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。

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。