负责多因子策略全生命周期管理，从高频因子挖掘到实盘落地，结合机器学习优化预测模型，协同交易与风控团队迭代策略，支撑量化产品超额收益目标达成

• 主导高频量价因子挖掘与有效性验证：基于Python、Pandas构建Tick级数据处理 pipeline，整合沪深300成分股1分钟级交易数据，针对因子共线性问题采用L1正则化逻辑回归筛选，从200+原始因子中提炼12个高区分度高频因子（如订单簿深度斜率、成交价差波动率）；使用Alphalens验证因子IC均值达0.08，信息比率1.2，较原有因子库年化超额收益贡献提升30%
• 优化机器学习预测模型应对过拟合：针对LightGBM模型在时序数据中的过拟合问题，引入滚动窗口交叉验证（Window CV）与特征重要性动态衰减机制，融入宏观因子（PMI、10年期国债收益率）与另类数据（北向资金分笔成交）；最终模型预测准确率从72%提升至87%，回测夏普比率从1.8优化至2.2，覆盖策略容量扩大至5亿元
• 实盘策略跟踪与参数迭代：搭建Prometheus+Grafana监控系统，实时追踪策略滑点（实际滑点0.21% vs 预估0.18%）、冲击成本（单笔交易占比0.03%）等关键指标；针对小市值股票流动性收缩问题，调整交易算法为成交量加权平均价（VWAP）+ 时间加权平均价（TWAP）混合模式，将执行成本率从0.15%降至0.09%，实盘产品近3个月年化收益12.3%，最大回撤控制在7.8%以内
• 跨团队协同输出绩效与优化方案：每周用SQL搭建策略绩效看板，整合超额收益分解（风格贡献45%、行业贡献20%、alpha贡献35%）与风险指标（跟踪误差4.1%、波动率11.2%）；针对消费行业因子失效问题，协同行业研究员引入渠道库存周转率等基本面因子，优化后策略在该行业超额收益从-1.2%回升至2.5%

聚焦股票多因子策略研发，结合基本面与量价数据搭建策略框架，支持主动量化产品投资决策，推动策略从回测到产品的转化

• 核心参与基本面因子体系重构：针对传统财务因子滞后性问题，基于Wind、Bloomberg数据构建动态因子模型——在Fama-French五因子基础上加入ESG评分（MSCI ESG评级）与分析师预期修正因子（一致预期EPS上调幅度）；通过滚动回归调整因子权重，使因子IC_IR从0.8提升至1.0，支撑的量化公募基金成立1年超额收益达8.1%，排名同类前15%
• 自主搭建高精度回测系统：基于Backtrader框架优化交易成本模型，引入流动性分层假设（将股票分为高、中、低流动性三组，分别设置0.1%、0.08%、0.05%的交易佣金+冲击成本）；回测结果与实盘的偏差从3.2%降至1.5%，解决了过往“回测好看、实盘拉垮”的核心问题，该系统被部门纳入标准工具库
• 支持专户产品风险预算设计：针对某银行专户“年化收益10%+最大回撤≤6%”的目标，采用Black-Litterman模型融合宏观观点（经济复苏预期）与量化观点（因子动量），调整股债配置比例（股票75%+债券25%），并通过蒙特卡洛模拟验证策略在极端市场下的存活能力；最终产品运行10个月超额收益5.6%，最大回撤5.2%，符合客户风险收益要求

协助量化策略研发，完成数据清洗、因子测试及简单策略回测，参与策略讨论与结果汇报

• 协助构建高频因子数据库：用Python清洗沪深A股5分钟级Tick数据，处理缺失值（插值法填充）、异常值（3σ原则剔除），并计算100+量价因子（如5分钟收益率、成交量加权均价偏离度）；最终形成的因子库覆盖2018-2022年全市场数据，支持后续因子有效性测试
• 参与事件驱动策略回测：针对财报公告事件，用事件研究法计算累计超额收益率（CAR），筛选出“业绩超预期10%以上+分析师一致预期上调”的有效事件组合；回测结果显示该组合在公告后5个交易日超额收益达1.8%，贡献到后续事件因子开发中
• 优化回测框架效率：协助用SQL编写数据提取脚本，将因子回测的数据获取时间从4小时缩短至1.5小时；同时参与整理策略回测报告模板，规范了因子表现、风险指标的展示逻辑，提升了团队工作效率

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。