项目经历

端到端量化平台：LLM Agent 因子发现（GLM-4.5）、多层信号评估、滚动 XGBoost/线性组合、实盘 ETF 轮动交易。

• LLM Agent factor mining (GLM-4.5 / Gemini)
• Multi-tier evaluation: IC → layer backtest → OOS validation
• Rolling XGBoost/linear/ICIR combination methods
• Live trading with scheduler & notifications

毕业论文：基于 1996–2023 年 A 股数据和 91 项公司特征，构建 PCA、IPCA 及条件自编码器隐含因子模型。

• Conditional autoencoder outperforms linear models
• 91 firm characteristics, 1996–2023
• Superior Sharpe ratio & prediction accuracy
• Profitability & size as core A-share risk factors

基于注意力机制 CNN 的 A 股蜡烛图二分类预测，多空组合夏普比率达 3.30（周频）和 1.50（月频）。

• Long-short Sharpe 3.30 (weekly), 1.50 (monthly)
• Attention-CNN outperforms baseline by 2%
• Independent pricing factor characteristics
• Stronger in small-cap & high-turnover stocks

全栈指数增强：因子工程、线性叶节点 XGBoost、市场风格自适应模型融合。

• Multi-source alpha factor engineering
• XGBoost with linear leaf nodes
• Adaptive large/small-cap model fusion
• Incremental learning for rolling training

国家级大学生创新训练项目：运用双重差分法评估绿色金融改革创新试验区试点政策对劳动力市场的影响。

• National-level innovation project
• DID empirical design
• 2010–2021 panel data
• Independent research paper

期货趋势跟踪策略：年化收益 15.9%，最大回撤 10.9%，夏普比率 1.07。

• 15.9% annualized return
• Max drawdown 10.9%
• Sharpe ratio 1.07
• Automated data pipeline

基于 ChatGLM-2 大语言模型，利用普惠金融语料微调，获实训创新奖。

• ChatGLM-2 fine-tuning
• Inclusive finance domain
• Innovation award

JPX 股票预测前 10%，Optiver 波动率预测银牌级别。

• JPX top 10% (Sharpe 0.119)
• Optiver silver level (RMSPE 0.21524)
• LightGBM + TabNet ensemble
• LOB feature engineering