01、Quant是做什么的?
Quant的工作就是設(shè)計并實現(xiàn)金融的數(shù)學(xué)模型(主要采用計算機編程)，包括衍生物定價，風險估價或預(yù)測市場行為等。
所以Quant更多可看為工程師，按中國的習(xí)慣性分類方法就是理工類人才，而不是文科人才，這個和金融有一定的區(qū)別(當然金融也有很多理工的內(nèi)容)。
02、有哪幾種Quant?
● Desk Quant
開發(fā)直接被交易員使用的價格模型，優(yōu)勢是接近交易中所遇到的Money和機會，劣勢是壓力很大.
● Model Validating Quant
獨立開發(fā)價格模型，不過是為了確定Desk Quant開發(fā)的模型的正確性，優(yōu)勢是更輕松，壓力比較小，劣勢是這種小組會比較沒有作為而且遠離Money
● Research Quant
嘗試發(fā)明新的價格公式和模型，有時還會執(zhí)行Blue-Sky Research(不太清楚是什么) 優(yōu)勢是比較有趣(對喜歡這些人來說)，而且你學(xué)到很多東西。劣勢是有時會比較難證明有你這個人存在(跟科學(xué)家一樣，沒有什么大的成果就沒人注意你)
● Quant Developer
其實就是名字被美化的程序員，但收入很不錯而且很容易找到工作。這種工作變化很大，它可能是一直在寫代碼，或者調(diào)試其他人的大型系統(tǒng)。
● Statistical Arbitrage Quant
在數(shù)據(jù)中尋找自動交易系統(tǒng)的模式(就是套利系統(tǒng))，這種技術(shù)比起衍生物定價的技術(shù)有很大的不同，它主要用在對沖基金里.而且這種位置的回報是極不穩(wěn)定的
● Capital Quant
建立銀行的信用和資本模型，相比衍生物定價相關(guān)的工作，它沒有那么吸引人，但是隨著巴塞爾II銀行協(xié)議的到來，它變的越來越重要。
你會得到不錯的收入(但不會很多)，更少的壓力和更少的工作時間。人們投資金融行業(yè)就是為了賺錢，如果你想獲得更多的收入，你就要更靠近那些錢的"生產(chǎn)"的地方。
這會產(chǎn)生一種接近錢的看不起那些離得比較遠的人的現(xiàn)象，作為一個基本原則, 靠近錢比遠離錢要來得容易。
03、Quant工作的領(lǐng)域
● FX
FX就是外匯交易的簡寫，合同趨向于短期，大量的金額和簡單的規(guī)定，所以重點在于很快速度的建立模型
● Equities
Equities的意思是股票和指數(shù)的期權(quán)，技術(shù)偏向于偏微分方程(PDE)，它并不是一個特別大的市場
● Fixed Income
Fixed Income的意思是基于利息的衍生物，這從市值上來說可能是的市場，他用到的數(shù)學(xué)會更加復(fù)雜因為從根本上來說他是多維的，技術(shù)上的技巧會用的很多，他的收入比較高
● Credit Derivatives
Credit Derivatives是建立在那些公司債務(wù)還清上的衍生產(chǎn)品，他發(fā)展的非常快并有大量需求，所以也有很高的收入，盡管如此，他表明了一些當前經(jīng)濟的泡沫因素
● Commodities
Commodities因為近幾年生活用品價格的普遍漲價，也成為一個發(fā)展迅速的領(lǐng)域
● Hybrids
Hybrids是多于一個市場的衍生物市場，典型情況是利息率加上一些其它東西，它主要的優(yōu)勢在于可以學(xué)到多種領(lǐng)域的知識，這也是當前非常流行的領(lǐng)域。
04、Quant一般在哪些公司工作?
● 商業(yè)銀行
商業(yè)銀行對你要求少，也給的少，工作會比較穩(wěn)定
● 投行
投行需要大量的工作時間，工資很高但不是很穩(wěn)定?？偟膩碚f，美國的銀行收入比歐洲銀行高，但工作時間更長。
● 對沖基金
對沖基金需要大量的工作時間和內(nèi)容，他們也處在高速發(fā)展同時不穩(wěn)定的情況中，你可能會得到大量的回報，也可能幾個月后就被開除。
● 會計公司
大型會計公司會有自己的顧問quant團隊，有些還會送他們的員工去Oxford讀Master。主要的劣勢在于你遠離具體的行為和決策，而且厲害的人更愿意去銀行，所以你比較難找到高人請教。
● 軟件公司
外包quant模型變得越來越流行，所以你去軟件公司也是一個選擇，劣勢和會計公司比較類似。
05、成為一個Quant需要看哪些書?
