imtoken钱包下载地址官方|quant

首页
quant

imtoken钱包下载地址官方|quant

作者： imtoken钱包下载地址官方

2024-03-07 20:47:15

到底啥是Quant? - 知乎

到底啥是Quant? - 知乎切换模式写文章登录/注册到底啥是Quant?neo lin硅谷码农哪家强？北望枫叶找蓝翔~上一篇我提到了一个名称： Quant，也是国内比较好奇或者说蛮神秘的一个职业，因为某种程度上，这个位置只是金融行业内部人员才回接触到，非从业人员一般都是道听途说。Quant，其实是Quantative Finance 的简写，工作内容为设计并建立数学模型，为相关的金融行为，如衍生物定价，风险估价或预测市场行为等提供数学理论基础。所以Quant一般需要数学（统计学），物理（流体计算）或者计算机（复杂运算）等相关知识，而不像其它岗位上需要的商科或者文科内容，这个和大家一般理解上的金融有很明显的区别。先说需要的学历PhD，博士，一般来说是Quant的基本门槛。有一个金融数学的硕士学位会让可以参与银行风险或交易支持岗位，但一般不会成为Quant。银行业对数学知识对依赖程度是越来约重了，因为这些知识在银行的很多领域都能应用起来。那么一般有哪几种Quant职位呢？Desk Quant 开发交易使用的价格模型。来钱，压力大，职位少Model validation 确定desk Quant开发的模型的正确性。钱少，压力没那么高，职位少Research Quant 尝试发明新的价格公式和模型。有趣，没钱，没地位，偏门得一逼。Quant developer 码农，收入一般，职位多，建基建，踩坑擦屁股。Statistical arbitrage Quant 量化套利，很多人对量化交易的所谓理解其实是从这里来的。因为这里才是通过分析数据寻找自动交易的套利空间，其实盈利风险巨大，不是你写个自动脚本就来钱...Capital Quant 建立银行的信用和资本模型。算是风险相关的岗位，因为主要应对各个国家对银行头寸的监管需求。稳定，钱少，压力少，职位算是因政策而生。一般收入现价： 30 到 35 万美金需要运用Quant的金融产品FX/Forex 外汇交易Equities 股票和指数Fixed Income Derivatives 债券类金融产的衍生品Credit Derivatives 债务衍生产品 Commodities 大宗货物（及其衍生品）（更复杂的暂时不列举了，这里还是引导阅读为主）Quant一般在哪些公司工作商业银行投行对冲基金会计公司软件公司（外包）入门的书?Hull – Options future and other derivatives. Baxter and Rennie Wilmott (Derivatives) The concepts and practice of mathematical finance C++ design patterns and derivatives pricing （码农们，划重点） Williams, Probability with martingales. Rogers and Williams, particularly Volume Chung and Williams.My Life as a Quant: Reflections on Physics and Finance另，C++开源库 Quantlib 是码农们自己可以作为理论实践消化的入门砖QuantLib, a free/open-source library for quantitative finance实际应用中最多的工具是 Matlab, SPSS, SAS, VBA, Excel（下次我们不说Quant，开始聊聊纯码农可以做些啥）发布于 2019-05-10 21:44金融市场赞同 991 条评论分享喜欢收藏申请

Quant 这个职业在国内的前景怎样？ - 知乎

Quant 这个职业在国内的前景怎样？ - 知乎首页知乎知学堂发现等你来答切换模式登录/注册宽客 (Quant)Quant 这个职业在国内的前景怎样？目前国内好像没有这个职业，主要都在香港，但随着国内金融业发展，quant是否会逐步兴起呢？显示全部关注者4,357被浏览797,331关注问题写回答邀请回答好问题 27添加评论分享39 个回答默认排序袁浩瀚金融等 2 个话题下的优秀答主关注谢邀。我曾在国内一家主要的投行的Quant组工作过一段时间，我结合我自己的经历和同朋友交流的见闻谈一谈看法。简单而言：目前Quant在国内状况一般，但是长期肯定是有很大的发展的。国内其实是有这个职业的，每年都会有一个国内证券公司的数量分析组排名，2010年我记得国信证券是第一名。然后卖方JP Morgan在北京是有Quant组的，Citi在上海也有Quant组。另外中金、中信也有对应的Quant部门。在香港的话就更多了，Credit Suisse，Morgan Stanley，JP Morgan，Nomura我都是确定有Quant组的，而且规模不算小。高盛目前还没在亚洲提供Quant职务。买方也有很多Quant职务，比如富国基金的Beta类基金很多都是Quant设计的；上投摩根也是明确招Quant的。在国内一般Quant做什么内容呢，如果广义上来讲，一部分Quant是在做Risk Management，随着投行风险控制与国际接轨，这部分对于Quant人才的需求是比较大的，因为交易数量级越来越大，风险估计精度要求越来越高，传统的Risk人才已经不能满足需求了。这部分人员pay和待遇算Middle Office水平把，一般。另外一部分，所谓传统意义上的Quant，我个人的感受是，在卖方投行里面，大部分在做建模（Factor Model之类），结构产品定价（Structure Product）以及宏观模型（Macro Economics）。极少一部分中国的卖方Quant在做市场微结构（Market Micro Structure），高频交易（High Frequency Trading）和统计套利（Stats Arbitrage）。后面三种工作，大量出现在香港工作的Quant身上，或者买方Quant。总体而言，外资的Quant待遇比内资好（视具体情况不绝对），香港的Quant过得比内地好。内资里面，Quant的待遇介于Middle Office和Front Office之间，很多人想跳去做Equity Research或者Sales & Trading，安分干Quant的不多。新人年薪能够到30万算很不错的了。外资香港的Quant与国际接轨，Global Pay，入职差不多50-70万港币是可以期待的。外资的内地Quant很难说，我只知道JP Morgan北京Office的Pay不如香港，其它的因为人不多，很难给出靠谱的估计。买方的待遇差异非常大，看雇主，也看资历，总体内地买方Pay不算高，一个年近30的PhD去了Pay 50万这种情况也算很正常的。工作的感觉是国内的Quant小日子还是挺舒服的，比美国这边的Front Desk Quant轻松很多，偏研究性质，毕竟直接做Strategy去交易赚钱的不多。压力也不算大，经常一个project你玩命拖没人管你。而且绩效管理混乱，不如IBD，Equity Research或者Sales & Trading那么好衡量。哎，一个业务，凡是涉及短期（获利）和长期（研究）的冲突，就很难做绩效考核了。其实国内的Quant现在算朝阳产业，现在说真的，不算一个特别风光的职业。有人说华尔街的Quant是街上的摇滚巨星，中国连娱乐圈的摇滚巨星都不多，遑论金融圈。。。。其实这都是有原因的，根本还是中国的市场在高频交易、对冲、市场开放度等方面跟国外差距甚大，很多Quant的传统领域或现在的前沿领域无法应用，大量的公司储备Quant其实是在储备研究结果，现在无法发挥威力。很多数量交易在中国的问题我在这个回答里面：http://www.zhihu.com/question/20183706/answer/14447938有讨论。你可以参考。长期，如果市场健全了，我个人觉得Quant在国内有很大的发展。首先可以做的东西很多，国外过去30年的成果基本可以照搬来试验效果，其次国内的市场属于高度不有效市场，套利机会非常多，Quant可以在天朝的热土赢来黄金时代。最重要的是，在一个市场由散户主导向机构主导转变的过程中，数量化策略及数量化风险控制的兴起是必然趋势。冯仑在《野蛮生长》里面写，要在国内找商业机会，就看看美国50年前流行什么就行了。这句话很对，你看看华尔街30年前在搞什么，很可能就是国内市场未来几年的热点。美国也经历不靠谱的庞兹骗局横行时代，经历了庄家风行，经历了投机者英雄主义时代，最终发展到今天。我个人相信，1980-2007的这段Quant黄金时代也会在中国重现。编辑于 2012-08-30 19:40赞同 140784 条评论分享收藏喜欢收起知乎用户大多数人说的quant是为卖方，而非对冲基金服务的。quant基本上分三类，卖方quant，买方quant，risk quant。卖方quant是随着固定收益的火爆而诞生的。上世纪60年代开始，传统用于规避风险的债券被开发出很多衍生品种，而由于人们传统观念总认为债券风险低，投资银行发明出MBS,ABS,CDS,CDO等工具，以及各种exotic衍生品，包装成帝风险的样子，推向市场。因为IB是靠spread和commission赚钱，所以开发越多产品、吸引越多人进入OTC市场，就对他们越有利。随着2007年金融危机，人们对华尔街的信任今非昔比，这类quant现在的就业前景很糟糕。而国内由于对西方技术的盲目迷信，以及债券市场的监管不力，可能在今后一段时间会比较推崇quant。Risk Quant属于quant中的屌丝，钱少，活简单。俗称的后台quant。买方quant是统称prop desk quant和其他的CTA quant/ hedge fund quant，这种人一般是quantitative developer，强调的是编程。这个一般需要强大的编程功底，跟读多少书没什么关系。比如说一个模块，你写的需要运行10个毫秒，别人写的只需要运行1个毫秒，那你的code就一文不值。在这里，算法和强大的编程知识异常重要。而因为CS一般已经不强调C,C++,汇编等低级语言，这类人的收入也是洛阳纸贵。需要强调的是，复杂的模型往往不实用。中国是个强调理论轻实践的国家，推崇读书人。但实际操作中往往是复杂的模型不如简单的，非线性的模型不如线性的。Citadel和Goldman Saches都拥有比足球场还大的数据中心，数据的准确性比起模型的复杂性更为重要。发布于 2013-04-26 02:54赞同 14415 条评论分享收藏喜欢

