主导A股市场多因子策略研发及机器学习模型优化，负责策略从因子挖掘到实盘落地的全流程管理，协同交易与风控团队完成策略迭代

• 主导开发中低频多因子策略，通过Barra风险模型与主成分分析（PCA）筛选有效因子，剔除行业与风格暴露冗余因子，构建包含价值、成长、动量、质量四大维度的复合因子体系；运用Python（Pandas/NumPy）完成2000+股票的日度数据清洗与标准化，解决财务数据滞后性与行情数据缺失问题，通过线性插值算法与事件驱动修正将数据完整率从92%提升至98%；基于Backtrader框架完成策略回测，引入Walk-Forward分析验证模型稳定性，策略年化超额收益达18.6%，信息比率1.92，较前版提升4.2个百分点
• 核心优化机器学习预测模型，针对传统线性回归对非线性关系捕捉不足的问题，引入XGBoost与LightGBM双模型融合架构，通过Optuna库进行贝叶斯超参数调优降低过拟合风险；处理高维特征时采用L1正则化与互信息法筛选，将特征维度从120维压缩至45维，模型预测准确率从71%提升至78%；主导编写模型监控系统，实时跟踪因子IC、换手率、最大回撤等20+指标，提前3周预警模型衰减，推动策略季度胜率稳定在65%以上
• 协同产品团队落地量化专户产品，负责策略容量测算与交易成本建模，运用Amihud流动性指标评估个股冲击成本，结合VWAP算法交易优化执行效率，将单边交易滑点从0.8bp降至0.3bp；参与撰写产品募集材料，用夏普比率、卡玛比率等指标向机构客户阐释策略优势，推动首期1.2亿规模产品上线，成立6个月内超额收益达12%
• 搭建因子库与数据中台，整合Wind、Bloomberg、聚宽等多源数据，设计Airflow自动化数据管道实现因子计算、存储、更新的每日定时任务；制定因子有效性评估标准（IC_IR>0.5、t值>2.5），季度更新因子池，淘汰失效因子15个，新增另类数据因子（如ESG评分、新闻情绪）8个，为后续策略迭代提供稳定数据支撑

负责港股市场统计套利策略开发及中低频因子挖掘，协助团队完成策略回测与绩效评估

• 独立开发港股AH股溢价统计套利策略，基于Engle-Granger两步法进行协整检验筛选配对标的，通过VAR模型预测价差均值回复区间；运用MATLAB完成历史价差序列分析，设定动态止损阈值（2倍标准差），策略回测年化收益15.3%，最大回撤控制在8%以内；实盘运行期间（2021Q3-2022Q1）实现收益9.7%，跑赢恒生指数12个百分点
• 参与中低频价值因子挖掘，从财务报表出发构建调整后ROE（扣除非经常性损益后ROE×1.2）、经营现金流/市值等特色因子，通过双重排序法（Dual Sorting）验证因子有效性，发现调整后ROE因子在港股中小盘股中IC_IR达0.72，显著高于市场平均水平（0.45）；将该因子纳入多因子模型，推动组合年化超额收益提升3.1个百分点
• 优化策略回测框架，针对传统回测中前视偏差问题，引入事件时间戳（Event Time）与滚动窗口计算，修正因子计算时点的滞后性；开发自定义绩效评估模块（Python），新增滚动夏普比率、换手率分布等10+指标，提升回测结果可信度，团队策略评估效率提高40%

协助完成A股因子测试与数据清洗，参与策略初步回测与结果分析

• 负责因子数据清洗与预处理，使用Python（Pandas）处理Wind终端导出的3000+股票月度财务数据，解决缺失值（分位数插值填充）、异常值（3σ法则剔除离群点）问题，构建包含150+因子的原始数据库；设计因子标准化流程（Z-score），确保不同因子间可比性，为后续因子测试奠定基础
• 协助进行因子有效性测试，运用T-M模型与H-M模型分析因子与未来收益的相关性，筛选出动量因子（过去12个月收益率）、波动率因子（过去6个月日收益标准差）等5个有效因子；撰写因子测试报告，用图表展示因子IC时间序列与分组收益，为资深分析师提供策略开发输入
• 参与简单策略回测，使用米筐（RiceQuant）平台搭建双均线策略，调整参数（短周期20日、长周期60日）优化收益风险比；回测显示策略年化收益11.2%，夏普比率1.3，协助团队理解基础策略逻辑，为后续复杂模型开发积累经验

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。