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。

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。

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。