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。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。