Quant 4.0：你的量化研究处于哪个时代？ - 知乎

Quant 4.0：你的量化研究处于哪个时代？ - 知乎首发于【量化投资与机器学习】微信公众号切换模式写文章登录/注册Quant 4.0：你的量化研究处于哪个时代？Quant最爱全媒体运营资格证持证人作者：Jian Guo、Saizhuo Wang、Lionel M. Ni、Heung-Yeung Shum解读：QIML（量化投资与机器学习公众号）编辑部在IDEA最新研究报告中首次提出了Quant 4.0的研究流程，在深度学习不断融入量化研究的时代，非常值得处于量化行业的我们仔细研读。今天，公众号将与大家一起分享研究报告中量化研究过程的演进。欢迎留言讨论 - 你们公司的量化研究处在哪个时代？Quant 1.0出现在量化投资的早期，但它仍然是当前最流行的量化研究模式。Quant 1.0的特点包括：1、规模小而精的团队。通常由经验丰富的投资组合经理领导，由少数具有强大数学、物理或计算机科学背景的研究人员和交易员组成；2、应用数学和统计工具来分析金融市场，发现错误定价的资产进行交易；3、交易信号和交易策略通常是简单、可理解和可解释的，以减少建模中样本内过拟合的风险。这种操作模式在量化交易中效率较高，但在管理上稳健性较低。特别是，一个Quant 1.0团队的成功过于依赖于特定的研究人员或交易员，这样的团队可能会随着人才的离开而迅速衰落甚至破产。此外，如此小的“策略研讨会”限制了量化股票Alpha策略等复杂投资策略的研究效率，这些策略依赖于多样化的金融数据类型、极其庞大的数据量和超大型深度学习模型等复杂建模技术。Quant 2.0将量化的研究模式从小型的天才工坊转变为工业化、标准化的阿尔法工厂。在该模式中，数百甚至数千名投资研究人员使用标准化的评估标准、标准化的回测流程和标准化的参数配置，在同一条流水线上工作，从大量的数据中挖掘有效的Alpha因子。这些Alpha挖掘研究者通过提交合格的Alpha因子而获得奖励，这些因子通常具有高回测收益率，高夏普比率，合理的换手率以及与Alpha数据库中现有因子的低相关性。尽管越来越复杂的机器学习因子也被挖掘出来，传统上，每个Alpha因子都是一个数学表达式，表征股票的某种模式，或股票之间的某种关系。典型的因子包括动量因子、均值回归因子、事件驱动因子、量价分布因子、成长因子等。由Alpha研究者提交的许多Alpha因子被组合到投资组合经理的统计模型或机器学习模型中，在适当的风险中和后确定最优的权重。然而，大规模的团队工作造成了巨大的人力资源成本，并且随着团队规模的不断扩大，这种情况变得越来越严重。具体而言，我们可以预期发现的有效阿尔法的数量与团队规模近似呈线性趋势，但投资组合收益的增长明显低于阿尔法数量和团队规模的扩张，这导致利润率越来越小。造成这一现象的原因是策略的市场容量的有限性、发现新的有效阿尔法算法的难度越来越大，甚至是人工智能在策略空间中搜索所有可能性的局限性。Quant 3.0深度学习技术在计算机视觉和自然语言处理等许多领域取得了成功，随着深度学习技术的迅猛发展，Quant 3.0应运而生。与Quant 2.0将更多的研究精力和人力投入到挖掘复杂的Alpha因子上不同，Quant 3.0更注重深度学习建模。在使用相对简单的因子下，深度学习仍然有潜力通过其强大的端到端学习能力和灵活的模型拟合能力，学习出一个表现与Quant2.0一样好的预测模型。在Quant 3.0中，Alpha挖掘的人力成本至少部分被算力成本所取代，特别是对于昂贵的GPU服务器。但总的来说，从长远来看，这是一种更有效的量化研究方式。尽管Quant 3.0在高频股票和期货交易等策略场景中已经证明了它的成功，但它有三个主要局限性：1、一般来说，构建一个好用的深度学习模型是非常耗时的。这其中包括繁重的网络架构设计和模型超参数调优工作，以及非常耗时耗力的交易端模型部署和维护工作。2、解释一个深度学习模型是一个挑战，这对于那些非常关心金融市场机制并希望知道盈亏来源的投资者和研究人员来说非常不友好。3、深度学习需要大量的数据，因此于该模式只适用于高频交易或至少具有大广度的中等频率的横截面alpha策略。这种现象阻碍了深度学习技术在低频率投资场景中的应用，如价值投资、基本面CTA和全球宏观策略。Quant 4.0新一代量化技术“Quant 4.0”融合了最先进的自动化AI、可解释AI、知识驱动AI，正在践行“端到端全流程AI”和“AI creates AI”的理念，勾勒量化行业的新前景。1、自动化AI：旨在为量化研究和交易构建端到端的自动化，以大幅降低量化研究的劳动力和时间成本，包括数据预处理、特征工程、模型构建和模型部署，并大幅提高研发的效率和可持续性。特别是，我们引入了最先进的自动化技术，使整个策略开发流程中的每个模块自动化。因此，我们提出将传统的手工建模转变为“算法生成算法，模型生成模型”的自动化建模工作流程，最终走向“AI创造AI”的技术理念。除了AI自动化，另一个重要的任务是使AI更加透明，这对投资风险管理至关重要。2、可解释AI：通常缩写为XAI，试图打开封装深度学习模型的黑匣子。纯粹的黑盒模型对于量化研究是不安全的，因为人们不能准确地校准风险。例如，在黑箱模型下，很难知道收益来自哪里，是否依赖于某种市场风格，以及特定下跌的原因是什么。越来越多的XAI领域的新技术可以应用于量化分析，以提高机器学习建模的透明度，因此我们建议量化研究人员更多地关注XAI。我们必须注意到，提高模型的可解释性是有代价的。下图显示了一个不可能三角:通用性、准确性和可解释性。假设我们在模型中提供更多的先验知识或领域经验，这相当于减少了通用性，以同时保护准确性和可解释性的性能。3、知识驱动型AI：不同于数据驱动型AI，数据驱动型AI严重依赖于大量数据样本，因此适用于高频交易或股票横截面交易等大广度的投资策略。知识驱动的AI是对数据驱动的AI技术（如深度学习）的重要补充。本文引入知识图，用实体和关系组成的网络结构表示知识，用语义三元组存储知识。利用符号推理和神经推理技术，可以分析和推断金融行为和事件的知识图谱，以便进行投资决策。这意味着潜在的应用于那些交易频率低，但在收集和分析的基本信息集中的投资场景，包括价值投资和全球宏观投资。自动化AI：什么需要自动化？怎么进行自动化？▌传统的量化研究流程下图蓝色部分为传统量化研究的流程，其中包括数据预处理、因子挖掘、建模、组合优化、执行及风险分析。1、数据预处理数据预处理通常是量化研究的第一步。原始数据可能存在许多问题。最常见的就是数据缺失的问题。虽然传统的方法可以用来估计和填补缺失的记录，但我们必须避免在输入过程中使用未来的信息。其次，金融数据包含极端值和异常值，这些异常值可能来自错误记录、数据存储问题、数据传输问题或极端市场，这些异常值可能导致投资决策中的风险偏差。异常值可以通过数据winsorization方法消除，该方法将极值限制在一定的每百分位数范围内，但我们必须注意到，一些异常值实际上是量化交易的强烈信号，而不是噪声，并且必须在数据预处理期间将两者区分开来。第三，许多金融数据，如新闻事件数据，数据覆盖率低，更新频率不规律。第四，不同的数据特征在取值范围上有很大的差异，因此在建模中一些“大”的特征可能会支配“小”的特征。因此，采用数据标准化方法对特征范围进行规范化。为了减少信息的丢失，我们必须注意标准化数据的方法。2、因子挖掘因子挖掘是特征工程的一项任务，它使用金融和经济领域的知识从原始数据中设计、搜索或提取因子。通常，一个较大的因子值表示一个更重要的交易信号。因子挖掘的动机是从原始数据中发现市场预测的信号，提高下游建模任务的质量。传统上，因子可以用公式或基于规则的表达式来表示。传统上，因子挖掘是一项劳动密集型的工作。大多数量化研究人员一年只能发现有限数量的“好”因子。不同的金融机构对“好”因子的定义或标准不同，但大多数都考虑几个共同的方面，如收益率、夏普比率、最大回撤率、换手率以及与其他因子的相关性，而且有些机构要求这些因子必须具有经济学意义、可理解和可解释。3、建模建模是指使用因子构建统计或机器学习模型并预测市场趋势、资产价格变动、最佳交易时间或最有/最没有价值的资产的任务。模型的选择必须考虑许多因素，如预测精度、模型可解释性、模型鲁棒性和计算复杂性，并根据最终目标找到最佳方案。特别是，我们必须注意到，大多数统计或机器学习模型并不是专门为金融时间序列开发的，我们必须调整这些模型在量化建模中的应用。首先，金融时间序列预测必须避免使用未来信息，因此我们更倾向于前向验证（随着时间的推移将时间序列分成训练、验证和测试块），而不是模型超参数优化中的交叉验证。其次，金融时间序列通常是非平稳的，与许多机器学习模型所要求的独立和同分布(i.i.d)假设相去甚远。因此，需要进行数据转换，使数据分布更接近i.i.d.，如果可能的话，看起来更像正态分布。第三，市场风格随时间变化，导致金融时间序列分布的变化。因此，为了使模型适应市场风格的变化，定期对模型进行再训练是必要的。4、组合优化组合优化的目的是寻找最优的资产配置，获得更高收益和更低风险。预测模型告诉我们买什么或什么时候买/卖，而投资组合优化则指定买/卖多少。一个典型的投资组合优化器试图解决一个约束凸二次规划问题，该问题是由马科维茨的有效前沿理论扩展而来的。该优化问题的关键是如何估计波动率矩阵，当历史数据不够长时，波动矩阵的估计通常是不稳定的，在这种情况下，正则化和因子化等降维技巧有助于提高估计的鲁棒性。5、订单执行订单执行是一项以最优价格和最小市场影响买卖订单的任务。通常一次买入（或卖出）一大笔订单会将目标资产的价格推向不利的方向（市场受到这一大笔订单的影响），从而增加交易成本。一个广泛使用的解决方案是订单分割，将一个大订单分成许多小订单，以减少市场影响。从最简单的时间加权平均价格（TWAP）和成交量加权平均价格（VWAP）到复杂的强化学习方法，算法交易提供了一系列的数学工具来分割订单，其中最优订单流被建模为一个（部分可观察的）马尔可夫决策过程。6、风险分析风险分析是量化研究和量化交易不可缺少的一项任务。为了更好地控制量化研究和交易中不必要的和有害的风险，我们必须发现和理解每一个可能的风险暴露。在监控模块中，风险被实时测量，以帮助量化研究人员改进他们的策略。股票交易中最流行的风险模型是BARRA模型，该模型将投资组合的波动性分解为多个预定义风险因子的敞口，包括风格因子（规模、成长性、流动性等）和行业因子。然而，BARRA模型只能解释总波动率的30%左右，其余70%的风险仍然未知。▌自动化的AI量化研究流程Quant 4.0的自动化量化研究流程如上图（橙色部分）所示。在本节的以下部分中，我们将集中讨论自动化流程中的三个核心模块：自动化因子挖掘应用自动化特征工程技术来搜索和评估由元因素产生的重要金融因素。我们将介绍流行的搜索算法，并演示如何设计算法工作流程。量化研究中的特征工程是指从原始数据中提取因子的过程，由于其固有的噪声，很难对其进行有效的模式识别。传统上，具有显著“Alpha”的因子是由量化研究人员人工探索和开发的，他们依赖于专业领域的专业知识和对金融市场的全面了解。虽然一些金融机构开始使用随机搜索或通用编程算法，但这些技术主要用作小型辅助工具，以帮助提高量化研究人员的生产力。在Quant4.0中，我们提出将特征工程作为一个搜索问题，并利用相应的算法生成具有令人满意的大规模回测性能的因子，从而实现因子挖掘过程的自动化。特别是，根据它们的表达形式，我们将因子分类为：符号因子，它们是符号方程或符号规则符号因子挖掘可以看作是符号回归的一个特例。传统的符号回归算法通常从给定的操作数和运算符中生成大量的符号表达式，并选择使预定目标函数最大化的符号表达式。下图为一个自动符号因子挖掘的框架，它由四个核心部分组成：操作数空间、运算符空间、搜索算法和评估准则。1、操作数空间操作空间定义了哪些元因子可以用于因子挖掘。元因子是因子构建的基本组成部分。典型的元因子包括基本的价格和成交量信息、行业分类、从限价/订单中提取的基本特征、常见的技术指标、分析师的基本统计数据、财务报告中的重要信号、上市公司的公告和其他研究报告、投资者情绪的情绪信号。2、算子空间算子空间定义了哪些算子可以在因子挖掘过程中使用。例如，在横截面选股中，操作者可分为构建符号因子的主算子和标准化不同交易环境下因子的后处理算子。主算子可进一步分类为元素级算子（element-wise operator），如()和log()；时间序列运算符，如ts_rank()和ts_mean()，分别计算每只股票的排名顺序和平均值；横截面运算符，如rank()和quantile()，在特定交易时间沿横截面计算排名和分位数；分组运算符，如group_rank()，分别计算每组（例如，行业或部门）的排名顺序。后处理操作符用于“微调”生成的因子。典型的后处理算子有标准化算子，如用于异常值处理的winsorization算子和用于统一数据量纲的归一化算子，以及用于风险中性化的算子，用于限制选股范围的分组算子，以及用于控制换手率以降低交易成本的衰减算子。3、搜索算法搜索算法的目的是尽可能高效地搜索和发现有效或合格的因子。生成新因子的一种简单方法是蒙特卡罗(MC)算法，该算法在操作数和操作符空间中随机选取元素，递归地生成符号表达式树。不幸的是，搜索时间可能会随着生成公式的长度和复杂性呈指数增长，并迫使我们考虑更有效的替代方案。第一种选择是马尔可夫链蒙特卡罗（Markov-chain Monte Carlo, MCMC）算法，该算法从后验分布中以重要方式生成采样因子，因此比MC效率更高。第二种选择是遗传规划，它是一种特殊的用于采样和优化树型数据的进化算法。第三种选择是基于梯度的方法，如神经网络，它用连续的非线性函数近似离散的符号公式，沿着梯度方向搜索，比随机搜索效率高得多。4、评估标准评估标准衡量的是因子的质量。利用回测对所生成因子进行了评价。典型的评价标准包括信息系数(IC)、基于信息系数的信息比率(ICIR)、年化收益率、最大回收量、夏普比率和换手率。此外，通过过滤掉与其他因子高度相关的冗余因素，保持因子之间信息的多样性是非常重要的。由神经网络表示的机器学习因子符号因子具有简单易懂的优点，在实践中得到了广泛的应用。然而，它们的表示能力受到操作数和操作符的限制。另一方面，机器学习因子在表示上更灵活，以适应更复杂的非线性关系，因此它们有可能在市场预测中表现得更好。特别是，挖掘机器学习因子是一个拟合神经网络的过程，其中梯度为快速搜索解决方案提供了最佳方向。机器学习因子也有一些局限性。首先，由于机器学习的黑箱性质，它们通常很难解释和理解。其次，神经网络的梯度搜索可能会卡在局部最优点，导致模型不稳定问题。最后，神经网络由于其灵活性可能会遭受更严重的过拟合，并且由于数据具有极大的噪声，这种情况在量化中会变得更糟。▌自动化建模在本文中，我们关注最先进的深度学习自动化问题，将AutoML技术应用于发现最优深度学习模型，自动选择最合适的模型和最优模型结构，并调整最佳超参数。由于建模中的端到端特性和网络架构问题，该问题更加复杂。深度学习模型的配置包括架构、超参数和目标三部分，它们共同决定了模型的最终性能。传统上，这些配置是手动调优的。在Quant4.0中，它们使用各种AutoML算法进行搜索和优化。一个标准的AutoML系统需要回答以下三个问题：搜索什么（即搜索空间），如何搜索（即搜索算法），以及为什么要搜索（即性能评估）。搜索空间1、网络结构。例如，多层感知器的结构由隐藏层的数量和每层神经元的数量来决定。卷积神经网络的结构需要考虑更多的配置，如卷积核的数目、卷积核的步长等。像Transformer这样的大型模型的体系结构是由许多预定义的块（例如自关注块、残差块）链接在一起组成的。如上所述，体系结构是复杂的，并且可能具有不同规模的层次结构。因此,搜索空间可以在不同的粒度上定义，范围从低级运算符（如卷积和注意力）到高级模块（如LSTM单元）。早期的搜索算法在最细的粒度上运行，并优化神经网络的低级结构。这种搜索过程在网络结构上具有灵活性，但在整合先验知识和抽象方面效率低下。一种解决方案是在网络体系结构中采用分层结构。具体来说，在高层次上，网络被设计成一个单元图，每个单元都是一个子网。为了降低计算成本，许多单元在较低的水平上共享相同的内部结构。2、超参数控制整个训练过程。例如，学习率决定了向损失函数的最小值移动的步长。学习率越小，求解越准确，但收敛速度越慢。批大小决定了梯度估计中每批涉及的样本数量，也影响着训练的效率和稳定性。超参数的搜索空间比架构的搜索空间更简单，因为大多数超参数是连续的（例如，学习率）或近似连续的值（例如，批大小）。3、损失函数。是机器学习模型的关键组成部分，因为它提供了一个模型应该训练的目标。除了均方损失和交叉熵损失等经典损失函数外，还可以选择专门为量化任务设计的新损失函数。例如，可以在搜索空间中考虑不同持有时间窗口的价格上涨/下跌或未来回报。搜索算法给定搜索空间，我们可以使用搜索算法来找到最佳的模型配置。表2列出了各种类型的搜索算法及其相应的任务：网络架构搜索(NAS)、超参数优化(HPO)[83]和训练目标选择(TOS)。一键式部署构建一个自动化的工作流程，在计算能力有限的交易服务器上部署训练有素的大型模型。它自动执行模型压缩、任务调度和模型并行化，为繁琐的“脏”工作节省了大量的人力和时间。模型部署是将开发好的模型从线下研究转移到线上交易的任务。它不仅仅是简单的代码和数据的传递，还包括数据和因子依赖的同步，交易服务器和系统的适配，模型推理的调试，计算延迟的测试等。模型部署中的一个重要问题：如何加速高频交易和算法交易场景下的深度学习推理。我们提出了一种自动化的一键部署解决方案，利用模型编译和模型压缩等技术来实现推理加速。前者在不改变模型本身的情况下使推理更快，后者寻求更小、更轻的替代模型来节省推理时间。---Quant 4.0这是一个新的时代这是一个可以超越的时代关于AI可解释及知识驱动型AI在量化研究的内容，我们下篇再分享，敬请期待~欢迎留言讨论 - 你们公司的量化研究处在哪个时代？发布于 2023-06-14 00:10・IP 属地上海宽客 (Quant)量化交易金融赞同 271 条评论分享喜欢收藏申请转载文章被以下专栏收录【量化投资与机器学习】微信公众号全网Quant都

