本科毕业于伊利诺伊大学香槟分校数学与统计专业,研究生毕业于纽约大学数据科学系。在校期间实习于资产规模全球前30的对冲基金以及福布斯报道过的AI Fintech创业公司。
现就职于摩根大通金融模型部门,负责公司内部各类机器学习模型的开发与应用。
熟练掌握Python,Spark和Linux命令行,深入理解各类机器学习,深度学习模型,对于自然语言处理,推荐系统与Automl有丰富的工业界经验。熟悉机器学习项目从数据抓取,数据清理到建模,落地以及维护的全部过程。
算法工程师|摩根大通(纽约)2019年7月-至今
机器学习模型开发
机器学习研发实习生| ForwardLane 2019 年 2 月-7月
与纽约大学 Courant 研究所合作研发针对金融新闻的推荐系统。
• 基于深度学习模型建立了一个金融新闻推荐系统, 通过加入 summarization,预训练表征和 RNN 改进了系统表现 (超过 20%召回分数)。
数据科学实习生| King Street Capital Management 2018 年 6 月-2018 年 8 月
利用上市公司财报和自然语言处理技术预测其股票信息比率。
• 建立并比较了多种模型(LSTM, FastText, TF-IDF weighted embedding + Random Forest, Block Self-Attention Neural Networks)的表现, 进行了模型交叉验证 , 得到了接近 0.7 的 AUC 分数.
• 在误差分析中发现了另一个重要特征,通过加入该特征增强了模型表现在不同年份的一致性,平均提升了 0.1 的 AUC 分数。
通过监测手机 GPS 地理信息数据预测上市公司营收,评测了不同数据供应商提供的数据质量。
• 发现了数据质量问题,与内部分析师和数据供应商进行了讨论。
• 从 AWS Redshift 获取数据,训练了目标公司和顾客的分布式表征。
• 使用多种不同的截面(paneling)与聚类方法(Hierarchical clustering, K-Means clustering)降低了数据在时间上的不稳定性。
• 归纳总结出了最优的处理方法与数据提供商。 每日/每周向高级数据科学家和交易员进行汇报和讨论,与数据工程师和开发人员交流协调研究需要的数据库和开发环境。
可兼职时间
可兼职地点
0条评论 雇主评价