黄鹤翔.

关注多因子体系的系统性构建，涵盖价格动量、波动率、流动性、市值及价量关系等多个维度。具备使用大规模分布式计算框架处理高维金融面板数据的经验，重点关注时序数据中的信息泄漏防护、特征标准化以及跨截面对齐等工程问题。

将序列深度学习模型引入截面收益预测，探索 Transformer、LSTM、GRU 等架构在金融时序建模中的适用性，研究训练目标设计对模型信号特征的影响。在不同方法论框架之间建立系统的比较视角。

对深度学习模型在量化投资中的可解释性问题有浓厚兴趣，探索如何从训练好的模型中提取有意义的因子归因信息，辅助投资决策与风险管理。关注信号评估体系、组合构建方法及策略在真实交易约束下的表现。