JoinQuant聚宽量化投研平台

量化投研, 从聚宽开始

我们提供免费的量化数据、投研工具、量化学习体系、在线交流社区

立即注册

策略精选

策略收益

基准收益

年化收益

最大回撤

初始资金

￥

策略商城优质策略

查看详情

人已获取源码

获取源码

从零开始的量化学习之路

只有持续学习才能不断进取，最终攀登量化投资高峰，通过模型赢得属于自己的胜利。聚宽量化课堂为你准备了从基础知识到投资策略模型的完整解读，我们准备了超过100节课程，无论你是交易者、还是金融从业者、还是IT开发者，在量化课堂，都可以提升开发实力，启迪策略思路

进入量化课堂

社区精选

支持向量机模型(SVM)在多因子选股模型领域的应用

研究目的：本文参考华泰研报《人工智能选股之支持向量机模型》，对研报里面的结果进行了分析，并研究了支持向量机模型（SVM）在多因子选股模型领域的应用，实现股票因子与收益之间非线性模型的建立，通过对模型进行多维度分析实现模型评价

查看文章

为什么程序员做投资其实很有优势

在近几年与行业内优秀的量化交易者接触后，发现他们来自各个领域，带有不同且有趣的学习和从业经历，其中部分人之前从事的IT开发工作让他们更适合量化投资这条道路，他们多拥有深厚的工科背景，在业绩方面比传统金融人更胜一筹

