Skip to main content

量化交易 × 机器学习驱动投资工程师（端到端交易系统构建者）

量化交易不是预测未来，而是对概率的精准管理。​

目标：面向未来潜在雇主/合作方，展示我在 量化交易系统工程化、机器学习/强化学习建模 与 策略研究资产化（可复用、可验证、可持续迭代）方面的能力与作品。

一键直达​

我是谁​

我是一名以 “工程化可落地” 为核心的量化交易研发者，背景为金融学硕士，长期聚焦在：

  • 端到端自动化交易 Pipeline：数据采集 → 特征工程 → 模型训练 → 回测 → 实盘执行 → 风控监控 → 复盘迭代

  • ML/RL 驱动的策略研发体系：从传统监督学习到深度学习/强化学习，在统一框架中对比、评估与上线

  • 策略资产化：将策略从“想法/脚本”升级为“可复用的策略库 + 可复现的研究日志 + 可监控的实盘系统”

    数字货币智能量化交易体系 v1.1（见下方链接）

    https://alpha.atwar.eu.org/

Highlights​

  • 实盘可验证：Binance 实盘单月收益 31%（1x 杠杆，仅使用 OHLCV 数据源）
    复盘链接：https://trading.atwar.eu.org/archives/10/

  • 完整交易体系：将研究、回测、上线、监控、复盘闭环打通（工程化与可迭代性优先）
    架构入口：https://alpha.atwar.eu.org/

  • 策略库规模化资产：整理 3,500+ 策略，覆盖动量、均值回归、趋势跟踪等，支持现货/期货
    策略库入口：https://strategies.atwar.eu.org/

  • 长期输出与可复现记录：持续维护量化交易日志 + 数据挖掘专题，强调实验可复现与结论可追溯
    日志：https://log.atwar.eu.org/ ｜ 数据挖掘：https://log.atwar.eu.org/data/

    注：历史收益不代表未来表现。所有策略以回撤、风险暴露与可持续性为首要约束。

Skill Map​

编程与框架​

  - Linux / Python
  - PyTorch / scikit-learn
  - Transformers（含 MoE 方向的工程理解与落地能力）

机器学习（研究 → 训练 → 部署）​

  - 监督学习：RNN/LSTM、SVM、LR 等（用于对比基线与可解释模型）
  - 深度学习：CNN、Transformer（用于序列建模与多因子表达）
  - 强化学习：A2C、SAC（用于组合优化与在线决策）

量化交易工程（更偏“可上线”的那部分）​

  - 策略开发：现货/期货，研究-回测-实盘统一框架
  - 数据：特征工程、清洗处理、数据质量与一致性
  - 交易系统：风控/仓位管理、执行与监控、Broker API 设计思维

Selected Works​

1）ML 驱动交易架构——数字资产量化交易系统 v1.1​

入口： https://alpha.atwar.eu.org/

本系统实现了面向加密货币量化交易的端到端机器学习流水线。其核心设计原则为：将研究流程固化为可复现、可评估、可部署的工程化管线。

标准处理链路采用闭环结构：数据采集 → 特征工程 → 模型训练 → 回测验证 → 实盘执行 → 监控告警 → 复盘迭代。

关键架构约束包括：（a）研究环境与生产环境采用统一数据口径，以消除训练-服务偏差；（b）风控优先设计，包含仓位管理、止损机制

2）策略库（3,500+ 条目）——策略资产化与结构化编目​

入口： https://strategies.atwar.eu.org/

本策略库收录逾 3,500 条已编目的交易策略，涵盖动量、均值回归、趋势跟踪、形态与指标组合以及波动率驱动等方向。所有条目均按统一模式组织，旨在作为可复用的 Alpha 组件加以沉淀。

策略库同时支持现货与期货品种，为后续自动化筛选、组合构建及策略集成奠定基础。

3）量化交易日志——研究与工程复盘记录（可审计）​

入口： https://log.atwar.eu.org/

本日志维护研究迭代的可追溯记录。每一项已归档的结论均关联其对应的数据版本、特征版本、参数版本及评估指标。失败实验同样予以系统记录，以减少重复探索并提升迭代效率。

4）数据挖掘专题——当前重点研究方向​

入口： https://log.atwar.eu.org/data/

本专题记录面向生产环境的数据挖掘研究进展，重点关注数据质量保障、异常处理及特征稳定性。此外涉及模型可解释性与稳健性研究，目标在于规避无法泛化至实盘环境的过拟合绩效曲线。

5）实盘交易记录——可验证的结果与盘后分析​

入口： https://trading.atwar.eu.org/archives/10/

本记录归档了一项经验证的单月 31% 收益，仅使用 OHLCV 市场数据及 1 倍杠杆（无保证金）。附带材料包括交易逻辑说明、风控约束条件、回撤结构分析、失效模式识别及改进方向建议。

6）基于 Rust 的大模型推理基础设施（thinking-gemini-rs）​

入口： https://github.com/donequant/thinking-gemini-rs

本项目提供面向大语言模型的可扩展推理与调用框架，以 Rust 语言实现。设计目标为将模型能力整合为可复用的生产级集成层。

选用 Rust 旨在消除 Python 全局解释器锁（GIL）对并发性能的制约，尤其适用于财报解析、新闻情感提取等高吞吐非结构化数据处理场景。架构中包含针对思维链（"Thinking"）模型的专项适配，以确保复杂推理任务输出的结构化与稳定性。

What I Deliver​

  • 把策略从“研究脚本”变成“可上线系统”：可监控、可回滚、可迭代
  • 把模型从“单次训练”变成“训练/验证/回测/上线的标准化流水线”
  • 把经验从“脑子里的感觉”变成“文档化/代码化/自动化资产”

What I’m Looking For​

  • 量化交易系统工程化、策略研究平台化
  • 数据/特征/评估体系建设（研究基础设施）
  • ML/RL 在交易中的可落地应用（特别是稳健性、成本、执行层约束）

Contact​

附：All Public URLs​