关于我

你好，我是 Eric。

我是一名量化研究员，主要关注系统化股票投资、组合构建以及研究基础设施建设。

我的工作位于金融理论、统计学、机器学习与软件工程的交叉点，并长期围绕一个问题展开：

投资想法如何最终转化为可投资的组合？

这个问题贯穿整个研究流程——从原始数据、因子设计、预测模型，到组合构建，以及在真实交易约束下的评估与验证。

相比追求回测表现最大化，我更关注一个信号是否具有稳健性、可解释性，以及在真实投资环境中的可部署性。

目前我居住于上海，就职于 Systematica Investments，从事系统投资框架下的股票 Alpha 研究。

研究方向

我的研究兴趣包括：

  • 股票 Alpha 与因子投资
  • 信号生成与预测建模
  • 组合构建与优化
  • 稳健性与样本外验证
  • 金融数据基础设施
  • 可复现研究系统设计

构建 BagelQuant

除工作之外，我也在持续建设 BagelQuant —— 一个面向量化股票投资的开源生态与知识平台。

BagelQuant 目标连接完整研究流程：

数据 → 因子 → 预测 → 组合 → 回测

目标是让量化研究能够做到：

  • 可组合，而不是高度耦合
  • 透明，而不是隐藏假设
  • 严谨，同时保持研究迭代效率

其软件架构基于计算图思想，将数据、变换、因子、预测与组合逻辑抽象为可复用模块，以积木式方式自由组合研究流程。

BagelQuant 同时也是一个持续积累中的知识库，覆盖量化投资、数学、机器学习、优化以及研究工程等主题。

研究理念

可投资性优先于回测结果

优秀的历史结果往往不能代表未来。

我更关注策略在换手、交易成本、组合约束以及市场环境变化下是否仍然成立。

先理解，再优化

模型应首先帮助理解市场，再追求指标提升。

可解释性与结构性认知同样重要。

让假设可见

好的研究系统不应隐藏依赖关系与中间过程，而应该让研究流程保持透明。

工作经历

Quantitative Researcher — Systematica Investments

中国 · 上海

  • 股票 Alpha 研究
  • 信号评估与稳健性分析
  • 面向实际组合约束的研究工作

研究与项目

分析师与管理层分歧研究

使用 NLP 方法分析财报电话会议内容，研究观点分歧与市场反应之间的关系。

波动率预测与风险时机

使用 GARCH 与机器学习方法进行波动率预测与动态风险配置研究。

开源量化研究工具

持续建设：

技术栈

Python · SQL · C++ 数据工程 · 研究基础设施 · 金融建模

工作之外

除研究工作外，我也喜欢构建系统、整理知识，以及探索软件架构如何提升投资研究效率。

联系方式