查看文章

连续上涨三天的股票持续上涨的概率是多少

你在交易的过程中是否有过类似这样的疑问？

比如，一个已经连续涨三天股票，之后是涨的概率大呢?还是跌的概率大？

指数大跌时，第二天多大概率会反弹？

相信每一个交易者都有灵感迸发的时刻，都有类似这样的或更复杂的疑问或猜想在脑海涌现，可是你真的探究过它们吗？你的答案是有数据支撑的吗？

查看文章

量化择业：公募vs券商vs私募

金融类专业毕业生这三五年逐渐增加，虽然这个领域已经越来越拥挤，大家依然在努力获得一份薪资较高且有上升空间的工作。但是金融行业依然有很多不确定性，特别是直接接触二级市场的量化投资方向，今天通过我对行业内各种工作的认知谈一些感悟，希望能够帮助到正在面临择业的同学们

查看文章

一篇帖子，带你搞懂量化投资

这是一个面向零编程基础的量化交易新手入门教程，力求让高中生知识水平的人都能学会量化交易最基本的知识，快速迈过第一道门槛，从而具备进一步自主深入学习的能力。

特点：简易精炼，快速入门。尽量只讲最核心最常用的知识，助你快速摆脱想学习量化却处处陌生不知所措的茫然的新手阶段

查看文章

聚宽买鹏：量化模型让我戒了游戏

我叫买鹏，现在是聚宽华东地区的负责人。

但更早之前，我跟大家一样也是一个业余股民。我从2007年开始炒股，算是完整经历了两拨牛熊。炒股算是门槛最低的投资方式，但要挣到钱非常不容易。在2016年之前我一直处在茫然的状态，完全凭着感觉做交易。我统计了那些年的整体收益后发现还是亏的，跟投入的精力完全不成比例

查看文章

策略研究平台

我们提供经过专业清洗的A股数据、期货数据、期权数据、基金数据、宏观数据，还提供数百个常用因子和第三方数据库；您可以方便地使用聚宽进行策略研究、历史回测、模拟交易、实盘交易

立即体验

JoinQuant金融终端

系统服务完全本地化，策略运行及结果全部在个人电脑上，研究成果绝对保密；行情数据自动缓存、第三方数据源轻松接入，策略研究便捷快速；Python扩展库自由安装；使用完全免费；

了解更多

JQData

只需输入三行代码，即可调用由聚宽数据团队专业生产的全套量化金融数据，让你轻松告别平台限制，灵活安全地完成本地化的量化研究与投资决策

了解更多

4500+金融机构在使用聚宽

关于

关于我们

联系我们

加入我们

数据

指数数据

基金数据

国泰安数据

股票财务数据

金融期货数据

行业概念数据

帮助

常见问题

API文档

Python教程

共享函数库

Python 2 to 3

友情链接

果仁网

关注我们

知乎专栏

雪球

微信公众号

@2024 @joinquant.com | 京ICP备17068639号-5 | 增值电信业务经营许可证：京B2-20212305

关于

关于我们

加入我们

联系我们

数据

指数数据

基金数据

国泰安数据

股票财务数据

金融期货数据

行业概念数据

帮助

常见问题

API文档

Python教程

@2024 @joinquant.com | 京ICP备17068639号-5 | 增值电信业务经营许可证：京B2-20212305

Quant深度解读，一个适合统计和计算机学生的金融职业——北美留学生向 - 知乎

Quant深度解读，一个适合统计和计算机学生的金融职业——北美留学生向 - 知乎首发于统计和DS详解（留学向）切换模式写文章登录/注册Quant深度解读，一个适合统计和计算机学生的金融职业——北美留学生向Bruce篮球&留学之前在介绍Data Science就业的时候，提到了Data Scientist和Quant两类职位，如下：这次，我们更具体的来聊一聊Quant——利用数学、统计、计算机编程和金融知识来解决金融（实践）中的问题，从事量化金融工作的人。严格意义上对口的研究生项目有：Quantitative Finance, Financial Mathematics, Financial Engineering, Mathematical Finance, Computational Finance。为什么会有这些名字呢，主要是每个大学会突出自己的优势。比如说，CMU的Computational Finance突出了计算机的实力，NYU由于倚靠于著名的Courant数学研究所，其项目名则是Mathematical Finance。不管叫什么，核心还是量化金融。因此，以量化技术为核心的理工科毕业生也成为Quant大军的重要组成部分。从职业内容的角度来划分，Quant可以分为两种：1. 传统的Quant，主要做的是金融衍生品（远期、期货、期权）的定价，更基于方法论。主要用的两种数学方法是Probability Theory和Partial Differential Equations，比如其中的 Martingale method，Elliptic partial differential equation，Black-Scholes formula等。2. 现代的Quant，是基于大数据来解决金融问题。比如在股票交易中，可以把股票价格数据精确到每分钟、每秒钟甚至百万分之一秒钟，其数据量是非常庞大的，因此需要借助大数据的技术来分析和解决问题。再比如Quantitative Trading里的Optimal Execution, Risk Management里的Market Risk 和Credit Risk，都需要应用基于大数据的量化方法。从行业角度来划分，至少有以下5种：1. Hedge Fund（buy side）,即对冲基金代表公司：Citadel，DE Shaw，Jump Trading，Two Sigma，Hutchin Hill特点：利用自有资金进行投资和交易，利润来自于投资、交易利润业务（举例）：high-frequency trading(HFT): micro-second level 中长期投资，portfolio management：monthly／quarterly／yearly level技术要求：forecasting，optimization（optimal execution），automation收入：$150,000+bonus（有的可以拿到2-3倍）背景要求：名校理工类博士（math，statistics，physics，CS），IMO／IPO金牌，金融工程硕士，对于数学、统计、编程都要精通。2. Investment Bank，即投行代表公司：Goldman Sachs, Morgan Stanley, Citi, JP Morgan, Barclays, UBS, Merrill Lynch特点：帮助客户进行交易，利润来自于佣金（自营部门除外）业务（举例）：High-frequency trading(FHT):optimal execution(比如切割股票) Equity／derivatives trading support（front desk） Risk management (middle-back desk): market risk, credit risk等等技术要求：forecasting，derivatives／option pricing，interpretation（出色的表达能力）收入：$125000+bonus背景要求：名校理工类博士（math，statistics，physics，CS, EE）；金融工程硕士（NYU，Columbia，Berkeley，Baruch，MIT等）；数学，统计，编程，需要有一种比较强，其他达到要求即可劣势：投行的工作很辛苦。比如做利率衍生品交易或外汇交易，全球24小时市场联动，所以就得早起晚归，比如早上6:30到公司，晚上8:00下班，可以说是“拿命赚钱”。并且压力大，裁员也是容易出现的。3. Commercial Bank，即商业银行代表公司：四大行，交通银行，美银，花旗银行，摩根，富国银行（Wells Fargo），以及Citi，JP Morgan Chase等的商业银行部门特点：对商业银行而言，存贷利差是最大的收入来源业务：risk management（如credit risk）技术要求：logistic regression，Poisson regression, Hidden Markov models(HMM), Factor analysis (PCA, ICA), Interpretation收入：11-13万美元左右背景要求：博士（math，statistics，physics，CS, EE, Econ）,以及相关专业硕士优势：风险小，工作轻松，基本不裁员4. 咨询公司：贝恩、麦肯锡、四大的咨询部门;代表公司：Bain，McKinsey，以及PWC，KPMG，Deloitte，EY的咨询部门等业务（举例）：服务客户，project-based：在纽约，经常会被派驻于各大投行技术要求：小于等于投行quant的业务素质，但是对于problem formulation 和interpretation（英文）的能力非常重要收入：大约10万刀+背景要求：博士，相关专业硕士优劣势：风险小，而且由于外派商业银行、投行等，对于积累人脉和未来跳槽比较有好处。但是工作比较辛苦，工作时间长，因为经常会被外派，并且服务于客户。5. 保险公司：精算等，代表公司有Liberty Mutual, Prudential 等技术要求：小于投行quant的业务素质；data science岗位注重统计收入：略低于投资银行要求：理工类博士（较少），相关专业硕士优势：风险很小，工作相对轻松因此，关于Quant的择校及专业问题，和Data Science那篇文章中所说的类似，统计、数据科学、计算机、金工、金数、EE、物理、运筹等专业毕业生，都是Quant的激烈竞争者。举个实例，前几年Barclays Investment Bank的Quantitative Analytics组，拿到return offer的十个实习生有4个博士（两个数学、一个CS、一个统计和运筹学），6个硕士（均来自NYU和哥大的金数、金工、运筹）。所以各位参考以上的不同职位对专业背景和学位的要求，结合自己的兴趣来思考自己要申请的专业方向。在择校问题上，无非是两点：名气（包括实力）和位置。上面的例子也可以看到，纽约作为金融中心这一地理因素，使得NYU和哥大的硕士就业形势非常好。当然，这两个学校本身牌子也响，其他的一些名校，举例如：MIT、Princeton、Cornell等等。好的招牌当然可以给你加分，但自己的实力要匹配，否则也只能过第一轮简历筛选，后面的笔试面试照样不能通过。所以，名气固然重要，当确定了学校之后，要向前看，努力提升自己的实力才是王道。永远记住学校提供给你的只是一个平台，想成为什么样的人主要取决于你自己。最后，我们用一个2Quant面试过程的实例来收尾，便于大家提前体验竞争的激烈程度，时时提醒自己提升专业实力，做好准备：学生背景：top20的统计运筹PhD&经济学硕士公司：摩根斯坦利；职位：量化分析师过程：第一部分：三轮电话面试第二部分：现场面试（一整天）上午现场面试：注重考察核心的量化能力面试官背景及考察问题：斯坦福，EE PhD：如何看待machine learning在金融领域的应用莫斯科国立大学，数学PhD: 关于博士期间的researchBerkeley 运筹学PhD: control theory（买卖股票就是一个控制问题，博弈问题）UCLA的本科生：概率论（中午一小时吃饭时间）下午面试：更考察business的理解面试官是密歇根大学的MBA，芝加哥大学商学院的PhD，以聊天的形式分别进行半小时左右的面试。编辑于 2020-12-14 19:58统计留学美国金融工程学赞同 11添加评论分享喜欢收藏申请转载文章被以下专栏收录统计和DS详解（留学向）从多个维度详解统计和DS研究生申请，持续

