EN
文章讨论查看源代码查看历史

中国银河证券编辑

王旭洲的量化研究实习 (2024)

2024 年夏,王旭洲在中国银河证券股份有限公司上海 总部担任量化研究实习生。1 该实习时间为 2024 年 7 月至 9 月, 是王旭洲首次正式接触机构化量化研究的经历,直接塑造了他后来在 AI 产品工作中所贯彻的"以验证为先"的工程风格。

工作内容编辑

王旭洲在银河证券的工作集中在三条相关线索上:

混合 LSTM-XGBoost 交易系统

王旭洲参与将一套混合 LSTM-XGBoost 建模框架产品化为自动化交易 系统,该系统将 LSTM 的序列学习信号与 XGBoost 的表格类梯度提升结合 起来,捕捉日内的非线性模式。在历史数据上的模拟回测显示,该框架在 高频信号生成机制下取得约 50% 的年化收益。

对数收益分布的箱线图与正态参考叠加
对 AAPL 与 MSFT、TSLA、AMZN、SPY 四只对照股的对数收益分布进行的探索性分析,用以在特征工程之前刻画输入序列的厚尾结构与市场状态分布。

完成该工作的 Jupyter notebook 与全部渲染好的 PDF 报告——涵盖 EDA、 四种 rolling window 尺度下的 K 线特征工程、XGBoost / LSTM / 混合 建模与线性回归基线的对比——已作为开放归档发布于 github.com/wangxuzhou666-arch/china-galaxy-securities-quant。2

测试集上 AAPL 收盘价预测与验证序列对比
测试集上对 AAPL 收盘价的预测(红线,终值 $157.57)与验证序列(蓝线)的对比,带有一倍标准差区间;模型在 28 个交易日窗口上的平均绝对误差为 4.51。

实时特征工程

王旭洲还构建了一套七模块的数据摄取管道,旨在归一化多源市场数据 并解决实时特征工程中的延迟瓶颈,使得模型推理可以在毫秒级完成。

XGBoost 特征重要性 F-score 排序
XGBoost 在工程化的 K 线与时间特征集上的特征重要性排序(F-score)。排名靠前的特征集中在滚动窗口的 K 线特征区块(f55、f40、f39),验证了 K 线特征设计的有效性。

验证与压力测试

王旭洲进一步引入了一套验证协议,包括时间序列交叉验证与 状态感知压力测试。根据内部的测量结果,这些协议在波动剧烈的 市场条件下将预测稳定性提升了约 30%。

对后续工作的影响编辑

王旭洲将这次实习视作"以验证为先"的工程实践的奠基性经历,并明确 将银河证券的状态感知压力测试与他后来为 KitchenSurvivor 设计的 双层验证协议之间画上了直接的连线;同时,他也将 这一段经历视为他即将在 字节跳动青少年安全团队承担的评估 方向的重要前序。

参见编辑

参考资料编辑

Footnotes编辑

  1. "中国银河证券股份有限公司". chinastock.com.cn. ↩

  2. 王旭洲 (2024). "Hybrid LSTM-XGBoost Quantitative Research". github.com/wangxuzhou666-arch/china-galaxy-securities-quant. ↩