主导多资产量化策略全生命周期研发，覆盖权益、CTA及混合策略，负责数据挖掘、模型优化、回测验证及实盘跟踪，为产品提供投研支持与策略迭代。

• 主导开发基于机器学习的权益多因子策略，使用Spark分布式计算清洗10年A股Level2数据（日频+分钟级，超500GB），构建包含流动性（Amihud指标）、动量（12M-1M收益）、波动率（GARCH模型预测）等400+因子的特征库；针对传统线性模型对非线性关系表征不足的问题，引入LightGBM进行因子重要性排序与非线性融合，策略年化超额收益从13%提升至19%（信息比率IR从1.8增至2.4），实盘12个月超额收益月胜率达78%。
• 优化CTA策略配置效率，针对商品期货品种间相关性动态漂移问题，采用DCC-GARCH模型实时估计协方差矩阵，结合LSTM预测未来1周波动率调整杠杆比例；改进后策略夏普比率从1.1提升至1.9，最大回撤从12%收窄至7.5%，2024年Q2-Q4连续跑赢南华商品指数8%以上。
• 搭建策略绩效归因与风险监控体系，基于Brinson模型拆解收益来源（行业/风格/个股），并引入Barra中国权益风险模型量化风格暴露；定位某中盘成长策略新能源板块超配30%问题，调整因子权重后板块特异性风险（跟踪误差）降低45%，月度最大回撤控制在5%以内。
• 协同投资团队完成策略落地，输出《中高频策略交易成本优化方案》，通过历史模拟测试滑点与冲击成本参数，确定T+1最优调仓频率（较原T+0降低20%交易成本）；支撑管理规模从8亿增长至18亿，产品年度收益率保持15%+，客户复投率提升至65%。

聚焦股票多头产品，负责基本面量化模型构建、因子挖掘及策略回测，支持投研决策与产品业绩优化。

• 核心参与基本面量化策略开发，从Wind、CSMAR提取3000+家A股公司财务数据（ROE、经营现金流等20+指标），运用XGBoost构建个股预期收益模型；针对训练集过拟合（测试集准确率68%），引入时间序列交叉验证与L1正则化，测试集准确率提升至81%，对应股票池年化超额收益11%（相对沪深300）。
• 优化风险平价模型，纳入ESG评分（商道融绿数据）约束，调整股（60%→55%）、债（30%→35%）、黄金（10%→10%）权重；蒙特卡洛模拟显示95%置信水平下VaR从-2.2%降至-1.6%，ESG综合得分从70分提升至82分，满足保险机构ESG投资要求。
• 维护量化数据库与监控系统，用SQL编写自动化ETL脚本，每日更新200+只公募基金净值、持仓数据，数据延迟从T+2缩短至T+1；基于Power BI搭建因子看板，实时跟踪100+因子IC/IR值，提前4周预警动量因子IC衰减（从0.8→0.3），协助调整策略避免回撤扩大。

协助量化策略研发，参与数据预处理、因子挖掘及模型测试，积累量化投研基础经验。

• 协助挖掘A股情绪因子，爬取东方财富股吧、微博财经文本数据（日更50万+条），用jieba分词与TF-IDF提取情感关键词，构建市场情绪指数；回测显示该指数与沪深300次日收益率相关性0.45，纳入多因子模型后策略超额收益稳定性提升15%。
• 测试经典因子有效性，用Python计算价值（PE分位数）、成长（净利润增速）、质量（ROE）因子值并分组回测，发现低估值（PE<20%）组合年化收益18%（超基准5pct），高盈利（ROE>15%）组合年化20%（超基准7pct）；结论写入《A股多因子有效性报告》供投资参考。
• 优化回测框架，针对Zipline分钟级回测性能瓶颈，用Cython加速关键模块，回测速度提升3倍；协助完成50+策略回测，输出《不同频率策略对比报告》，为后续开发方向提供数据支持。