对quant的理解，quant具体是做什么的啊..？ - 知乎

对quant的理解，quant具体是做什么的啊..？ - 知乎首页知乎知学堂发现等你来答切换模式登录/注册宽客 (Quant)对quant的理解，quant具体是做什么的啊..？关注者166被浏览170,799关注问题写回答邀请回答好问题 2添加评论分享12 个回答默认排序砂糖肉关注一、Quant是做什么的？Quant的工作就是设计并实现金融的数学模型（主要采用计算机编程），包括衍生物定价，风险估价或预测市场行为等。所以Quant更多可看为工程师，按中国的习惯性分类方法就是理工类人才，而不是文科人才，这个和金融有一定的区别(当然金融也有很多理工的内容)。二、有哪几种Quant？1. Desk QuantDesk Quant 开发直接被交易员使用的价格模型. 优势是接近交易中所遇到的Money和机会.劣势是压力很大.2. Model Validating QuantModel Validating Quant 独立开发价格模型,不过是为了确定Desk Quant开发的模型的正确性. 优势是更轻松,压力比较小.劣势是这种小组会比较没有作为而且远离Money.3. Research QuantResearch Quant 尝试发明新的价格公式和模型,有时还会执行Blue-Sky Research(不太清楚是什么). 优势是比较有趣(对喜欢这些人来说),而且你学到很多东西. 劣势是有时会比较难证明有你这个人存在(跟科学家一样,没有什么大的成果就没人注意你)4. Quant Developer其实就是名字被美化的程序员,但收入很不错而且很容易找到工作. 这种工作变化很大. 它可能是一直在写代码,或者调试其他人的大型系统.5. Statistical Arbitrage QuantStatistical Arbitrage Quant 在数据中寻找自动交易系统的模式(就是套利系统).这种技术比起衍生物定价的技术有很大的不同, 它主要用在对冲基金里.而且这种位置的回报是极不稳定的.6. Capital QuantCapital Quant 建立银行的信用和资本模型. 相比衍生物定价相关的工作,它没有那么吸引人,但是随着巴塞尔II银行协议的到来,它变的越来越重要.你会得到不错的收入(但不会很多),更少的压力和更少的工作时间.人们投资金融行业就是为了赚钱,如果你想获得更多的收入,你就要更靠近那些钱的"生产"的地方.这会产生一种接近钱的看不起那些离得比较远的人的现象. 作为一个基本原则, 靠近钱比远离钱要来得容易.三、Quant 工作的领域1.FXFX就是外汇交易的简写. 合同趋向于短期,大量的金额和简单的规定.所以重点在于很快速度的建立模型.2.EquitiesEquities的意思是股票和指数的期权.技术偏向于偏微分方程(PDE). 它并不是一个特别大的市场.3.Fixed IncomeFixed Income的意思是基于利息的衍生物. 这从市值上来说可能是最大的市场. 他用到的数学会更加复杂因为从根本上来说他是多维的. 技术上的技巧会用的很多.他的收入比较高.4.Credit DerivativesCredit Derivatives是建立在那些公司债务还清上的衍生产品.他发展的非常快并有大量需求,所以也有很高的收入.尽管如此,他表明了一些当前经济的泡沫因素.5.CommoditiesCommodities因为最近几年生活用品价格的普遍涨价,也成为一个发展迅速的领域.6.HybridsHybrids是多于一个市场的衍生物市场,典型情况是利息率加上一些其它东西.它主要的优势在于可以学到多种领域的知识.这也是当前非常流行的领域.四、Quant一般在哪些公司工作1. 商业银行(HSBC, RBS)商业银行对你要求少,也给的少.工作会比较稳定.2. 投行 (高盛,Lehman Brothers)投行需要大量的工作时间但工资很高. 不是很稳定的工作.总的来说, 美国的银行收入比欧洲银行高,但工作时间更长3. 对冲基金(Citadel Group)对冲基金需要大量的工作时间和内容,他们也处在高速发展同时不稳定的情况中.你可能会得到大量的回报,也可能几个月后就被开除.4. 会计公司大型会计公司会有自己的顾问quant团队.有些还会送他们的员工去Oxford读Master. 主要的劣势在于你远离具体的行为和决策,而且厉害的人更愿意去银行,所以你比较难找到人请教.5. 软件公司外包quant模型变得越来越流行.所以你去软件公司也是一个选择. 劣势和会计公司比较类似.五、成为一个Quant需要看哪些书?现在有非常多的关于Quant的书.基础书籍包括- Hull著《Options Future and Other Derivatives》. 这本书被称为Bible. 缺点是这本书的内容主要面向MBA而不是Quantitative专家-《Baxter and Rennie》.主要介绍一些手法和诀窍,但主要面向原理而不是实际操作.- Wilmott著《Derivatives》.对PDE介绍的非常不错,但其他方面一般-《The Concepts and Practice of Mathematical Finance》.这本书的目标在于覆盖一个优秀quant应该知道的知识领域. 其中包括强列推荐你在应聘工作之前看的一些编程项目.-《C++ Design Patterns and Derivatives Pricing》.这本书是为了告诉大家如何使用C++来做Quant的工作.随机微积分虽然在第一眼看上去不是很重要,但的确非常有用的. 我建议大家先看一些基本理论的书,类似Chung’s books. 一些这方面我推荐的书:- Williams著《Probability with Martingales》. 一本很容易让人了解Account of discrete time martingale theory的书.- Rogers and Williams著《Particularly Volume 1》.六、成为Quant,我需要知道一些什么?根据你想工作的地方不同,你需要学习的知识变化很大. 在写着篇文章的时间(1996),我会建议将我的书全部学会就可以了.很多人错误的把学习这些知识看作仅仅看书而已.你要做的是真正的学习,就像你在准备参加一个基于这些书内容的考试.如果你对能在这个考试里拿A都没有信心的话,就不要去面试任何的工作.面试官更在乎你对基本知识的了解是否透彻,而不是你懂得多少东西.展示你对这个领域的兴趣也很重要.你需要经常阅读Economist, FT 和Wall Street Journal. 面试会问到一些基本微积分或分析的问题,例如Logx的积分是什么. 问到类似Black-Scholes公式怎么得出的问题也是很正常的. 他们也会问到你的论文相关的问题.面试同样也是让你选择公司的一个机会. 他们喜欢什么样的人,他们关心的是什么之类的答案可以从他们的问题中得出. 如果问了很多关于C++语法的问题,那么要小心选择除非那是你想做的工作.一般来说, 一个PhD对得到Quant的Offer是必需的.有一个金融数学的Master学位会让你在银行风险或交易支持方面却不是直接Quant方面的工作.银行业变得越来越需要数学知识,所以那些东西在银行的很多领域都有帮助.在美国, 读了一个PhD之后再读一个Master变得越来越普遍.在UK这依然比较少见.七、一般哪些专业对口Quant根据我的观察，Quant一般的专业会是数学，物理，金融工程（金融数学）。其实虽然不是特别多，但是还是有一些投行招手Master金工的Quant，一般几个好的FE专业都有去做Quant的硕士生。八、编程所有类型的Quant都在编程方面花费大量时间(多于一半)。尽管如此，开发新的模型本身也是很有趣的一件事，标准的实现方法是用C++。一个想成为quant的人需要学习C++，有些其他地方使用Matlab所以也是一个很有用的技能，但没C++那么重要。VBA也用的很多，但你可以在工作中掌握它。九、收入一个Quant能赚多少？一个没有经验的Quant每年大概会挣到税前60k-100k美元。奖金的话不会太高，但是如果行情好的话，也非常的客观，一般我听说的话，刚入职第一年一般可以拿到一两万刀的奖金。不过像08年就别想了。如果你的工资超出这个范围，你要问自己Why？收入会迅速的增长，奖金也是总收入中一个很大的组成部分，不要太在乎开始的工资是多少，而是看重这个工作的发展机会和学习的机会。十、工作时间一个Quant工作的时间变化很大。在RBS我们8:30上班，6pm下班。压力也是变化很大的，一些美国银行希望你工作时间更长。在伦敦有5-6个星期的假期，而在美国2-3个是正常的。下面我来写点自己对Quant的理解，仅供参考几句话写在前面The largest casino is the Wall Street.以下只是自己亲身感受和接触的观点，一家之言，难免片面不客观。钱固然重要，但是除了钱还是有很多值得每个人追求的。并不是做金融就一定要唯利是图。主流 VS 非主流个人认为国内对Quant的主流认识还是为Trading Desk服务，或者是设计一些复杂的金融产品。这种观点在国外也是偏向于主流的。我认识一些Quant拿到了PHD之后就在GS，UBS这些公司做起了Risk Quant或者为前台计算设计一些模型。这类型的Quant在业界还是占了很大很大的一部分，而这样的Quant也是MFE的项目所培养的。也许你MFE或者PHD毕业了以后，就要在相当一段时间帮前台计算P/L或者VaR之类的。前一阵和一个在Trading Desk工作的同学聊天，那种Quant的不屑是很清楚的写在脸上。的确，不可否认的是，主流认识的Quant在创新和自主上还是有一些不足的。我想，国内的券商，投行其实更多的是需要这样的Quant。所谓非主流的Quant不是说业界的数目很少，而是说，不是主流（在20-35岁年龄段）所认为的Quant。这类的Quant其实很大程度上可以取代Trader，主要是为公司设计Trading System进行High Frequency Trading。这类Quant的自主性更高，但是难度也更大。一个萝卜一个坑，萝卜不走你也多不了坑。像文艺复兴里面就都是这一类的Quant，主流Quant是无法进入其工作的。如果你设计的Trading System能进入生产线的话，那么你离百万年终奖也不是那么遥远了。基本上所有这类的Quant都是要签订NDA的。如果你能拥有一个稳定年Sharpe Ratio是2的High Frequency Trading System, 那么这辈子在物质上就可以没什么追求了，可以洗洗去追求精神的高度了。当然很多人付出一生的Trading System都无法投入生产。主流Quant的工作更加的稳定，稳定的收入加上固定的分红，坑也更多，流通性也更好。非主流的Quant工作充满了未知数，收入不会比主流的低，分红波动性高，坑少要求高。挑战 VS 机遇如果你成为了一个Quant，不管是主流还是非主流，你的压力都是非常大的。前一阵跟老板聊天，他说对他最奢侈的事情不是物质上的，而是能够从晚上11点睡到第二天早上6点。虽然我们是Algorithm Trading，不过人还是要经常盯着System看和修改模型的。平均每天工作12个小时以上是非常常见的（尤其对于非主流quant）。Buy Side VS Sell Side经常在想如果你能把Buy Side和Sell Side的生意一起做了，那钱就来的太容易了。总是听老板(Top 3 IN RenTech) 说一句话：在Buy Side已经没人能从Option Pricing赚钱了。我个人对于Sell Side没有什么反感的，毕竟我们之间还是要做生意的。但是就难度而来Buy Side >> Sell Side。如果你能在Buy Side赚钱，那么你到了Sell Side还是可以赚钱。大公司 VS 小公司大公司的工作还是比较稳定的，当然每年裁员是正常的。没在那种大公司干过，以后也不知道会不会去。小公司对于个人锻炼，我认为，还是高于大公司的。小公司的Bonus Pool其实分到个人还是很多的，像我一个学生，都有机会分到Bonus（对我来说还是蛮多的）编程要求各种公司用的都不一样，能很快上手是很重要的，毕竟不是CS毕业的。像Downtown的Jane Street（One Hedge Fund）就用Ocaml来编写的。我是从来没用过，你的团队用什么，刚进去的你估计就要用什么了。编辑于 2015-08-14 17:40赞同 1818 条评论分享收藏喜欢收起盐选推荐知乎官方账号关注一、 Quant 和程序员到底有什么差别

