AQF量化就業(yè)盤點(diǎn) | 據(jù)專業(yè)人士分析，2018年中許多行業(yè)都有升級(jí)或轉(zhuǎn)型的現(xiàn)象，金融業(yè)也不例外。出于政策影響，以及產(chǎn)業(yè)升級(jí)周期的原因，金融人才流動(dòng)出現(xiàn)了明顯變化。

　　如今的金融業(yè)，更多的企業(yè)在向金融科技轉(zhuǎn)型。例如招商銀行、平安集團(tuán)等，它們不再定位為傳統(tǒng)的金融公司，而是高科技公司，人員結(jié)構(gòu)隨之進(jìn)行調(diào)整。

　　于此同時(shí)，國(guó)內(nèi)量化投資市場(chǎng)在近兩年內(nèi)逐步成熟，量化人才的需求也不斷增加并趨于穩(wěn)定，以「北京·量化研究員」為例：

　　

　　自2016年初的需求劇增后，曾因市場(chǎng)環(huán)境受限、金融衍生工具匱乏等而出現(xiàn)了一陣低迷，直至2017年中旬才再次恢復(fù)較高的需求。2018年，盡管遭遇“資本寒冬”，但對(duì)量化人才的需求還是持續(xù)且穩(wěn)定的。

　　- 行業(yè)薪酬盤點(diǎn) -

　　(以下數(shù)據(jù)來(lái)自職友集、獵聘網(wǎng)等，僅供參考)

　　

　　「北上廣深 · 量化研究員平均基本工資(元/月)」

　　北京作為首都，不菲的經(jīng)濟(jì)實(shí)力和社會(huì)總財(cái)富無(wú)不為金融業(yè)的滋生和繁榮提供了最適宜的土壤。同時(shí)還有監(jiān)管層，清算所，大型金融機(jī)構(gòu)總部等扎根，更不乏眾多投資公司，故其提供給量化人才的發(fā)展空間和個(gè)人待遇必然是遙遙領(lǐng)先的。其次是被定位為國(guó)際金融中心的上海，以及毗鄰香港的創(chuàng)新之都深圳，而廣州居末位。

　　

　　「北上廣深 · 量化研究員平均月基本工資分布」

　　就整體而言，“北上廣深”各地量化研究員的月基本工資均以10K-20K居多，近半數(shù)可達(dá)到20k及以上。這里所指的基本工資，并不包含年終獎(jiǎng)、機(jī)構(gòu)分紅等其他浮動(dòng)收入。在量化行業(yè)，真正致富的是你所能創(chuàng)造的價(jià)值。正如江湖傳言，“一個(gè)三人的量化團(tuán)隊(duì)可以創(chuàng)造一個(gè)億的利潤(rùn)”，絕非無(wú)稽之談。

　　

　　「量化研究員平均月基本工資(按工作經(jīng)驗(yàn)統(tǒng)計(jì))」

　　進(jìn)入量化行業(yè)的應(yīng)屆畢業(yè)生，被任用為正職后，可拿到10k左右的月基本工資。相較于1~3年工作經(jīng)驗(yàn)，有3~5年工作經(jīng)驗(yàn)的人才，若選擇在此階段轉(zhuǎn)崗，其所得薪酬會(huì)在一定程度上偏低。再者，擁有多年工作經(jīng)驗(yàn)的求職者，在轉(zhuǎn)崗時(shí)往往會(huì)因?yàn)槟挲g等因素而難以找到合適的職位。 >>>點(diǎn)擊咨詢AQF就業(yè)前景

　　- 行業(yè)就業(yè)門檻 -

　　

　　「招商證券 · 金融量化工程師崗位JD」

　　學(xué)歷 / 大部分量化在招崗位，都要求本科及以上學(xué)歷，作為篩選簡(jiǎn)歷最基本的硬性條件。而在候選多且需求小的情況下，本科學(xué)歷甚至?xí)テ涓?jìng)爭(zhēng)力。除此之外，部分知名券商等，還看重高等數(shù)學(xué)、建模等有關(guān)數(shù)理邏輯能力相關(guān)課程的成績(jī)。

　　專業(yè) / 量化人才大多需要交叉學(xué)科的知識(shí)儲(chǔ)備，既具備有一定的金融理論基礎(chǔ)，同時(shí)要能熟練掌握計(jì)算機(jī)技能。以匹配度較高的金融工程為主，數(shù)學(xué)、統(tǒng)計(jì)學(xué)、計(jì)算機(jī)等相關(guān)專業(yè)人才也都有入行的可能。

