具备长期量化研究与实盘验证经验，熟悉短周期市场微结构与策略失效机制。
在数据分析过程中自主研发量化交易平台，更深入数据行情环境。
使用 Python 搭建过完整的量化研究、回测与实盘执行流程，基于 Freqtrade 开发并维护多套量化交易机器人，目前正在构建量化交易 SaaS 系统;
核心技能
编程语言：Python（pandas / numpy），
研究能力：
策略假设拆解与验证
市场结构识别（趋势 / 震荡 / 波动突发）
策略稳定性与失效机制分析
系统能力：
量化交易系统模块化设计
回测 / 实盘逻辑解耦
多策略、多账户运行规划
市场经验：
加密市场短周期（2m–15m）
高频波动与成交量结构分析
- 行情中心（market_service）：负责行情采集、归一化、指标计算、可选落库、以及通过 Redis Pub/Sub 对外发布 ticker / indicator / kline。
- 策略中心（strategy_service）：提供策略注册、编排（orchestrator）、调度（scheduler）与执行（executor）的分层结构；对接外部策略引擎（Freqtrade）适配层目前为占位实现。
- 用户调度中心（user_service）：目前提供轻量 FastAPI + 内存态策略实例登记（占位），并预留 subscriber 用于消费来自其他服务的事件。
项目一：基于 Python 的量化交易机器人与策略研究系统（Freqtrade）
项目背景
针对短周期策略在高波动加密市场中稳定性不足的问题，使用 Python 与 Freqtrade 搭建量化研究与实盘验证系统。
主要工作
使用 Python 编写并维护多套量化交易策略（趋势 / 波动 / 结构过滤）
基于 Freqtrade 框架进行二次开发：
策略批量回测
参数稳定性与区间有效性测试
实盘执行与日志监控
编写数据分析脚本，对策略表现进行结构化评估：
盈亏来源拆分
连续亏损分布
回撤与波动暴露分析
研究重点
策略在不同市场结构（趋势、震荡、突发波动）下的表现差异
策略失效并非来自参数错误，而是来自市场结构切换
将“是否参与市场”作为策略的重要决策变量
成果
建立策略上线前的结构过滤与风险评估流程
明确多类回测有效但实盘不稳定的策略模式及其失效条件
项目二：短周期市场结构识别与动能研究系统（Python）
研究目标
构建结构化市场状态识别方法，用于短周期（2m / 5m / 15m）动能判断与方向过滤。
实现方法
使用 Python 对历史行情数据进行统计分析
构建多维结构特征：
多空力量结构（成交量、价格推进效率）
时间结构（上涨/下跌波段持续时间不对称）
空间结构（价格扩展比例、回撤比例）
趋势结构（主波段方向与延续性）
将市场划分为 6 类典型场景（震荡、缓涨、急涨、缓跌、急跌、结构反转）
研究结论
单一技术指标对方向判断贡献有限
策略稳定性依赖结构一致性而非信号频率
研究结果用于策略过滤与风险控制，而非直接生成交易信号
项目三：量化交易 SaaS 系统（构建中）
项目目标
构建一个面向个人与小团队的量化交易 SaaS 平台，形成研究、回测、实盘、监控的完整闭环。
当前工作
设计系统整体架构：
数据层（行情 / 成交 / 资金）
策略层（研究 / 回测 / 实盘）
评论