現(xiàn)在有非常多的關(guān)于Quant的書，基礎(chǔ)書籍包括：
● Hull著《Options Future and Other Derivatives》這本書被稱為Bible缺點是這本書的內(nèi)容主要面向MBA而不是Quantitative專家-《Baxter and Rennie》，主要介紹一些手法和訣竅，但主要面向原理而不是實際操作。
● Wilmott著《Derivatives》對PDE介紹的非常不錯，但其他方面一般-《The Concepts and Practice of Mathematical Finance》這本書的目標在于覆蓋一個quant應(yīng)該知道的知識領(lǐng)域. 其中包括強列推薦你在應(yīng)聘工作之前看的一些編程項目。
● 《C++ Design Patterns and Derivatives Pricing》這本書是為了告訴大家如何使用C++來做Quant的工作。隨機微積分雖然在第一眼看上去不是很重要，但的確非常有用的。我建議大家先看一些基本理論的書，類似Chung’s books. 一些這方面我推薦的書:
● Williams著《Probability with Martingales》一本很容易讓人了解Account of discrete time martingale theory的書。
● Rogers and Williams著《Particularly Volume 1》
06、成為Quant，我需要知道一些什么?
根據(jù)你想工作的地方不同，你需要學(xué)習(xí)的知識變化很大，很多人錯誤的把學(xué)習(xí)這些知識看作僅僅看書而已。
你要做的是真正的學(xué)習(xí)，就像你在準備參加一個基于這些書內(nèi)容的考試，如果你對能在這個考試里拿A都沒有信心的話，就不要去面試任何的工作。
面試官更在乎你對基本知識的了解是否透徹，而不是你懂得多少東西，展示你對這個領(lǐng)域的興趣也很重要。
你需要經(jīng)常閱讀Economist, FT 和Wall Street Journal，面試會問到一些基本微積分或分析的問題，例如Logx的積分是什么，問到類似Black-Scholes公式怎么得出的問題也是很正常的，他們也會問到你的論文相關(guān)的問題。
面試同樣也是讓你選擇公司的一個機會，他們喜歡什么樣的人，他們關(guān)心的是什么之類的答案可以從他們的問題中得出。
如果問了很多關(guān)于C++語法的問題，那么要小心選擇除非那是你想做的工作。一般來說， 一個PhD對得到Quant的Offer是必需的。
有一個金融數(shù)學(xué)的Master學(xué)位會讓你在銀行風險或交易支持方面卻不是直接Quant方面的工作，銀行業(yè)變得越來越需要數(shù)學(xué)知識，所以那些東西在銀行的很多領(lǐng)域都有幫助。
在美國，讀了一個PhD之后再讀一個Master變得越來越普遍。在UK這依然比較少見。
07、一般哪些專業(yè)對口Quant?
