负责多因子策略研发、实盘跟踪及模型优化，主导跨部门协作完成策略落地，覆盖股票、期货等多资产类别的量化投资体系搭建。

• 主导构建基于机器学习的多因子选股模型，融合基本面（财务质量、盈利动量）、量价（波动率、资金流）及另类数据（ESG评分、新闻情绪），针对传统线性模型对非线性关系捕捉不足的痛点，采用XGBoost与LSTM双模型集成架构，通过5折交叉验证和滚动窗口测试（窗口长度12个月），将模型IC从0.08提升至0.12，信息比率从1.2提升至1.6，策略在2024年震荡市中超额收益达18%。
• 优化现有Barra风险模型，引入行业轮动因子（如申万一级行业动量）和宏观流动性指标（7天逆回购利率、社融增速），通过约束优化算法调整组合行业暴露与风格偏离度，实盘跟踪显示，策略最大回撤从-8.5%收窄至-5.2%，主动风险（跟踪误差）稳定控制在3%以内，风险调整后收益（夏普比率）从1.4提升至1.8。
• 设计并验证事件驱动型策略（财报超预期、高管增持），利用NLP技术（BERT模型微调）提取公告文本关键信息，构建情感得分与预期差指标，结合历史回测确定最优持仓周期（财报公告后5-10个交易日），策略上线后年化超额收益达15%，占组合收益贡献的25%，成为核心卫星策略之一。
• 协同交易部与风控部搭建策略实时监控系统，使用Python开发预警模块（因子暴露异常阈值、单日成交额骤降20%触发熔断），将策略响应时间从T+1缩短至T日收盘前1小时，2025年Q1成功规避某行业政策冲击导致的回撤风险，保障实盘执行及时性。

聚焦因子挖掘、策略回测及初步实盘验证，支持投资经理完成中观行业配置与微观个股选择，推动量化策略从研究到落地的转化。

• 独立开发10+个量价因子（如波动率加权动量、流动性冲击成本），通过IC_IR（信息系数/IR比率）筛选出5个高稳定性因子（IC均值>0.06，IR>1.2），构建中观行业轮动模型。回测（2010-2021年）显示，模型年化收益22%，夏普比率1.8，跑赢基准沪深300指数15个百分点，其中2021年周期股行情中超额收益达28%。
• 参与多因子策略归因分析，运用Brinson模型拆解收益来源，发现价值因子（EP、BP）在熊市中贡献度提升30%，据此动态调整因子权重（价值因子权重从20%提升至35%），策略在2020年3月市场回调期仍保持正8%超额收益，抗跌性显著增强。
• 搭建A股高频交易策略框架，利用Level2行情数据（委托队列、逐笔成交）和Python低延迟框架（Cython优化循环），捕捉订单簿不平衡机会（买一卖一挂单量差>5%）。模拟盘测试（2021年6-12月）显示，策略日均换手率5%，单日胜率62%，盈亏比1.8:1，为2022年实盘试点提供数据支撑。
• 维护因子库与回测系统，优化数据清洗流程（如剔除ST股、处理停牌前3日异常波动），将回测效率提升40%（单策略回测耗时从2小时缩短至1.2小时），错误率从3%降至0.5%，保障研究输出的可靠性与可复现性。

协助资深分析师完成数据处理、基础因子计算及简单策略回测，积累量化研究全流程经验，夯实多因子模型与统计套利方法论基础。

• 负责A股全市场数据清洗与整合，使用SQL从Wind数据库提取财务（ROE、净利润增速）、交易（换手率、成交额）数据，编写Python脚本处理缺失值（线性插值填充）与异常值（剔除涨跌幅>20%的IPO首月数据），构建包含2000+股票的标准化数据库，支持团队策略开发效率提升30%。
• 计算并分析基础因子（估值类：PE_TTM、PB_LF；质量类：毛利率、资产负债率），通过单调性检验（分组收益差>1%/月）和相关性分析（VIF<5避免多重共线性），筛选出15个有效因子，制作月度因子报告，其中3个因子（经营现金流/市值、分析师预期EPS上调幅度）被纳入公司核心因子库。
• 复现经典多因子模型（Fama-French三因子、五因子），对比国内市场有效性：发现规模因子（SMB）在中小盘股（市值<200亿）中显著性更高（t值>2.5），撰写《A股多因子模型本土化调整建议》报告，提出增加小市值溢价权重，被团队采纳后应用于策略优化，回测年化收益提升2个百分点。
• 协助完成2个行业中性策略回测（消费、科技板块），使用Matlab实现组合构建（行业权重匹配基准）与绩效评估（年化收益、最大回撤），验证策略在不同市场环境下的稳定性：消费板块策略年化收益18%，信息比率1.4；科技板块策略年化收益20%，但波动率较高（年化波动率28%），为后续风险预算分配提供依据。

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。

• 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。