新能源汽车产业链景气度动态跟踪与投资策略体系搭建项目

• 新能源汽车行业2022年起进入渗透率突破20%后的分化发展期，公司权益投资团队面临“产业链赛道选择模糊、细分标的景气度判断滞后”的核心痛点，需搭建一套覆盖全产业链的动态跟踪体系及可落地的投资策略。我的总体职责是主导体系顶层设计、多源数据框架搭建及策略验证，跨部门协同外部产业专家（如宁德时代供应链负责人、特斯拉订单分析师）与公司内部权益投研团队。
• 项目面临三大硬核挑战：1）数据碎片化——产业链涉及锂矿开采、正极材料、电池制造、整车装配等8大环节，数据源分散在Wind、矿山企业财报、车企内部数据及第三方机构，时效性与准确性均不足（原数据准确率仅85%）；2）景气度量化缺失——传统“产能利用率”指标无法及时反映短期供需错配（如碳酸锂价格1个月上涨30%时，原有指标滞后2周才体现）；3）策略落地性弱——过往研究偏宏观，未对应到具体标的与交易节奏，投资团队难以执行。
• 我针对性提出三大解决方案：1）数据层——整合12类高频数据（如碳酸锂价格环比、电池装机量增速）与3类实时调研数据（车企订单饱满度、企业库存周转天数），开发“产业链景气度仪表盘”，实现数据实时更新与交叉验证；2）指标层——通过面板数据回归筛选出10个核心指标，构建“宏观（渗透率、政策）-中观（环节产能利用率、产品价格）-微观（企业订单、存货）”三层加权模型（权重分别为30%、40%、30%），形成各环节景气度得分；3）策略层——根据得分划分“超配/标配/低配”赛道，例如2022年Q4判断上游锂矿因产能释放景气度下降（得分从82分降至65分），中游电池因麒麟电池量产景气度上升（得分从70分升至88分），对应推荐电池龙头企业与具备CTP技术优势的二线厂商。
• 项目成果超预期：1）搭建的动态跟踪体系将数据更新频率从月度提升至周度，数据准确率跃升至95%，成为公司新能源研究的“数据大脑”；2）输出的12份季度策略报告中，2023年Q1推荐的电池龙头企业（如XX科技），报告发布后6个月内涨幅达42%，超过中证新能源指数18个百分点；3）支持投资团队调整新能源持仓结构，将中游电池占比从20%提升至40%，该板块2023年上半年为组合贡献25%的超额收益；4）体系被纳入公司标准投研流程，成为新能源研究组核心工具，并推广至光伏、半导体产业链的景气度研究。

消费电子产业链周期复苏与龙头公司估值修复研究项目

• 2020年疫情冲击下消费电子行业陷入周期底部（全球智能手机出货量同比下降8%），公司消费电子研究组面临“复苏信号识别难、龙头公司估值定价不准确”的问题，需通过深度研究挖掘周期反转机会。我的职责是负责产业链调研、库存周期模型搭建及估值定价分析。
• 项目难点在于：1）线下调研受阻——疫情导致无法实地走访苹果、华为供应链厂商，传统“蹲点工厂”的调研方式失效；2）周期模型适配性差——传统DCF模型未考虑消费电子“短库存周期”特性（约18个月），无法准确反映企业盈利修复的弹性。
• 我通过“方法论创新+工具升级”破局：1）调研端——搭建“远程视频访谈+产业链数据交叉验证”体系，累计访谈30+家核心供应商（如舜宇光学摄像头模组厂、京东方屏幕供应商），获取“2021Q1苹果订单环比增长25%”的关键复苏信号；2）模型端——引入“库存周期复制的DCF模型”，将库存周转天数、订单能见度等周期指标纳入折现率调整因子（如库存周转天数每缩短5天，折现率下调0.5%），修正传统模型对周期复苏的低估。
• 项目成果直接转化为投资回报：1）输出的《消费电子周期复苏专题报告》准确预判了2021年行业复苏节奏，推荐的立讯精密（苹果核心代工厂）在报告发布后6个月内涨幅达35%，超过申万消费电子指数12个百分点；2）搭建的库存周期估值模型被消费电子研究组纳入日常定价工具，将标的估值误差从15%缩小至8%；3）研究成果支持投资团队于2020年Q4布局消费电子板块，2021年该板块投资收益达28%，超额收益15%，助力团队获得当年公司“最佳研究支持奖”。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。