據(jù)觀察，Quant一般的專業(yè)會是數(shù)學(xué)，物理，金融工程(金融數(shù)學(xué))。其實雖然不是特別多，但是還是有一些投行招手Master金工的Quant，一般幾個好的FE專業(yè)都有去做Quant的碩士生。
編程
所有類型的Quant都在編程方面花費大量時間(多于一半)。盡管如此，開發(fā)新的模型本身也是很有趣的一件事，標準的實現(xiàn)方法是用C++。
一個想成為quant的人需要學(xué)習(xí)C++，有些其他地方使用Matlab所以也是一個很有用的技能，但沒C++那么重要。
VBA也用的很多，但你可以在工作中掌握它。
收入
一個Quant能賺多少?一個沒有經(jīng)驗的Quant每年大概會掙到稅前60k-100k美元。
獎金的話不會太高，但是如果行情好的話，也非常的客觀，一般我聽說的話，剛?cè)肼毜谝荒暌话憧梢阅玫揭粌扇f刀的獎金。
不過像08年就別想了。如果你的工資超出這個范圍，你要問自己Why?收入會迅速的增長，獎金也是總收入中一個很大的組成部分，不要太在乎開始的工資是多少，而是看重這個工作的發(fā)展機會和學(xué)習(xí)的機會。
1、《量化投資基礎(chǔ)》
主要涵蓋了量化投資領(lǐng)域的必備知識，包括：基本面分析、技術(shù)分析、數(shù)量分析、固定收益、資產(chǎn)組合管理、權(quán)益、另類投資等內(nèi)容。
2、《Python語言編程基礎(chǔ)》
包含了Python環(huán)境搭建、基礎(chǔ)語法、變量類型、基本函數(shù)、基本語句、第三方庫、金融財務(wù)實例等內(nèi)容。旨在為金融財經(jīng)人提供最需要的編程方法。
3、《基于Python的經(jīng)典量化投資策略》
包含了最富盛名，最基本的量化交易思想和交易策略。例如：海龜交易模型、Logistics模型、配對交易模型、波動擴張模型、Alpha模型、機器學(xué)習(xí)(隨機森林模型、主成分分析)、深度學(xué)習(xí)(人工神經(jīng)網(wǎng)絡(luò))等內(nèi)容。
4、《量化交易系統(tǒng)設(shè)計》
旨在學(xué)習(xí)量化交易系統(tǒng)的具體知識，包括過濾器，進入信號，退出信號，倉位管理等詳細內(nèi)容，并指導(dǎo)學(xué)員設(shè)計涵蓋個人交易哲學(xué)的量化交易系統(tǒng)。
5、《量化實盤交易》
旨在為解決實際量化交易策略搭建過程中的一些問題提供較優(yōu)解決方案。
掌握Python及量化投資技能，我們能做什么?
1、熟悉中國主要金融市場及交易產(chǎn)品的交易機制;
2、熟知國內(nèi)外期貨交易、股市交易的異同點和內(nèi)在運行機制;
3、掌握經(jīng)典量化交易策略細節(jié)及其背后的交易哲學(xué);
4、掌握金融、編程和建模知識基礎(chǔ)，擁有量化交易實盤操作能力;
5、具備獨立自主地研發(fā)新量化交易策略的能力;
6、掌握量化交易模型設(shè)計的基本框架，以及風險管理和資產(chǎn)組合理論的實際運用;
7、掌握從策略思想——策略編寫——策略實現(xiàn)餓完整量化投資決策過程;具備量化投資實戰(zhàn)交易能力。
AQF量化金融分析師實訓(xùn)項目學(xué)習(xí)大綱
1.1.1. 第一部分：前導(dǎo)及課程介紹
|
1.AQF核心課程 |
|
2.量化策略的Python實現(xiàn)和回測 |
|
3.整體代碼介紹 |
1.1.2. 第二部分：量化投資基礎(chǔ)
|
1.量化投資背景及決策流程 |
|
2.量化擇時 |
|
3.動量及反轉(zhuǎn)策略 |
|
4.基金結(jié)構(gòu)套利 |
|
5.行業(yè)輪動與相對價值 |
|
6.市場中性和多因子 |
|
7.事件驅(qū)動 |
|
8.CTA_1（TD模型） |
|
9.統(tǒng)計套利_低風險套利 |
|
10.大數(shù)據(jù)和輿情分析 |
|
11.機器學(xué)習(xí) |
|
12.高頻交易和期權(quán)交易 |
|
13.其他策略和策略注意點 |
1.1.3. 第三部分：Python編程知識
|
Python語言環(huán)境搭建 |
1.Python語言環(huán)境搭建 |
|
Python編程基礎(chǔ) |
1.python數(shù)字運算和Jupyter notebook介紹 |
|
2.字符串 |
|
|
3.Python運算符 |
|
|
4.Tuple和List |
|
|
5.字典 |
|
|
6.字符串格式化 |
|
|
7.控制結(jié)構(gòu)_1.For循環(huán) |
|
|
8.函數(shù) |
|
|
9.全局和局部變量 |
|
|
10.模塊 |
|
|
11.Python當中的重要函數(shù) |
