量化
Quantitative
量化,一個橫跨多個學科領域的工作。已經在不同場合,聽了無數次的三座大山:較好的數學功底、編程技能、金融知識。
你覺得你會編程就很容易上手量化嗎?
你認為交易策略開發完了就沒有價值了嗎?
那你了解交易策略有多少種嗎?
···
所有的一切都要經過你一步一步的努力。
入行 Quant
You Must Know!
Quant 的職位主要集中在投資銀行、對衝基金、商業銀行和金融機構。負責的主要工作根據職位也有很大區別,比較有代表性的包括Pricing、Model Validation、Research、Develop and Risk Management,分別負責衍生品定價模型的建立和應用、模型驗證、模型研究、程序開發和風險管理。
最近幾年,很多跨專業的朋友(計算機、生物、物理、通信等專業)也想在量化的領域展示一下自己的抱負。
像計算機、物理等專業有自身的優勢,做Quant不能一輩子當開發吧。得全面發展。
大家可能覺得搞量化的人就是整天和大量數據打交道,用一行行代碼寫出複雜的模型,然後沒完沒了地Run,在回測和優化中掙扎,沉浸在數學和統計海洋裡的一群人。
實際上,這只是表面現象。雖然每個搞量化的人必須會寫代碼,也必須具備扎實的數學功底,在開發策略的過程中,的確需要分析大量數據,不斷做回測和優化,但是,這一切的背後是強大的金融思維和對金融市場的深刻理解在支撐的。
換句話說,如果你沒有經濟、金融的完整知識體系和工作經驗,或者沒有正確的、科學的思維方式,無論數學多麽地好,也很可能在做無用功;即便編程多麽在行,也只能淪為碼農一枚(沒有歧視程序員的意思哦)。反過來說,如果你具備科學的思維和邏輯,並發現了經濟、金融的某些規律,想做Quant就不難了。接下來,你只需花點時間學習編程工具,好好利用數據和代碼為你實現自己的想法。
在國內,你可以去以下幾種類型的機構:
1、買方:公募
特點:朝九晚五,人際關係處理好,當甲方爸爸的感覺真好!
工作:做好研究,大多以股票為主,少數投資債券或者貨幣市場。手握數億資金,與上市公司董秘、高管運籌帷幄。
要求:本科忽略!最基本是碩士,PhD也是擠破頭,985&211,有些隻招清北複交,很正常。名校海龜也很吃香。其他的要求我們在下文介紹。
評價:從業情況,盈利能力、抗風險能力、穩定性等。還有管理基金的業績綜合排名、業績排名穩定性等。
未來:研究員、基金經理助理、基金經理、某部門MD等出了本事以外。越想往上就得耗啊!
2、賣方:券商金融工程團隊研究所
特點:朝九晚不知道,一年坐的飛機可環繞地球N圈,真的很辛苦。
工作:寫研報、寫研報、寫研報(你能想到的各種模型各種方法),各種路演(可能一份報告已經倒背如流,買方會根據賣方的表現來派點給賣),尋創新(多因子已經寫爛啦哈哈~),保持與機構的密切溝通。
要求:本科確實很難啊!基本碩士起,有些甚至要求985,211都不要。同等水準可能海龜會優先考慮。其他的要求我們在下文介紹。
評價:研報熱度啊!新財富啊!不知道以後還有不。等~
未來:成為首席或者高級研究員,跳槽去買方、私募等。
3、風雲之地:私募
特點:看的是結果,各種投資思路、投資標的都有涉及。
要求:有來自券商、基金或者自民間的投資高手。所以學歷相對不是特別嚴格。
評價:研究要和收益掛鉤。站在研究的角度,總有人願意為高屋建瓴的所謂前瞻性和理論買單,私募卻行不通。你可以基於你優漂亮的淨值曲線去包裝,但反著來不行!這樣你作為研究員就沒有了價值,最終淪為發產品時宣傳三折頁上打醬油的角色,熊市或震蕩市時裁員降薪的首選。
未來:繼續留用 or 成為大佬 or 走人。
4、金融科技公司
特點:服務產品,寫相關研究報告,搞培訓等。
要求:很典型的例子,現在國內很多量化平台都會招聘有一幫人為平台社區寫各種研報復現、論文複現、策略複現等等。再者就是針對某一量化產品做深度開發研究。還有一些專門做量化課程培訓。
評價:研報熱度(主要為平台流量)、產品的功能好壞、培訓口碑等。
未來:賣方、買方、私募或者自己乾都有可能。
還有一個是在銀行的量化部門。但主要是前四者居多。
Python
大勢所趨
同樣,作為一名優秀的Quant,你必須要掌握當下最主流的一門語言,那就是:
Python
Beautiful is better than ugly.
Explicit is better than implicit.
Simple is better than complex.
Complex is better than complicated.
這是Zen of Python的前四行,它總結了Python作為編程語言的精髓。
真的太火了, 不用過多介紹。你懂得~
國內很多量化交易平台都使用Python開發,因為Python作為一個生態系統。更容易的實現加上用於數學計算、數據收集、機器學習、數據可視化甚至基於這些模型的應用程序開發的大量庫,已經將Python轉變為一個完整的數據科學項目生態系統。
容易學習
學習成本低,運行速度快,擴展性較強。無論是開始學習編程的金融分析師、數學家、學生還是自由開發者,都將自己呈現為最佳選項。
數據分析與機器學習
這也是下面的一個主題我們要說的。
AI &
Machine Learning
現在,很多量化機構將人工智能和機器學習與量化策略相結合。國內的一些頂尖私募,比如:九坤、幻方、朱雀等都在使用AI量化策略,從各大公司的招聘公告上也可以看出這點。
海外的大型對衝基金公司更是如此:
Aidyia(香港):運用先進的人工智能技術,識別金融市場模式和預測價格走勢。
Binatix(美國):是最早使用機器學習算法來發現在投資中具有優勢模式的公司之一。
Kimerick Technologies(美國):機器學習和人工神經網絡驅動預測交易的公司。
Pit.ai(英國):一個機器學習驅動的對衝基金等等······
Frist
這裡第一條
對於初學的同學,能否真正進入AI量化的大門,掌握最前沿的量化算法理論,取決於是否熟練掌握金融學相關理論,機器學習和深度學習相關知識,以及在實踐中能否熟練應用。
系統地講,初學者想要登堂入室,必須掌握金融理論、交易策略研發、機器學習與深度學習以及將策略進行實盤檢驗。
針對量化研究的小白、有志於投身AI量化交易事業的同學,網易雲課堂特推出了AI量化交易課程。
課程的主要目標是從金融學基礎出發,通過講解量化中常見的模型和策略並使用Python加以實現,讓學習者深度掌握量化交易模型和方法。重點加入了機器學習和深度學習的相關內容,將量化金融和人工智能技術相結合,與時俱進,希望大家能夠通過學習研究出適合於自己的量化策略,早日實現財務自由。