有一些 Quant 朋友会自称为码农，因为日常大部分工作的确就是在写代码。事实上对于 Quant，有一个和码农对应的叫法是矿工。在美国的朋友大概都听说过「在东海岸就去花街当矿工，在西海岸就去硅谷做码农」的说法，也说明两者的确有一些相似性。

如果说区别呢，Quant 的工作主要还是和数字打交道，写程序的目的是为了用计算机去解决数字计算的问题，不论是 Q 宗定价还是 P 宗统计。相比之下，他们不会去关心 Web 开发有多少种框架， PHP 是不是最好的编程语言，MySQL 和 PostgreSQL 哪个性能更好这种一般意义上的程序员更可能关注的问题，很多时候也不需要深入理解编译器的工作原理，操作系统的 Kernel Space 和 User Space 有什么不同，CPU 里面有几级缓存等纯计算机专业的知识。

如果这个描述还不够形象的话，建议看看这几个问题下的讨论，感受一下真正的程序员的世界。都是我随便找的，主要是帮助非计算机科班的朋友理解下码农们平时都在为什么而战，这些东西又离 Quant 的工作多么遥远：

怎么样才算是精通 C++？ |

http://www.zhihu.com/question/19794858#answer-313278

C++ 的什么是 Java 不能取代的？ |

http://www.zhihu.com/question/20110924

Java 和 C# 最大的不同是什么？ |

http://www.zhihu.com/question/20451584

CPU 的分支預測器是怎樣工作的？|

http://www.zhihu.com/question/23973128

jmp 和 call 会打乱 CPU 流水线，那是不是应该尽量少用函数调用？|

http://www.zhihu.com/question/20923905

对于有工科背景的朋友，可以看看这几个问题，感受一下 Quant

主要在做什么。当然区区几个问题无法包括全部，不过你可以和上面那几个对比一下，应该能感觉出区别来：

如何系统地学习随机过程？|

http://www.zhihu.com/question/21454531

随机过程、机器学习和蒙特卡洛在金融应用中都有哪些关系？|

http://www.zhihu.com/question/23527615/answer/25702970

为什么欧式股票期权的价值与股票的期望收益率无关？|

http://www.zhihu.com/question/23730849

如何系统地自学金融工程，有哪些优质的书籍推荐？都有哪些学习方法心得？|

http://www.zhihu.com/question/23507826

至于题目中提到的金融工程，这是一门非常具体的学科，一般是培训 Q 宗 Quant 的，但 Quant 并不都是学这个出身。如果除此之外没有接受过计算机专业的训练（不论科班还是自学），那么此专业毕业的学生是不太可能去找软件或互联网公司的工作的，技能上差别很大。

对了，有人可能会问到关于「青春饭」的问题。对此说说我的理解。

Quant 的工作始终是为金融业服务，相比于普通的软件开发，有着门槛高、专业方向明确的特点。像是互联网那种做个小网站或是开发 iPhone App 这种一个人买台电脑，在网上看看免费文档，再花几百块租个服务器就能从设计到开发再到运营全包的风格，做 Quant 工作是不太可能想象的。

Quant 的业务，比如说做衍生品定价，只能在投行里才有平台让你做这种工作，否则你自己设计一个衍生品出来，卖给谁？或者说交易策略研发，那就算你做纯个人的 Quant Trader，也需要拿出几万块钱来去股市开户练手，可能什么还没学到这点钱就打水漂了，足以打消大部分人的热情。高频交易更是需要 colocation；交易资金等高端要求，不是普通人付得起的，只能在专业公司里做。

这些因素决定了进入 Quant 行业的门槛很高。但一旦你入行了，会发现世界一下子变小了，和你竞争的都是那些和你一样费了九牛二虎之力爬进来的人，不会说某一天突然发现一些黄毛小子摆弄了一些你没玩过的设备，做出了超出你理解范围的事，然后把你淘汰掉（不理解的话，可以回顾一下 Google 是怎么革微软的命，Facebook 又是怎么革 Google 的命）。

所以在矿工这么个小圈子里，不爱折腾的大可以慢慢学，慢慢做。你会发现你的上级领导就是那个有十几二十年从业经验，对行业的理解，各方面技能都完爆你的大叔，而不太可能是一个有着天才头脑和想象力的年轻人。从职业发展的角度上说是一条比较稳定的路线。高技能前辈的存在，也让你对前进的方向看得更清楚，对专业技能的积累有更深刻的认识。我自己从 IT 业转过来，就明显感觉到合作或接触的人平均年龄和资历都比以前高了很多；入行时间久了，也渐渐搞明白难度在哪里，不会担心哪个年轻人能仅靠天赋或运气就后来居上，这是很有安全感的。

当然凡事各有利弊，门槛高、发展稳定的同时也意味着机会相对变少。的确也有人弄出一些天才策略而一夜暴富，但相比互联网行业五花八门的创业奇迹，这种情况的比例我感觉是比较少的，大多数人也就是天天干着这么一份绞杀脑细胞的工作换取一份稳定的收入。特别是像我这种从 IT 行业转过来的，回头看看，小伙伴们可能都在玩什么天使 A 轮 B 轮几百几千万的融资了，身边的 Trader 大叔还在为了今天交易赔了几百磅而郁闷，对比还挺强烈的。

所以对于想要入行的同学，我一向的建议是把你自己的兴趣放在第一位。如果对数字（学）对交易感兴趣，那么入这行没错；如果是为了挣大钱征服市场，让名片上的职位显得高端大气上档次，现实一定会给你看看它残酷的那一面。

二、要想成为一名 Quant 需要什么样的编程水平

想在交易行业中做一名优秀的 Quant，编程水平可能会在两个方面制约你的发展。至少，在我这个计算机科班出身的人看来，这是非常明显的问题。你要知道，每当我看到新来的编程小白 Quant，一定要很真诚地告诉他，只有找到那个命中注定的编程师傅，才能成为一名真正的 Quant。

好了，故事开场前，最后说明一点。以下仅针对交易行业。卖方的衍生品定价和风控等内容我不熟悉，不发表意见。© 本内容版权为知乎及版权方所有，侵权必究发布于 2019-05-24 10:23赞同 103添加评论分享收藏喜欢

GitHub - thuquant/awesome-quant: 中国的Quant相关资源索引

Toggle navigation

Product

Actions

Automate any workflow

Packages

Host and manage packages

Security

Find and fix vulnerabilities

Codespaces

Instant dev environments

Copilot

Write better code with AI

Code review

Manage code changes

Issues

Plan and track work

Discussions

Collaborate outside of code

Explore

All features

Documentation

GitHub Skills

Blog

Solutions

For

Enterprise

Teams

Startups

Education

By Solution

CI/CD & Automation

DevOps

DevSecOps

Resources

Learning Pathways

White papers, Ebooks, Webinars

Customer Stories

Partners

Open Source

GitHub Sponsors

Fund open source developers

The ReadME Project

GitHub community articles

Repositories

Topics

Trending

Collections

Pricing

Search or jump to...

Search code, repositories, users, issues, pull requests...

Clear

Search syntax tips

Provide feedback

We read every piece of feedback, and take your input very seriously.

Include my email address so I can be contacted

Cancel

Submit feedback

Saved searches

Use saved searches to filter your results more quickly

Name

Query

To see all available qualifiers, see our documentation.

Cancel

Create saved search

You signed in with another tab or window. Reload to refresh your session.

You signed out in another tab or window. Reload to refresh your session.

You switched accounts on another tab or window. Reload to refresh your session.

