Peter Xiu
联合创始人- 北京大学哲学学士 · 伦敦大学学院社会研究与数据科学理学硕士
- 前 F Lab LLC 战略增长副总裁，主导团队扩张与战略布局
- 在一级市场与二级市场均有多笔成功融资及投资交易记录
公司概览
以人才为核心的发展理念 · 扁平协作的创业文化
创业文化
扁平化、协作型的组织文化，以开放沟通与积极进取的精神为基石。
精英人才
团队成员来自清华大学、北京大学及美国顶尖高校，逾 50% 持有相关领域博士学位。团队共拥有 6 枚全国数学联赛（CMO）/ 国际数学奥林匹克（IMO）金牌。
投资研究流水线
从数据到交易信号的标准化投研闭环
数据层
Data Layer
职责： 多源数据获取、清洗、结构化存储。
产出： 无偏、可复现数据库，为全链路研究提供统一基础。
因子层
Factor Layer
职责： 从海量变量中提取高预测力的 Alpha 因子。
产出： 因子库（价量 / 基本面 / 另类），持续 IC/IR 检验。
模型层
Model Layer
职责： 机器学习等方法对有效因子进行非线性融合。
产出： 每只股票下一期预期收益（Expected Return）。
风控与优化
Risk & Optimization
职责： 在约束下求解最优组合权重。
产出： 目标持仓权重与交易信号。
底层数据体系
Level-2 高频 · 微观结构
逐笔成交与委托、十档盘口，构建 OFI 等微观结构指标。
基本面 · 内在价值
财报与盈利预测，捕捉分析师预期与基本面变化。
另类数据 · NLP
新闻、公告、舆情等文本挖掘与行为类数据。
机器学习与收益预测
核心思路：利用机器学习捕捉变量之间的非线性关系，系统化预测胜率。工具涵盖梯度提升（XGBoost / LightGBM / CatBoost）、深度学习（MLP / GNN / LSTM 等），兼顾表格数据鲁棒性与时序、高维特征表达。
产品矩阵
同一 Alpha 内核，多维度风险收益特征
市场中性
结构： 多头股票组合 + 空头股指期货（IC/IM），Beta 敞口中性。
收益： 纯 Alpha，与市场方向相关性低。
指数增强
结构： 高仓位复制基准（沪深300/500/1000），叠加选股 Alpha。
收益： 市场 Beta + 模型 Alpha 叠加。
多空 DMA
结构： 多空策略 + 2–4 倍杠杆，跨境资金通道（QFII/互联互通）。
收益： 杠杆放大收益与波动，适合专业投资者。
产品风险收益特征因结构而异；历史回测与业绩不代表未来表现，投资需谨慎。
核心策略方向
股票、ETF 与期权等多市场布局
固收增强（0DTE 期权）
0DTE 期权日内系统化交易：PV/微观结构信号与时间序列建模，gamma 与执行价簇驱动结构选择，全流程自动化执行。
信号研究：基于 0DTE 收盘价与日内回撤构建 PV 类特征；时间序列模型融合信号，执行链路 API 级自动化，压低主观干预。
投研框架：识别 gamma 状态与执行价集群，在正 gamma 环境侧重 theta，在负 gamma 环境采用限定风险结构或暂停；宏观/FOMC 等事件前后收敛卖方敞口。
风控与执行：Delta/Gamma 暴露上限、结构化止损与分时段再平衡，将风险暴露锚定在可观测流动性与对冲流窗口。
A 股多因子股票策略
A 股截面多因子 + Barra 风险模型：市场中性优化与成本感知再平衡，强调可审计的超额来源与可规模化约束。
因子层：风格、行业与 Alpha 专属特征经截面 IC/IR 与稳健性检验入库；多信号融合得到个股预期收益，避免单因子路径依赖。
组合层：Barra 框架约束行业、风格与 Beta，集中度、换手与冲击成本硬约束；收益可分解至系统性因子与特异性 Alpha，便于投审与归因。
执行层：成本模型 + 目标权重/容忍带/触发规则，抑制噪声换手；样本外与回测仅用于内部方法论校验，不构成业绩承诺。
系统化 ETF 策略
全球股票、大宗与主题 ETF 的中频系统化策略：ML 多源信号 + 跨资产风险预算，相关性状态驱动仓位自适应。
信号：中频 ML（梯度提升/深度网络）融合价量、资金流与跨资产特征，刻画非线性与制度切换下的风险溢价。
组合：波动率目标与风险预算分配标的权重；监测相关性抬升与波动状态，自适应收紧杠杆与主题集中度。
实施：流动性分层交易与更高的事件/跳空门槛；低流动性标的限制权重，控制滑点对边缘的侵蚀。
波动率统计套利策略
股指与个股期权 Delta 中性相对价值：IV 曲面统计建模，系统化平衡做空波动率 Carry 与可控凸性敞口。
定价研究：IV 曲面期限结构与偏度建模，统计识别跨到期、跨执行价短期相对错价；Delta 中性价差锁定相对价值而非方向。
假设与信号：波动率风险溢价 + 曲面均值回复；delta 参数化风险反转、偏度与曲率指标驱动跨期/跨价结构选择。
风控：限定风险结构、动态降杠杆；高压环境配置小比例保护性凸性，分离 Carry 与尾部暴露。
多空 DMA
横截面多因子/ML 排序 + 约束优化，2–4× 杠杆下严格执行 Beta/行业/风格限额、回撤阈值与执行成本控制。
组合：全市场横截面预期收益排序，在交易成本与 Barra 风格/行业约束下求解权重；波动与回撤阈值联动调节总/净敞口。
投研逻辑：多空锚定相对定价偏差，弱化指数 Beta；因子多样化与风险模型约束用于抵御风格切换。
执行：冲击成本模型、滑点监控与分层算法；停牌、涨跌停与流动性过滤保障可成交性与实施一致性。
风控与治理
结构化、可审计的风险目标与执行纪律
Barra 风险模型
收益分解为系统性风险与特异性风险，在控制 Beta 的同时获取 Alpha；结合风格与行业中性约束。
组合优化（MVO）
目标：在风险约束下最大化「预期 Alpha − 风险惩罚 − 交易成本」。含单票权重上限、流动性、投资范围等实务约束。
投资委员会与回撤限额
例行会议审视市场、回撤与组合；分层回撤阈值与应急预案；情景压力测试与持仓集中度监控。
投研与业务团队
投研、技术与业务协同
投研委员会 / 投资经理 / 高级研究员 / 量化开发工程师等角色覆盖策略研发、交易执行与系统建设。业务拓展强调人才密度与算力、数据基础设施的持续投入。
- 核心成员具备国际顶级做市商、对冲基金与国内量化机构经验
- 衍生品、ETF、A 股 Alpha 等多资产研究与实盘背景
联系方式
投资者联系 · 电子邮件
contact@celestialscale.com
地址
深圳市南山区粤海街道科技园