　　

　　「紅墻泰和基金 · 量化研究員崗位JD」

　　技能、經(jīng)驗(yàn) / 數(shù)據(jù)挖取、分析及結(jié)果可視化要求較高的崗位，對(duì)候選人在各類編程語(yǔ)言上熟練與否也是個(gè)很重要的考察指標(biāo)。另外，了解機(jī)器學(xué)習(xí)，有相關(guān)經(jīng)驗(yàn)等均是非常有競(jìng)爭(zhēng)力的加分項(xiàng)。而相較于新入行的后輩，在對(duì)具有一定工作經(jīng)驗(yàn)的人才進(jìn)行考核時(shí)，會(huì)更看重其技能水平高低和以往工作經(jīng)驗(yàn)、成果等。

　　- 行業(yè)擇業(yè)方向 -

　　

　　目前，進(jìn)入量化行業(yè)的人才，大多會(huì)選擇這四個(gè)方向：銀行、券商、公募、私募。銀行，大型銀行有資金和資源的優(yōu)勢(shì)，雖能夠大量投入發(fā)展技術(shù)，但因其核心業(yè)務(wù)多，對(duì)量化交易的依賴則偏低。相對(duì)而言，其他商業(yè)銀行的優(yōu)勢(shì)不及國(guó)有大行，業(yè)務(wù)及薪水的市場(chǎng)化程度更高，對(duì)員工的依賴度也更高。

　　券商，券商量化主要分為買方的自營(yíng)、資管和賣方的研究所。券商資管因業(yè)務(wù)線較窄，所以專注度較高，投研團(tuán)隊(duì)工作更精細(xì)。而自營(yíng)能夠投資的領(lǐng)域?qū)挘杂啥容^高，更具有創(chuàng)造性。

　　公募，一般都有一條標(biāo)準(zhǔn)的投研線，相對(duì)而言比較嚴(yán)謹(jǐn)，因面向社會(huì)大眾，監(jiān)管機(jī)構(gòu)對(duì)其監(jiān)管也更嚴(yán)格。其優(yōu)點(diǎn)是專注投研，投研能力能得到很好的鍛煉。但投資范圍有限，業(yè)務(wù)范圍較窄。

　　私募，相較于其他類型機(jī)構(gòu)，私募的形式更靈活，生命力也更強(qiáng)，在量化投資上是最為積極的。選擇私募基金重點(diǎn)在于股東和管理層是否穩(wěn)定可靠，以及投研實(shí)力。在選擇機(jī)構(gòu)時(shí)，可通過(guò)“川谷金融科技”等平臺(tái)提前了解。

　　經(jīng)過(guò)十余年的培養(yǎng)，量化投資理念逐漸為國(guó)內(nèi)投資者所接受，市場(chǎng)上也不缺乏敢于承擔(dān)風(fēng)險(xiǎn)的資金。同時(shí)，金融行業(yè)改革加速、效率提升，衍生品市場(chǎng)愈發(fā)積極和成熟。國(guó)內(nèi)量化投資將逐漸被普及，則量化人才的價(jià)值自然會(huì)隨之逐漸體現(xiàn)，其需求和薪酬都會(huì)呈現(xiàn)上升的趨勢(shì)。

量化金融分析師(簡(jiǎn)稱AQF ，Analyst of Quantitative Finance)由量化金融標(biāo)準(zhǔn)委員會(huì)(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領(lǐng)域的專業(yè)水平證書。 >>>點(diǎn)擊咨詢AQF證書含金量

　　

課程適合人群：

　　金融工程/數(shù)學(xué)專業(yè)背景的同學(xué)/工作人士，希望進(jìn)一步學(xué)習(xí)Python編程以及在量化投資的實(shí)戰(zhàn)應(yīng)用；

　　非金融工程專業(yè)背景的同學(xué)/工作人士，希望迅速成為寬客；

　　金融相關(guān)人員，希望學(xué)習(xí)如何系統(tǒng)的做量化策略；

　　個(gè)人投資者，希望系統(tǒng)學(xué)習(xí)掌握量化投資相關(guān)的實(shí)務(wù)技能，從模型開發(fā)，回測(cè)，策略改進(jìn)，搭建穩(wěn)定的量化交易系統(tǒng)。