Dismiss alert

thuquant

awesome-quant

Public

Notifications

Fork

853

Star

3.7k

中国的Quant相关资源索引

License

MIT license

3.7k

stars

853

forks

Branches

Awesome Quant - 中文Quant资源索引 - 知乎

Awesome Quant - 中文Quant资源索引 - 知乎首发于清华大学量化投资协会成果集萃切换模式写文章登录/注册Awesome Quant - 中文Quant资源索引Shichao Gao抛砖引玉，动态更新于 https://github.com/thuquant/awesome-quant 欢迎各方面的PR。Awesome Quant一份精心挑选的中文Quant相关资源索引。目录（知乎专栏里不可点击，github正常）数据源数据库量化交易平台策略回测交易API编程PythonRC++Julia论坛书籍论文政策值得关注的信息源其他Quant资源索引数据源TuShare - 中文财经数据接口包Quandl - 国际金融和经济数据Wind资讯-经济数据库 - 收费锐思数据 - 首页 - 收费国泰安数据服务中心 - 收费恒生API - 收费Bloomberg API - 收费数库金融数据和深度分析API服务 - 收费数据库manahl/arctic: High performance datastore for time series and tick data - 基于mongodb和python的高性能时间序列和tick数据存储kdb | The Leader in High-Performance Tick Database Technology | Kx Systems - 收费的高性能金融序列数据库解决方案MongoDB Blog - 用mongodb存储时间序列数据InfluxDB – Time-Series Data Storage | InfluxData - Go写的分布式时间序列数据库OpenTSDB/opentsdb: A scalable, distributed Time Series Database. - 基于HBase的时间序列数据库kairosdb/kairosdb: Fast scalable time series database - 基于Cassandra的时间序列数据库量化交易平台JoinQuant聚宽量化交易平台 - 一个基于Python的在线量化交易平台优矿 - 通联量化实验室 - 一个基于Python的在线量化交易平台Ricequant 量化交易平台 - 支持Python和Java的在线量化交易平台掘金量化 - 支持C/C++、C#、MATLAB、Python和R的量化交易平台Auto-Trader - 基于MATLAB的量化交易平台MultiCharts 中国版 - 程序化交易软件策略JoinQuant聚宽: 量化学习资料、经典交易策略、Python入门 - 雪球myquant/strategy: 掘金策略集锦优矿社区内容索引RiceQuant米筐量化社区 2016年4月以来优秀策略与研究汇总雪球选股回测Zipline - 一个Python的回测框架pyalgotrade - 一个Python的事件驱动回测框架pyalgotrade-cn - Pyalgotrade-cn在原版pyalgotrade的基础上加入了A股历史行情回测，并整合了tushare提供实时行情。ricequant/rqalpha - RQalpha: Ricequant 开源的基于Python的回测引擎quantdigger - 基于python的量化回测框架,借鉴了主流商业软件（比如TB, 金字塔）简洁的策略语法pyktrader - 基于pyctp接口，并采用vnpy的eventEngine，使用tkinter作为GUI的python交易平台交易API上海期货信息技术有限公司CTP API - 期货交易所提供的APIvnpy - 基于python的开源交易平台开发框架QuantBox/XAPI2 - 统一行情交易接口第2版easytrader - 提供券商华泰/佣金宝/银河/广发/雪球的基金、股票自动程序化交易，量化交易组件IB API | Interactive Brokers - 盈透证券的交易API编程Python安装Anaconda - 推荐通过清华大学镜像下载安装Python Extension Packages for Windows - Christoph Gohlke - Windows用户从这里可以下载许多python库的预编译包教程Python | Codecademy用 Python 玩转数据 - 南京大学 | CourseraIntroduction to Data Science in Python - University of Michigan | CourseraThe Python Tutorial — Python 3.5.2 documentationPython for FinanceAlgorithmic Thinking - Python 算法思维训练库awesome-python: A curated list of awesome Python frameworks, libraries, software and resourcespandas - Python做数据分析的基础pyql: Cython QuantLib wrappersffn - 绩效评估ta-lib: Python wrapper for TA-Lib (http://ta-lib.org/). - 技术指标StatsModels: Statistics in Python — statsmodels documentation - 常用统计模型arch: ARCH models in Python - 时间序列pyfolio: Portfolio and risk analytics in Python - 组合风险评估R安装The Comprehensive R Archive Network - 从国内清华镜像下载安装RStudio - R的常用开发平台下载教程Free Introduction to R Programming Online Course - datacamp的在线学习R Programming - 约翰霍普金斯大学 | CourseraIntro to Computational Finance with R - 用R进行计算金融分析库CRAN Task View: Empirical Finance - CRAN官方的R金融相关包整理qinwf/awesome-R: A curated list of awesome R packages, frameworks and software. - R包的awesomeC++教程C++程序设计 - 北京大学郭炜基于Linux的C++ - 清华大学乔林面向对象程序设计（C++） - 清华大学徐明星C++ Design Patterns and Derivatives Pricing - C++设计模式C++ reference - cppreference.com - 在线文档库fffaraz/awesome-cpp: A curated list of awesome C/C++ frameworks, libraries, resources, and shiny things. - C++库整理rigtorp/awesome-modern-cpp: A collection of resources on modern C++ - 现代C++库整理QuantLib: a free/open-source library for quantitative financeJulia教程Learning Julia - 官方整理QUANTITATIVE ECONOMICS with Julia - 经济学诺奖获得者Thomas Sargent教你Julia在量化经济的应用。库Quantitative Finance in Julia - 多数为正在实现中，感兴趣的可以参与编程论坛Stack Overflow - 对应语言的tagSegmentFault - 对应语言的tag编程能力在线训练Solve Programming Questions | HackerRank - 包含常用语言(C++, Java, Python, Ruby, SQL)和相关计算机应用技术(算法、数据结构、数学、AI、Linux Shell、分布式系统、正则表达式、安全)的教程和挑战。LeetCode Online Judge - C, C++, Java, Python, C#, JavaScript, Ruby, Bash, MySQL在线编程训练论坛Quantitative Finance StackExchange - stackexchange 系列的 quant 论坛 JoinQuan社区 - JoinQuant社区优矿社区 - 优矿社区RiceQuant量化社区 - RiceQuant量化社区掘金量化社区 - 掘金量化社区清华大学学生经济金融论坛 - 清华大学学生金融数据与量化投资协会主办书籍My Life as a Quant: Reflections on Physics and Finance - In My Life as a Quant, Emanuel Derman relives his exciting journey as one of the first high-energy particle physicists to migrate to Wall Street.量化交易 - Ernest P. Chan撰写的量化投资理论量化投资与对冲基金丛书：波动率交易Following the TrendStatistical Inference - 统计推断入门All of Nonparametric Statistics - 非参统计入门The Elements of Statistical Learning - Data Mining, Inference, and PredictionAnalysis of Financial Time Series - Ruey S. Tsay 的时间序列分析Options, Futures, and Other Derivatives - 期权期货等衍生品论文Computational Intelligence and Financial Markets: A Survey and Future DirectionsOnline Portfolio Selection: A Survey值得关注的信息源Quantitative Finance arxiv雪球工程师1号 - 财经社交网络雪球的量化相关账号。Ricequant量化 - Ricequant量化平台的雪球账号。量化哥-优矿Uqer - 优矿Uqer量化平台的雪球账号。宽客 (Quant) - 索引 - 知乎量化投资与机器学习 - 微信公众号THU量协 - 微信公众号优矿量化实验室 - 微信公众号Ricequant - 微信公众号政策中国证券监督管理委员会考试报名-中国证券业协会 - 证券从业资格报名中国证券投资基金业协会 - 内有相关法规教育和从业资格报名入口大连商品交易所上海期货交易所首页郑州商品交易所网站上海证券交易所深圳证券交易所其他Quant资源索引Quantitative Finance Reading List - QuantStartMaster reading list for Quants, MFE (Financial Engineering) students | QuantNet Community其他 Awesome 列表英文版 awesome-quant wilsonfreitas/awesome-quant: A curated list of insanely awesome libraries, packages and resources for Quants (Quantitative Finance)Other awesome lists awesome-awesomeness.Even more lists awesome.Another list? list.WTF! awesome-awesome-awesome.Analytics awesome-analytics.抛砖引玉，动态更新于 https://github.com/thuquant/awesome-quant 欢迎各方面的PR。更多关于量化投资的文章请关注专栏：清华大学量化投资协会成果集萃 - 知乎专栏。编辑于 2016-11-21 15:04量化交易宽客 (Quant)程序化交易赞同 41918 条评论分享喜欢收藏申请转载文章被以下专栏收录清华大学量化投资协会成果集萃清华量化协会关于量化交易模型、策略的学

