负责股票多因子策略全生命周期管理，涵盖因子挖掘、模型优化、实盘跟踪及风险控制，主导搭建AI驱动的中高频量价策略体系，支撑产品超额收益目标达成。

• 主导A股中高频量价策略迭代，基于Tick级订单簿数据与Level-2行情，运用PySpark分布式计算框架清洗并提取300+维度量价特征（包括委托队列深度、挂单撤单频率等微观结构指标），通过LightGBM与Transformer混合模型捕捉短期价格动量，解决传统分钟级策略信号滞后问题，策略上线后3个月超额收益（相对于中证500）从4.2%提升至7.8%，信息比率IR从1.1优化至1.6。
• 针对因子失效痛点，构建动态因子衰减预警系统：基于滚动窗口计算因子IC的半衰期，结合宏观经济变量（如PMI、10年期国债收益率）与市场风格（如价值/成长轮动）设计自适应权重调整机制，将因子平均有效期从6个月延长至9个月，策略换手率降低15%的同时保持超额收益稳定性。
• 主导实盘策略风险监控体系升级，引入蒙特卡洛模拟法测算极端情景下的最大回撤，结合VaR与ES指标设置动态止损阈值，在2024年Q4市场波动率骤升期间，策略最大回撤控制在3.2%（同期基准回撤4.5%），夏普比率维持2.1以上。
• 协同投研团队完成策略归因分析，运用Brinson模型拆解收益来源，定位到行业轮动贡献占比从35%提升至50%，推动团队增加行业中性约束模块，策略风格暴露度标准差从0.8降至0.3，适配更多机构投资者风险偏好。

聚焦指数增强策略开发，负责多因子模型构建、行业轮动信号挖掘及策略实盘转化，支撑公司旗舰指增产品年度超额收益目标。

• 重构基本面多因子模型，融合Barra中国A股风险模型与自行挖掘的财务质量因子（如经营现金流/总负债、研发费用资本化率），采用主成分分析（PCA）降维消除多重共线性，模型预测准确率（以未来1个月超额收益为标签）从68%提升至75%，对应产品年化超额收益稳定在6.5%-7.2%。
• 开发行业轮动子策略，基于宏观因子（社融增速、PPI同比）与中观指标（行业景气度指数、机构持仓变化）构建时序预测模型，运用滚动窗口验证确定最优参数组合（ARIMA(2,1,1)+GARCH(1,1)），策略月度胜率从55%提升至63%，年度贡献超额收益1.8%-2.3%。
• 协助完成策略实盘落地，搭建策略回测与仿真交易系统（基于Backtrader框架），模拟不同市场环境（牛/熊/震荡）下的策略表现，优化滑点模型参数（将冲击成本从0.2%修正至0.15%），实盘运行首年超额收益达6.9%（基准中证800涨跌幅-3.1%），验证模型有效性。
• 定期输出策略绩效报告，运用夏普比率、卡玛比率等指标评估策略风险收益比，针对2022年Q2市场下行期策略超额回撤2.1%的问题，提出增加波动率控制仓位（将权益仓位从90%降至75%）的调整方案，后续季度超额回撤收窄至1.2%以内。

协助量化策略开发全流程，包括数据清洗、因子挖掘、简单模型回测及研究报告撰写，积累金融数据处理与基础量化建模经验。

• 负责A股上市公司财务数据清洗与因子构建，使用Python的Pandas与NumPy处理万得（Wind）数据库原始数据，修正异常值（如ST公司非经常性损益干扰）并标准化，构建包含成长能力（净利润环比增速）、盈利能力（ROE分位数）等15个基本面因子库，其中净利润环比增速因子IC（信息系数）达0.06（t值2.1），被纳入初级多因子模型。
• 参与事件驱动策略回测，聚焦财报超预期事件，使用SQL从公司公告数据库提取“实际净利润超一致预期幅度”字段，结合市场反应速度（事件后5日涨跌幅）构建双因子模型，回测显示事件后10日超额收益均值0.8%（胜率58%），为后续事件因子优化提供基础。
• 学习机器学习基础算法，协助搭建线性回归与随机森林预测模型，对比不同特征组合（技术面+基本面）的预测效果，输出《多因子模型特征重要性分析报告》，指出动量因子（过去1个月涨跌幅）对短期收益的解释力占比32%，被团队采纳为因子筛选参考。
• 维护量化研究数据库，使用Linux服务器与MySQL搭建本地数据仓库，每日自动更新行情、财务、宏观数据（通过Python脚本调用Tushare接口），保障团队回测数据时效性，数据缺失率从8%降至2%。