　　二、量化金融分析師AQF核心課程體系：

　　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(shí)，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(yǔ)言編程基礎(chǔ)》

　　包含了Python環(huán)境搭建、基礎(chǔ)語(yǔ)法、變量類型、基本函數(shù)、基本語(yǔ)句、第三方庫(kù)、金融財(cái)務(wù)實(shí)例等內(nèi)容。旨在為金融財(cái)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(duì)交易模型、波動(dòng)擴(kuò)張模型、Alpha模型、機(jī)器學(xué)習(xí)(隨機(jī)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(jì)》

　　旨在學(xué)習(xí)量化交易系統(tǒng)的具體知識(shí)，包括過(guò)濾器，進(jìn)入信號(hào)，退出信號(hào)，倉(cāng)位管理等詳細(xì)內(nèi)容，并指導(dǎo)學(xué)員設(shè)計(jì)涵蓋個(gè)人交易哲學(xué)的量化交易系統(tǒng)。

　　5、《量化實(shí)盤交易》

　　旨在為解決實(shí)際量化交易策略搭建過(guò)程中的一些問題提供較優(yōu)解決方案。

　　

　　三、掌握Python及量化投資技能，我們能做什么?

1、熟悉中國(guó)主要金融市場(chǎng)及交易產(chǎn)品的交易機(jī)制；

2、熟知國(guó)內(nèi)外期貨交易、股市交易的異同點(diǎn)和內(nèi)在運(yùn)行機(jī)制；

3、掌握經(jīng)典量化交易策略細(xì)節(jié)及其背后的交易哲學(xué)；

4、掌握金融、編程和建模知識(shí)基礎(chǔ)，擁有量化交易實(shí)盤操作能力；

5、具備獨(dú)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(jì)的基本框架，以及風(fēng)險(xiǎn)管理和資產(chǎn)組合理論的實(shí)際運(yùn)用；

7、掌握從策略思想——策略編寫——策略實(shí)現(xiàn)餓完整量化投資決策過(guò)程；具備量化投資實(shí)戰(zhàn)交易能力。

AQF量化金融分析師實(shí)訓(xùn)項(xiàng)目學(xué)習(xí)大綱 >>>點(diǎn)擊咨詢AQF課程相關(guān)問題

　　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(shí)現(xiàn)和回測(cè)

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(shí)

3.動(dòng)量及反轉(zhuǎn)策略

4.基金結(jié)構(gòu)套利

5.行業(yè)輪動(dòng)與相對(duì)價(jià)值

6.市場(chǎng)中性和多因子

7.事件驅(qū)動(dòng)

8.CTA_1（TD模型）

9.統(tǒng)計(jì)套利_低風(fēng)險(xiǎn)套利

10.大數(shù)據(jù)和輿情分析

11.機(jī)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(diǎn)

　　1.1.3. 第三部分：Python編程知識(shí)

Python語(yǔ)言環(huán)境搭建	1.Python語(yǔ)言環(huán)境搭建
Python編程基礎(chǔ)	1.python數(shù)字運(yùn)算和Jupyter notebook介紹
	2.字符串
	3.Python運(yùn)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(dāng)中的重要函數(shù)
Python編程進(jìn)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(shí)戰(zhàn)	1.數(shù)據(jù)獲取_1.本地?cái)?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(chǔ)
	2.金融數(shù)據(jù)處理_1.同時(shí)獲取多只股票
	2.金融數(shù)據(jù)處理_2.金融計(jì)算
	2.金融數(shù)據(jù)處理_3.檢驗(yàn)分布和相關(guān)性
	3.金融時(shí)間序列分析_1.Python下的時(shí)間處理
	3.金融時(shí)間序列分析_2.Pandas時(shí)間格式
	3.金融時(shí)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(shí)戰(zhàn)案例_案例1
	4.金融數(shù)據(jù)處理分析實(shí)戰(zhàn)案例_案例2_多指標(biāo)條件選股分析_1
	4.金融數(shù)據(jù)處理分析實(shí)戰(zhàn)案例_案例2_多指標(biāo)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(dòng)量Momentum
	1.三大經(jīng)典策略_3.均值回歸
配對(duì)交易策略	2.配對(duì)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(shí)現(xiàn)
	3.量化投資與技術(shù)分析_3.布林帶策略的Python實(shí)現(xiàn)_1
	3.量化投資與技術(shù)分析_4.SMA和CCI雙指標(biāo)交易系統(tǒng)
	3.量化投資與技術(shù)分析_5.形態(tài)識(shí)別和移動(dòng)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(shì)跟蹤系統(tǒng)
量化投資與機(jī)器學(xué)習(xí)	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_2_邏輯回歸原理
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_3_SVM算法原理
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_4_決策樹算法原理
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_5_KNN算法原理
	6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)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(jī)器學(xué)習(xí)_1_機(jī)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(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_1_數(shù)據(jù)集生成原理
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_2_數(shù)據(jù)集可視化
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_3_邏輯回歸算法的python實(shí)現(xiàn)
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_4_DT_KNN_NB算法的python實(shí)現(xiàn)
	6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)_5_SVM算法的python實(shí)現(xiàn)
	6.量化投資與機(jī)器學(xué)習(xí)_3_機(jī)器學(xué)習(xí)算法實(shí)戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢(shì)預(yù)測(cè)