|
|
Python編程進階 |
1.Numpy數(shù)據(jù)分析精講 |
|
2.Pandas數(shù)據(jù)分析詳解 |
|
|
數(shù)據(jù)可視化 |
1.Pandas內(nèi)置數(shù)據(jù)可視化 |
|
2.Matplotlib基礎(chǔ) |
|
|
3.Seaborn |
|
|
金融數(shù)據(jù)處理實戰(zhàn) |
1.數(shù)據(jù)獲取_1.本地數(shù)據(jù)讀取 |
|
1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_1 |
|
|
1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_2.tushare |
|
|
1.數(shù)據(jù)獲取_2_網(wǎng)絡(luò)數(shù)據(jù)讀取_3.文件存儲 |
|
|
2.金融數(shù)據(jù)處理_1.同時獲取多只股票 |
|
|
2.金融數(shù)據(jù)處理_2.金融計算 |
|
|
2.金融數(shù)據(jù)處理_3.檢驗分布和相關(guān)性 |
|
|
3.金融時間序列分析_1.Python下的時間處理 |
|
|
3.金融時間序列分析_2.Pandas時間格式 |
|
|
3.金融時間序列分析_3.金融數(shù)據(jù)頻率的轉(zhuǎn)換 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例1 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標條件選股分析_1 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標條件選股分析_2 |
1.1.4. 第四部分：量化交易策略模塊
|
三大經(jīng)典策略 |
1.三大經(jīng)典策略_1.SMA |
|
1.三大經(jīng)典策略_2.動量Momentum |
|
|
1.三大經(jīng)典策略_3.均值回歸 |
|
|
配對交易策略 |
2.配對交易 |
|
技術(shù)分析相關(guān)策略 |
3.量化投資與技術(shù)分析_1.技術(shù)分析理論 |
|
3.量化投資與技術(shù)分析_2.CCI策略的Python實現(xiàn) |
|
|
3.量化投資與技術(shù)分析_3.布林帶策略的Python實現(xiàn)_1 |
|
|
3.量化投資與技術(shù)分析_4.SMA和CCI雙指標交易系統(tǒng) |
|
|
3.量化投資與技術(shù)分析_5.形態(tài)識別和移動止損策略 |
|
|
大數(shù)據(jù)輿情分析策略 |
4.大數(shù)據(jù)輿情分析策略_基于谷歌搜索的大數(shù)據(jù)輿情分析 |
|
CTA交易策略 |
5.CTA交易策略_Aberration趨勢跟蹤系統(tǒng) |
|
量化投資與機器學(xué)習(xí) |
6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_2_邏輯回歸原理 |
|
6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_3_SVM算法原理 |
|
|
6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_4_決策樹算法原理 |
|
|
6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_5_KNN算法原理 |
|
|
6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_6_神經(jīng)網(wǎng)絡(luò)算法了解 |
|
|
6.量化投資與機器學(xué)習(xí)_1_機器學(xué)習(xí)算法原理_7_K-means算法原理和算法總結(jié) |
|
|
6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_1_數(shù)據(jù)集生成原理 |
|
|
6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_2_數(shù)據(jù)集可視化 |
|
|
6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_3_邏輯回歸算法的python實現(xiàn) |
|
|
6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_4_DT_KNN_NB算法的python實現(xiàn) |