新能源汽车产业链景气度动态跟踪与投资策略体系搭建项目

• 新能源汽车行业2022年起进入渗透率突破20%后的分化发展期，公司权益投资团队面临“产业链赛道选择模糊、细分标的景气度判断滞后”的核心痛点，需搭建一套覆盖全产业链的动态跟踪体系及可落地的投资策略。我的总体职责是主导体系顶层设计、多源数据框架搭建及策略验证，跨部门协同外部产业专家（如宁德时代供应链负责人、特斯拉订单分析师）与公司内部权益投研团队。
• 项目面临三大硬核挑战：1）数据碎片化——产业链涉及锂矿开采、正极材料、电池制造、整车装配等8大环节，数据源分散在Wind、矿山企业财报、车企内部数据及第三方机构，时效性与准确性均不足（原数据准确率仅85%）；2）景气度量化缺失——传统“产能利用率”指标无法及时反映短期供需错配（如碳酸锂价格1个月上涨30%时，原有指标滞后2周才体现）；3）策略落地性弱——过往研究偏宏观，未对应到具体标的与交易节奏，投资团队难以执行。
• 我针对性提出三大解决方案：1）数据层——整合12类高频数据（如碳酸锂价格环比、电池装机量增速）与3类实时调研数据（车企订单饱满度、企业库存周转天数），开发“产业链景气度仪表盘”，实现数据实时更新与交叉验证；2）指标层——通过面板数据回归筛选出10个核心指标，构建“宏观（渗透率、政策）-中观（环节产能利用率、产品价格）-微观（企业订单、存货）”三层加权模型（权重分别为30%、40%、30%），形成各环节景气度得分；3）策略层——根据得分划分“超配/标配/低配”赛道，例如2022年Q4判断上游锂矿因产能释放景气度下降（得分从82分降至65分），中游电池因麒麟电池量产景气度上升（得分从70分升至88分），对应推荐电池龙头企业与具备CTP技术优势的二线厂商。
• 项目成果超预期：1）搭建的动态跟踪体系将数据更新频率从月度提升至周度，数据准确率跃升至95%，成为公司新能源研究的“数据大脑”；2）输出的12份季度策略报告中，2023年Q1推荐的电池龙头企业（如XX科技），报告发布后6个月内涨幅达42%，超过中证新能源指数18个百分点；3）支持投资团队调整新能源持仓结构，将中游电池占比从20%提升至40%，该板块2023年上半年为组合贡献25%的超额收益；4）体系被纳入公司标准投研流程，成为新能源研究组核心工具，并推广至光伏、半导体产业链的景气度研究。

消费电子产业链周期复苏与龙头公司估值修复研究项目

• 2020年疫情冲击下消费电子行业陷入周期底部（全球智能手机出货量同比下降8%），公司消费电子研究组面临“复苏信号识别难、龙头公司估值定价不准确”的问题，需通过深度研究挖掘周期反转机会。我的职责是负责产业链调研、库存周期模型搭建及估值定价分析。
• 项目难点在于：1）线下调研受阻——疫情导致无法实地走访苹果、华为供应链厂商，传统“蹲点工厂”的调研方式失效；2）周期模型适配性差——传统DCF模型未考虑消费电子“短库存周期”特性（约18个月），无法准确反映企业盈利修复的弹性。
• 我通过“方法论创新+工具升级”破局：1）调研端——搭建“远程视频访谈+产业链数据交叉验证”体系，累计访谈30+家核心供应商（如舜宇光学摄像头模组厂、京东方屏幕供应商），获取“2021Q1苹果订单环比增长25%”的关键复苏信号；2）模型端——引入“库存周期复制的DCF模型”，将库存周转天数、订单能见度等周期指标纳入折现率调整因子（如库存周转天数每缩短5天，折现率下调0.5%），修正传统模型对周期复苏的低估。
• 项目成果直接转化为投资回报：1）输出的《消费电子周期复苏专题报告》准确预判了2021年行业复苏节奏，推荐的立讯精密（苹果核心代工厂）在报告发布后6个月内涨幅达35%，超过申万消费电子指数12个百分点；2）搭建的库存周期估值模型被消费电子研究组纳入日常定价工具，将标的估值误差从15%缩小至8%；3）研究成果支持投资团队于2020年Q4布局消费电子板块，2021年该板块投资收益达28%，超额收益15%，助力团队获得当年公司“最佳研究支持奖”。

• 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。