这里更关心研究问题、方法、输出证据和可复用程度，而不是个人履历信息。
围绕微盘股风格观察，自行维护一套数据采集、清洗和展示流程。项目目标不是单次比赛，而是把微盘指数、全 A 估值、交易日历和历史序列做成可以复用的个人研究基础设施。
以 8、9 月份行业季节效应为研究切口，筛选在历史统计中表现更稳定的细分行业，再利用机器学习模型预测开盘价并生成交易信号。
围绕小市值股票收益弹性与波动风险并存的特征，用 GBDT 预测开盘价，并引入股指期货空头对冲，力求把风格收益和回撤控制结合起来。
这条链路的目标是把研究、实盘观察和作品展示分层：底层连接数据源，中间生成可审计信号，网页只读取脱敏结果。
抓取 A 股基础信息、日线、每日指标和复权因子，原始数据落到本地 data/local/quant/raw，后续报告与信号产物统一写入 output/quant。
QMT 客户端启动后，通过 `xtdata` 拉取最新行情，追加去重到本地数据湖，不把行情库和交易接口暴露到网页。
在 `close < 50` 的约束下按市值排序，输出候选股票池；后续可叠加 ST、停牌、流动性和行业暴露过滤。
只发布汇总 JSON、候选池摘要、RankIC 曲线和回测图，不发布 token、账户、订单、持仓明细或原始行情文件。
面向研究复现，不进入公开页面。
用于验证市值、股价等因子的稳定性。
只展示状态、曲线、统计和可公开结论。
先明确是抓季节效应、风格暴露、择时信号还是回撤控制，而不是先套一个模型名词。
根据问题搭建股票池、基准、输入特征和标签，先保证数据能解释、能追溯、能重复。
把模型输出转换成买卖规则，必要时加入风控或对冲，让研究结果能进入交易层。
用收益、夏普、回撤等指标做评估，并把过程整理成报告、图表和可公开展示的研究证据。
原因很简单：交易与账户信息全部留在本地，网页只展示可公开、可复核、可解释的研究证据。