课程项目中负责构建基于期限结构与量价的中低频因子：背景为验证因子在样本外的稳健性，任务包括用Python处理2018-2022日频数据、生成展期收益率和动量因子，采用分位数分组回测与IC衰减分析；与组员协作完成因子相关性筛选和归因，在测试集上多空组合年化收益约8%（样本内2018-2020，样本外2021-2022），并明确标注回测未计交易成本，重点分析因子在趋势与震荡区间的表现差异。

个人项目围绕股指期货日频收益率预测：背景为比较树模型与线性模型在金融时序上的泛化能力，任务包括用pandas构建滞后特征和波动率特征，采用滚动窗口训练与时间序列交叉验证，对比LightGBM与Ridge的样本外R²和方向准确率；独立完成数据清洗、特征工程与结果归因，在2022-2023测试集上方向准确率约53%（按日频滚动预测统计），并分析过拟合来源与特征重要性稳定性，代码与实验记录可复现。