|
|
6.量化投資與機器學(xué)習(xí)_2_機器學(xué)習(xí)算法實現(xiàn)_5_SVM算法的python實現(xiàn) |
|
|
6.量化投資與機器學(xué)習(xí)_3_機器學(xué)習(xí)算法實戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢預(yù)測 |
1.1.5. 第五部分：面向?qū)ο蠛蛯嵄P交易
|
1.模塊內(nèi)容整體介紹 |
|
2.面向?qū)ο蟆㈩?、實例、屬性和方?/p> |
|
3.創(chuàng)建類、實例、方法 |
|
4._init_初始化方法 |
|
5.面向?qū)ο蟪绦驅(qū)嵗?/p> |
|
6.繼承的概念及代碼實現(xiàn) |
|
7.面向?qū)ο罄^承的實戰(zhàn)案例 |
|
8.多繼承和量化交易平臺的面向?qū)ο箝_發(fā)思路 |
|
9.用面向?qū)ο蠓椒▽崿F(xiàn)股債平衡策略 |
1.1.6. 第六部分 實盤模擬交易
|
基于優(yōu)礦平臺的面向?qū)ο蟛呗?/p> |
1.優(yōu)礦平臺介紹 |
|
2.優(yōu)礦平臺回測框架介紹 |
|
|
3.優(yōu)礦框架之context對象、account和position對象 |
|
|
4.優(yōu)礦其它重要操作 |
|
|
5.優(yōu)礦之小市值因子策略 |
|
|
6.優(yōu)礦之雙均線策略 |
|
|
7.優(yōu)礦之均值回歸策略 |
|
|
8.優(yōu)礦之單因子策略模板 |
|
|
9.優(yōu)礦之多因子策略模板 |
|
|
10.優(yōu)礦之因子數(shù)據(jù)處理：去極值和標準化 |
|
|
面向?qū)ο髮嵄P交易之Oanda |
1.Oanda平臺介紹和賬戶配置 |
|
2.Oanda賬戶密碼配置和交易框架原理 |
|
|
3.Oanda鏈接賬戶并查看信息 |
|
|
4.Oanda API獲取歷史數(shù)據(jù) |
|
|
5.Oanda市價單和交易狀態(tài)查詢 |
|
|
6.Oanda高級交易訂單 |
|
|
7. Oanda其它高級功能 |
|
|
8. Oanda實戰(zhàn)ADX策略全講解：策略邏輯、數(shù)據(jù)讀取、歷史數(shù)據(jù)處理、可視化、實時數(shù)據(jù)和實時交易 |
|
|
9. Oanda通過實時數(shù)據(jù)API調(diào)取實時數(shù)據(jù)、resample |
|
|
面向?qū)ο髮嵄P交易之IB |
1.IB實戰(zhàn)平臺介紹及API安裝調(diào)試 |
|
2.IB實戰(zhàn)平臺請求和響應(yīng)遠離、線程控制 |
|
|
3.IB響應(yīng)函數(shù)wrapper講解 |
|
|
4.IB請求函數(shù)及合約定義 |
|
|
5.IB程序化下單、倉位及賬戶查詢 |
|
|
6.IB三均線交易_金字塔倉位下單控制模型實盤交易之策略原理、線程控制原理、策略結(jié)構(gòu)總覽、響應(yīng)函數(shù)、交易信號、策略展示等全講解。 |
1.1.7. 第七部分：基于優(yōu)礦的進階學(xué)習(xí)
|
1.1回測與策略框架 |
|
1.2評價指標 |
|
1.3.1量化策略設(shè)計流程簡介 |
|
1.3.2擇時策略舉例（雙均線） |
|
1.3.3量化投資模板1.0選股和擇時 |
|
2.1基于技術(shù)分析的量化投資 |
|
2.2.1技術(shù)指標簡介 |
|
2.2.2 MACD擇時策略 |
|
2.2.3 WVAD擇時策略 |
|
2.2.4 RSI擇時策略 |
|
2.2.5 MFI擇時策略 |
|
2.2.6 CCI擇時策略 |
|
2.2.7技術(shù)指標總結(jié) |
|
2.3通道技術(shù) |
|
3.1.1日期效應(yīng) |
|
3.1.2動量效應(yīng) |
|
3.2.1格雷厄姆成長投資 |
|
3.2.2積極投資策略 |
|
3.2.3價值投資策略 |
|
3.2.4小型價值股投資策略 |
|
3.3.1交易系統(tǒng)設(shè)計的一般原理 |
|
3.3.2均線排列系統(tǒng) |
|
3.3.3金肯納特交易系統(tǒng) |
|
3.3.4海龜交易法系統(tǒng) |
.png)
更多內(nèi)容推薦閱讀：
金程推薦： AQF培訓(xùn) AQF培訓(xùn)機構(gòu) AQF是什么意思
咨詢電話：400-700-9596
AQF考友群：760229148
金融寬客交流群：801860357
微信公眾號：量化金融分析師
完善下表，48小時內(nèi)查收aqf備考資料
(如果沒收到資料，可以點我咨詢)
.png)
