1,熟练使用 alphalens  框架,进行因子 IC  分析.股票经验8年
2,熟练使用 python 爬虫技术如:requests,xpath,BeautifulSoup,re,selenium，

3,熟练使用 numpy,pandas,matplotlib,scipy,tailb,sklearn，tensorflow等

4,熟练使用机器学习各种回归和分类算法及深度学习.K-邻近,贝叶斯,决策树,随机森林,kmeans 聚类.卷积神经网络，建模分析。

5,熟练使用米筐,聚宽,掘金等量化平台,用 python  语言进行策略构建回测。
6，熟悉 ubuntu 操作系统，进行策略定时部署。
7，淘县选手。

项目概述:基于米筐量化平台，提取股票数据，利用 numpy、pandas、matplotlib、scipy、talib、sklearn  第三方处理库进行因子与收益率之间相关性分析。利用 alphalens  框架进行因子 IC  计算及图表的绘制。根据每个因子的 IC值，IR,，和平均收益为每个因子打分，排序后再计算因子之间的相关性，相关性高的用 PCA  降维，合成一个因子。最后选取因子的 IC  值大的因子 进行选股。常用的是打分法选股（打分后，利用 pandas  进行数据拼接，选取靠前的股票）,股票选出后利用 CAPM  模型,确定投资组合各股票投资比例.
项目流程:
项目流程:
1，获取的数据，利用 pandas，sklearn  进行特征工程处理：如市值中性化,缺失值处理，中位数去极值，标准化处理.

2，利用 alphalens  框架，得到处理后的 IC值，IR,，和平均收益.这三个指标都打分，三项综合得分高的因子，为价值较高的因子。

3，选取靠前的因子，根据因子的方向性，为每个股票的各个因子上的数据排序后打分，正相关的就大到小排列，负相关从小到大排列，比如越靠前的分数打的越高，然后再用 pandas  进行拼接，求出拼接后的每个股票的总和得分，得分高的自然是隔期上涨概率最大的股票。

4,选取得分高的前几只股票作为股票池.

5,获取历史数据,利用 CAPM  模型,进行蒙特卡洛模拟,选取夏普比率最高的权重,作为投资比例.