛道（胶膜/背板/接线盒）深度研究与投资策略落地项目

• 2022年新能源赛道高景气背景下，光伏辅材因细分领域信息分散、传统光伏龙头估值模型适配性低、市场对技术迭代风险认知不足等问题，机构对其投资决策分歧显著。我作为项目负责人，核心目标是搭建可复制的光伏辅材细分赛道研究框架，输出能指导公募基金配置的投资策略。
• 项目面临三大关键挑战：一是非上市公司及产业链中游数据缺失，公开信息颗粒度无法支撑细分龙头基本面判断；二是辅材企业“绑定头部组件厂、原材料（如EVA粒子）占比超60%”的业务特性，导致传统DCF模型无法准确反映其收入稳定性与成本弹性；三是对POE胶膜、TOPCon接线盒等技术迭代的风险量化不足，市场普遍低估头部企业的抗风险能力。
• 针对数据问题，我牵头设计“爬虫+产业调研”组合方案——爬取组件厂招标公告统计辅材中标率，实地走访3家头部辅材企业、5家Top10组件厂获取需求预测与客户粘性数据；针对模型适配性，重构DCF框架，加入“客户粘性溢价”因子（绑定隆基/晶科等客户的企业给予10%-15%估值溢价）与“技术迭代缓冲期”变量（根据企业研发投入占比调整未来3年成本下降曲线）；针对技术认知偏差，开展“技术-盈利”敏感性分析，测算POE胶膜渗透率从20%提升至40%时各企业的盈利弹性差异。
• 项目成果显著：主导设计“需求（组件排产/海外装机）-供给（原材料产能）-竞争（市场集中度）-估值（风险调整后DCF）”四维研究框架，输出10家核心企业深度报告；策略被公司3只公募基金采纳，其中1只新能源主题基金2023年上半年因重仓该赛道获得21%超额收益（同期沪深300上涨5%）。此外，该框架已推广至风电零部件、储能电池材料等细分赛道，成为公司新能源领域标准化研究体系。我个人全程主导框架搭建与落地，直接推动研究成果转化为投资收益，强化了公司在光伏细分赛道的研究壁垒。

TWS耳机产业链库存周期拐点与业绩修复弹性研究项目

• 2021年TWS耳机市场增速从30%降至10%，全板块因高库存遭遇估值杀跌，但不同企业的库存结构（渠道/工厂）、下游客户（苹果/安卓）分化极大。我作为行业研究员，目标是建立库存周期监测体系，识别具备业绩修复弹性的标的，为私募股权基金提供前瞻性布局建议。
• 项目核心难点在于：一是库存数据滞后——企业财报库存为季度更新，无法及时反映真实压力；二是下游需求不确定——苹果AirPods迭代节奏与安卓系新品发布周期错位，影响零部件企业订单；三是市场对库存周期的理解停留在“库存高低”层面，未区分“主动去库”与“被动去库”的业绩修复差异。
• 针对数据滞后问题，我搭建“高频监测体系”：跟踪第三方物流的周度出货量数据、天猫/京东的月度销量数据，计算企业渠道库存周转天数（公式：渠道库存=期末存货-工厂库存，周转天数=渠道库存/月均销量）；针对需求分化，拆分企业客户结构——苹果系企业因需求稳定，库存压力小于安卓系；针对周期判断，引入“库存周期四阶段模型”，结合企业毛利率变化（主动去库时毛利率下降，被动去库时回升）验证周期位置。
• 项目成果：输出《TWS耳机产业链库存拐点报告》，识别出某做TWS耳机电芯的企业——虽报表库存达1.2亿元，但渠道库存连续3个月下降，且客户为安卓头部品牌（即将推出新一代降噪耳机），判断其将在2022年Q2进入被动去库阶段。研究成果被公司私募股权基金采纳，提前3个月布局该企业，2022年下半年企业净利润同比增长35%，基金获得50%投资回报。此外，该高频监测体系推动公司周期研究从“滞后财报”转向“前瞻判断”，提升了消费电子细分赛道投资的准确性。我个人主导建立了消费电子库存监测的方法论，强化了周期研究的实用性。

• 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。