基于Python和Pandas，从Wind终端提取超200只基金的历史净值和持仓数据，搭建资产相关性矩阵与均值-方差优化模型；与算法工程师协作设计前端交互面板，展示优化后的投资组合权重和回测夏普比率，提升模型推广效果约15%。项目成果被用于协会内部投资策略讨论，并获学院创新实践奖。同时，我负责对模型参数进行敏感性测试，确保在不同市场环境下结果的稳健性，并撰写技术文档供团队参考。

独立设计利率、CPI和PMI等宏观因子的因子暴露计算流程，使用Python（statsmodels）进行因子收益回测与相关性分析；与研究员讨论确认因子逻辑后，输出可视化报告和因子IC衰减图，辅助团队筛选出3个有效因子纳入风险模型。该系统后续被用于月度宏观展望报告的数据支持。此外，我还优化了数据清洗流程，将处理时间缩短了30%，并建立了因子数据库便于后续调用。