第92章 简历优化（1/2）

深夜十一点半，鹏城宝安区某小区书房里，屏幕的光映在林晨脸上。他刚挂断一个电话，手指在桌面上轻轻敲击着，嘴角带着一丝难以察觉的笑意。

电话是猎头打来的。

距离在招聘平台更新简历才过去两天，第一个主动联系就来了。对方是一家专注互联网高端职位的猎头公司，办公地点在南山科技园。电话里，那位自称李顾问的女士语气专业而热情：“林先生，看到您更新的简历非常惊艳。独立开发并实盘运行三个月的量化投资系统，年化收益超过25%，这个项目经验在AI算法工程师里非常独特”。

林晨当时握着手机，心脏跳得快了几分。他尽量让自己的声音听起来平静：“谢谢。这个系统是我过去几个月自学的成果，用PyTorch搭建了多个预测模型，整合了传统量化因子”。

“这正是我们客户需要的”。李顾问说，“目前有几家公司在招AI量化研究员，其中一家是T厂的金融科技部门，另一家是头部私募。您的背景——十年全栈开发加上扎实的AI实战项目，年龄反而成了优势，意味着稳定性和项目经验”。

年龄成了优势。这句话让林晨心里某个紧绷的弦松了一松。

挂断电话后，他打开那份已经修改过七八遍的简历文档。白底黑字，简洁的排版，但每个字都经过反复推敲。

林晨|35岁|AI算法工程师/量化研究员核心技能：Python·PyTorch·TensorFlow·机器学习·深度学习·量化交易系统

往下翻，工作经历部分，过去十年的跨境电商平台开发被压缩成一段概述，重点突出“高并发系统架构经验”和“复杂业务逻辑抽象能力”。而最近几个月的经历，则被展开成一个独立板块：

个人项目：启明智能量化投资系统（2025年3月-至今）

独立设计并开发覆盖A股、基金、期货、期权、外汇的多市场量化交易系统

使用PyTorch构建LSTM、Transforr时序预测模型，结合XGBoost等传统机器学习算法

实现多因子模型融合，动态风险控制模块，最大回撤控制在8%以内

系统实盘运行三个月，初始资金7万元，累计收益30%（年化约120%）

技术栈：Python/PyTorch/Pandas/Nupy/PostgreSQL/Docker

林晨的目光停留在“累计收益30%”这个数字上。实际收益比三天前整理简历时又涨了五个百分点——这周A股有个小波段，系统抓住了。他犹豫过是否要把具体收益率写上去，毕竟这看起来太像炫技，甚至可能引发对策略可持续性的质疑。但最终他决定保留。代码可以骗人，但实盘曲线不会。这是他能拿出的最硬的证据。

他继续优化项目描述。之前的版本更偏技术实现，现在他增加了业务视角的表述：

项目价值：

验证了AI模型在复杂金融时序数据上的预测能力

探索了多策略融合与动态风控在实盘环境中的可行性

形成了从数据采集、特征工程、模型训练到实盘部署的完整AI落地闭环

写完这几行，林晨靠在椅背上，长长吐了口气。这几个月埋头敲代码、看论文、调参数的日子，此刻被压缩成简历上的几百个字。但每个字背后，是无数个凌晨四点的屏幕微光，是面对亏损曲线时的自我怀疑，是某个模型突然收敛时的狂喜。

他起身走到窗边。小区里大部分窗户已经暗了，只有零星几盏灯还亮着。远处，北环大道的车流声隐约传来，这座城市从未真正沉睡。

手机震动了一下。是李顾问发来的微信：“林先生，已初步将您简历推荐给T厂金融科技组和两家私募。T厂那边反馈很快，他们对既有工程能力又有AI量化实战经验的候选人很感兴趣，可能会在一两天内安排电话初筛。建议您准备一下：1.项目细节，尤其是模型选择依据和风控逻辑；2.对AI在金融领域应用的宏观思考；3.为什么选择这个时间点转型”。

林晨回复了“收到，谢谢”，手指在屏幕上停留了几秒，又加了一句：“方便问一下，T厂这个岗位的薪资范围大概是多少吗”？

消息发出去后，他有点后悔。太着急了吗？

没想到李顾问回复得很快：“理解。根据职级，年包在80万到150万之间，看面试定级。您之前的期望薪资是120万对吧？这个范围是有可能覆盖的”。

80万到150万。林晨看着这个数字区间，心脏又跳快了一些。不是之前Web3公司那种“画饼式”的“上不封顶”，而是实打实的区间。如果面得好，甚至可能超过120万的预期。

他坐回电脑前，没有立刻开始准备面试问题，而是做了一件更务实的事：打开另一个文档，标题是“面试问答预演”。

第一个问题他就写了：“请详细说明你的量化系统，为什么选择LSTM和Transforr？如何避免过拟合”？

他开始敲字回答，不是写草稿，而是模拟真实面试场景，用口语化的语言表述：“金融时序数据具有长期依赖性和非线性特征，LSTM擅长捕捉长期依赖，Transforr的注意力机制能更好地处理全局关系。我采用的方法是……”

敲着敲着，他停了下来。不对，这样太技术了，面试官如果不熟悉这两个模型怎么办？

他删掉重写：“简单来说，股票价格的变化不仅受最近几天影响，可能跟几个月前的某个事件相关，这就需要模型有‘长期记忆’——LSTM干这个。同时，不同股票之间、不同经济指标之间有关系，需要模型能‘关注’到这些关系——Transforr干这个。至于过拟合，我用了三个方法：第一，数据增强，通过时间窗口滑动生成更多训练样本；第二，Dropout层，随机让一部分神经元失效；第三，也是最关键的，实盘验证。任何在回测中表现好但实盘不行的策略，我都会回溯分析，找到过拟合的根源”。

这样好多了。技术内核没丢，但更容易听懂。

他又写了十几个可能的问题，从“你如何看待AI替代传统量化研究员”到“如果给你一百万资金，你会如何分配策略权重”，每个问题都准备了技术版和通俗版两种回答思路。

做完这些，已经凌晨一点半。林晨保存文档，关掉电脑。躺到床上时，脑子却异常清醒。

本章未完，点击下一页继续阅读。