　　1.1.5. 第五部分：面向?qū)ο蠛蛯?shí)盤交易

1.模塊內(nèi)容整體介紹

2.面向?qū)ο蟆㈩?、?shí)例、屬性和方法

3.創(chuàng)建類、實(shí)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(shí)現(xiàn)

7.面向?qū)ο罄^承的實(shí)戰(zhàn)案例

8.多繼承和量化交易平臺(tái)的面向?qū)ο箝_發(fā)思路

9.用面向?qū)ο蠓椒▽?shí)現(xiàn)股債平衡策略

　　1.1.6. 第六部分 實(shí)盤模擬交易

基于優(yōu)礦平臺(tái)的面向?qū)ο蟛呗?/p>	1.優(yōu)礦平臺(tái)介紹
	2.優(yōu)礦平臺(tái)回測(cè)框架介紹
	3.優(yōu)礦框架之context對(duì)象、account和position對(duì)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(biāo)準(zhǔn)化
面向?qū)ο髮?shí)盤交易之Oanda	1.Oanda平臺(tái)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(jià)單和交易狀態(tài)查詢
	6.Oanda高級(jí)交易訂單
	7. Oanda其它高級(jí)功能
	8. Oanda實(shí)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(shí)時(shí)數(shù)據(jù)和實(shí)時(shí)交易
	9. Oanda通過(guò)實(shí)時(shí)數(shù)據(jù)API調(diào)取實(shí)時(shí)數(shù)據(jù)、resample
面向?qū)ο髮?shí)盤交易之IB	1.IB實(shí)戰(zhàn)平臺(tái)介紹及API安裝調(diào)試
	2.IB實(shí)戰(zhàn)平臺(tái)請(qǐng)求和響應(yīng)遠(yuǎn)離、線程控制
	3.IB響應(yīng)函數(shù)wrapper講解
	4.IB請(qǐng)求函數(shù)及合約定義
	5.IB程序化下單、倉(cāng)位及賬戶查詢
	6.IB三均線交易_金字塔倉(cāng)位下單控制模型實(shí)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(hào)、策略展示等全講解。

　　1.1.7. 第七部分：基于優(yōu)礦的進(jìn)階學(xué)習(xí)

1.1回測(cè)與策略框架

1.2評(píng)價(jià)指標(biāo)

1.3.1量化策略設(shè)計(jì)流程簡(jiǎn)介

1.3.2擇時(shí)策略舉例（雙均線）

1.3.3量化投資模板1.0選股和擇時(shí)

2.1基于技術(shù)分析的量化投資

2.2.1技術(shù)指標(biāo)簡(jiǎn)介

2.2.2 MACD擇時(shí)策略

2.2.3 WVAD擇時(shí)策略

2.2.4 RSI擇時(shí)策略

2.2.5 MFI擇時(shí)策略

2.2.6 CCI擇時(shí)策略

2.2.7技術(shù)指標(biāo)總結(jié)

2.3通道技術(shù)

3.1.1日期效應(yīng)

3.1.2動(dòng)量效應(yīng)

3.2.1格雷厄姆成長(zhǎng)投資

3.2.2積極投資策略

3.2.3價(jià)值投資策略

3.2.4小型價(jià)值股投資策略

3.3.1交易系統(tǒng)設(shè)計(jì)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)

　　

　　

金程推薦： AQF培訓(xùn) AQF培訓(xùn)機(jī)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(hào)：量化金融分析師

　　>>>返回首頁(yè)