quant_百度百科

t_百度百科网页新闻贴吧知道网盘图片视频地图文库资讯采购百科百度首页登录注册进入词条全站搜索帮助首页秒懂百科特色百科知识专题加入百科百科团队权威合作下载百科APP个人中心quant播报讨论上传视频设计并实现金融的数学模型收藏查看我的收藏0有用+10quant的工作就是设计并实现金融的数学模型（主要采用计算机编程），包括衍生品定价，风险估价或预测市场行为等。所以quant更多可看为工程师，按中国的习惯性分类方法就是理工类人才，而不是文科人才，这个和金融有一定的区别（当然金融也有很多理工的内容）。中文名quant简介x是矩阵、向量或者标量种类被交易员使用的价格模型工作领域就是外汇交易的简写目录1简介2种类3工作领域4工作地点5相关书籍6成为条件7编程8收入9工作时间简介播报编辑z=quant(x,y)x是矩阵、向量或者标量；y是最小值（选定的标量，用来被除的）；z是函数返回值：与x同维度，对应元素是y的整数倍，并且离x的对应元素近。种类播报编辑a. desk quant开发直接被交易员使用的价格模型，优势是接近交易中所遇到的money和机会，劣势是压力很大。b. Model validating quant独立开发价格模型，不过是为了确定desk quant开发的模型的正确性，优势是更轻松，压力比较小，劣势是这种小组会比较没有作为而且远离money。c. Research quant尝试发明新的价格公式和模型，有时还会执行blue-sky research（金融趋势研究），优势是比较有趣（对喜欢这些人来说），而且你学到很多东西，劣势是有时会比较难证明有你这个人存在（跟科学家一样，没有什么大的成果就没人注意你）。d. quant developer其实就是名字被美化的程序员，但收入很不错而且很容易找到工作，这种工作变化很大，它可能是一直在写代码，或者调试其他人的大型系统。e. Statistical arbitrage quant在数据中寻找自动交易系统的模式（就是套利系统），这种技术比起衍生物定价的技术有很大的不同，它主要用在对冲基金里，而且这种位置的回报是极不稳定的。d. capital quant建立银行的信用和资本模型，相比衍生物定价相关的工作，它没有那么吸引人，但是随着巴塞尔II银行协议的到来，它变的越来越重要，你会得到不错的收入（但不会很多），更少的压力和更少的工作时间。人们投资金融行业就是为了赚钱，如果你想获得更多的收入，你就要更靠近那些钱的"生产"的地方，这会产生一种接近钱的看不起那些离得比较远的人的现象。作为一个基本原则，靠近钱比远离钱要来得容易。工作领域播报编辑a.FXFX就是外汇交易的简写，合同趋向于短期，大量的金额和简单的规定，所以重点在于很快速度的建立模型。b.EquitiesEquities的意思是股票和指数的期权，技术偏向于偏微分方程（PDE），它并不是一个特别大的市场。c.Fixed incomeFixed income的意思是基于利息的衍生物，这从市值上来说可能是最大的市场，它用到的数学会更加复杂，因为从根本上来说它是多维的，技术上的技巧会用的很多。它的收入比较高。d.Credit derivativesCredit derivatives是建立在那些公司债务还清上的衍生产品，它发展得非常快并有大量需求，所以也有很高的收入，尽管如此，它体现了一些当前经济的泡沫因素。e.CommoditiesCommodities因为生活用品价格的普遍涨价，也成为一个发展迅速的领域。f.HybridsHybrids是多于一个市场的衍生物市场，典型情况是利息率加上一些其它东西。它主要的优势在于可以学到多种领域的知识，这也是当前非常流行的领域。工作地点播报编辑a.商业银行（汇丰银行，花旗银行）商业银行对你要求少，也给的少，工作会比较稳定。b.投行 (高盛，摩根士丹利)投行需要大量的工作时间但工资很高，不是很稳定的工作。总的来说，美国的银行收入比欧洲银行高，但工作时间更长。c.对冲基金（Citadel Group）对冲基金需要大量的工作时间和内容，他们也处在高速发展同时不稳定的情况中，你可能会得到大量的回报，也可能几个月后就被开除。d.会计公司大型会计公司会有自己的顾问quant团队，有些还会送他们的员工去Oxford读Master，主要的劣势在于你远离具体的行为和决策，而且厉害的人更愿意去银行，所以你比较难找到人请教。e.软件公司外包quant模型变得越来越流行，所以你去软件公司也是一个选择，劣势和会计公司比较类似。相关书籍播报编辑有非常多的关于quant的书，基础书籍包括：- Hull - Options future and other derivatives. 这本书被称为bible，缺点是这本书的内容主要面向MBA而不是quantitative专家。- Baxter and Rennie – 主要介绍一些手法和诀窍，但主要面向原理而不是实际操作。- Wilmott (Derivatives) – 对PDE介绍的非常不错，但其他方面一般。推荐其他几本原作者的书（广告啊...但的确很好，大牛来的）- The concepts and practice of mathematical finance这本书的目标在于覆盖一个优秀quant应该知道的知识领域，其中包括强列推荐你在应聘工作之前看的一些编程项目。- C++ design patterns and derivatives pricing这本书是为了告诉大家如何使用C++来做quant的工作。随机微积分虽然在第一眼看上去不是很重要但的确非常有用的。我建议大家先看一些基本理论的书，类似Chung’s books，一些这方面我推荐的书：- Williams, Probability with martingales. 一本很容易让人了解account of discrete time martingale theory的书.- Rogers and Williams, particularly Volume 1.- Chung and Williams成为条件播报编辑根据你想工作的地方不同，你需要学习的知识变化很大。在写这篇文章的时间（1996），我会建议将我的书全部学会就可以。很多人错误的把学习这些知识看作仅仅看书而已，你要做的是真正的学习，就像你在准备参加一个基于这些书内容的考试。如果你对能在这个考试里拿A都没有信心的话，就不要去面试任何的工作。面试官更在乎你对基本知识的了解是否透彻，而不是你懂得多少东西。展示你对这个领域的兴趣也很重要，你需要经常阅读Economist，FT和Wall Street Journal。面试会问到一些基本微积分或分析的问题，例如Log x的积分是什么。问到类似Black-Scholes公式怎么得出的问题也是很正常的。他们也会问到你的论文相关的问题。面试同样也是让你选择公司的一个机会，他们喜欢什么样的人，他们关心的是什么之类的答案可以从他们的问题中得出，如果问了很多关于C++语法的问题，那么要小心选择除非那是你想做的工作。一般来说，一个PhD对得到quant的offer是必需的。有一个金融数学的Master学位会让你在银行风险或交易支持方面却不是直接quant方面的工作。银行业变得越来越需要数学知识，所以那些东西在银行的很多领域都有帮助。在美国，读了一个PhD之后再读一个Master变得越来越普遍，在UK这依然比较少见。编程播报编辑所有类型的quant都在编程方面花费大量时间（多于一半）。尽管如此，开发新的模型本身也是很有趣的一件事。标准的实现方法是用C++，一个想成为quant的人需要学习C++。有些其他地方使用Matlab所以也是一个很有用的技能，但没C++那么重要。VBA也用的很多，但你可以在工作中掌握它。收入播报编辑一个quant能赚多少？一个没有经验的quant每年大概会挣到35000-50000磅，我所见过最低的是25000，最高的是60000加奖金。如果你的工资超出这个范围，你要问自己为什么？收入会迅速的增长，奖金也是总收入中一个很大的组成部分。不要太在乎开始的工资是多少，而是看重这个工作的发展机会和学习的机会。工作时间播报编辑一个quant工作的时间变化很大，在RBS我们8:30上班，6pm下班，压力也是变化很大的。一些美国银行希望你工作时间更长，在伦敦有5-6个星期的假期，而在美国2-3个是正常的。新手上路成长任务编辑入门编辑规则本人编辑我有疑问内容质疑在线客服官方贴吧意见反馈投诉建议举报不良信息未通过词条申诉投诉侵权信息封禁查询与解封©2024 Baidu 使用百度前必读 | 百科协议 | 隐私政策 | 百度百科合作平台 | 京ICP证030173号京公网安备110000020000

QUANT中文(简体)翻译：剑桥词典

词典

翻译

语法

同义词词典

+Plus

剑桥词典+Plus

Shop

剑桥词典+Plus

我的主页

+Plus 帮助

退出

剑桥词典+Plus

我的主页

+Plus 帮助

退出

中文 (简体)

查找

英语-中文（简体）

quant 在英语-中文（简体）词典中的翻译

quantnoun [ C ]

finance & economics

specialized uk

Your browser doesn't support HTML5 audio

/kwɒnt/ us

Your browser doesn't support HTML5 audio

/kwɑːnt/

Add to word list

someone in the financial industry who uses mathematical methods, for example to measure the risk of an investment

金融行业中使用数学方法的人员（例如度量投资风险的人员）

(quant在剑桥英语-中文（简体）词典的翻译 © Cambridge University Press)

quant的例句

quant

A quant is used not only to propel such craft, but also to steer them by acting as a rudder.

来自 Wikipedia

该例句来自维基百科，在CC BY-SA许可下可重复使用。

This is why some firms have begun adding alpha generation platforms to their quant infrastructures.

来自 Wikipedia

该例句来自维基百科，在CC BY-SA许可下可重复使用。

Its technology, quant metrics, and predictive analytics help industry talent hunters, songwriters and performers find each other.

来自 Wikipedia

该例句来自维基百科，在CC BY-SA许可下可重复使用。

The quant is then pulled out of the water by placing hand over hand on it and pulling upwards (as if one were climbing down a pole).

来自 Wikipedia

该例句来自维基百科，在CC BY-SA许可下可重复使用。

The quant glass replaces both the smartphone, and the computer with its keyboard.

来自 Wikipedia

该例句来自维基百科，在CC BY-SA许可下可重复使用。

This was the first major financial crisis in which a lot of academically-trained quants were in high enough positions to worry about firm-wide survival.

来自 Wikipedia

该例句来自维基百科，在CC BY-SA许可下可重复使用。

His workshops discuss how high-frequency traders and quants are expanding electronic trading in the financial markets and driving the development of algorithmic trading globally.

来自 Wikipedia

该例句来自维基百科，在CC BY-SA许可下可重复使用。

The angle at which the quant is held depends on the depth of the water and the desired speed of travel.

来自 Wikipedia

该例句来自维基百科，在CC BY-SA许可下可重复使用。

示例中的观点不代表剑桥词典编辑、剑桥大学出版社和其许可证颁发者的观点。

quant的翻译

中文（繁体）

金融行業中使用數學方法的人員（例如度量投資風險的人員）…

查看更多内容

需要一个翻译器吗？

获得快速、免费的翻译！

翻译器工具

quant的发音是什么？

在英语词典中查看 quant 的释义

浏览

quality time

qualm

quandary

quango

quant

quantifiable

quantification

quantifier

quantify

“每日一词”

veggie burger

Your browser doesn't support HTML5 audio

/ˈvedʒ.i ˌbɜː.ɡər/

Your browser doesn't support HTML5 audio

/ˈvedʒ.i ˌbɝː.ɡɚ/

a type of food similar to a hamburger but made without meat, by pressing together small pieces of vegetables, seeds, etc. into a flat, round shape

关于这个

博客

Forget doing it or forget to do it? Avoiding common mistakes with verb patterns (2)

March 06, 2024

新词

stochastic parrot

March 04, 2024

已添加至 list

回到页面顶端

内容

英语-中文（简体）例句翻译

学习

新词

帮助

纸质书出版

Word of the Year 2021

Word of the Year 2022

Word of the Year 2023

开发

词典API

双击查看

搜索Widgets

执照数据

关于

无障碍阅读

剑桥英语教学

剑桥大学出版社与评估

授权管理

Cookies与隐私保护

语料库

使用条款

京ICP备14002226号-2

剑桥词典+Plus

我的主页

+Plus 帮助

退出

词典

定义

清晰解释自然的书面和口头英语

英语

学习词典

基础英式英语

基础美式英语

翻译

点击箭头改变翻译方向。

双语词典

英语-中文（简体）

Chinese (Simplified)–English

英语-中文（繁体）

Chinese (Traditional)–English

英语-荷兰语

荷兰语-英语

英语-法语

法语-英语

英语-德语

德语-英语

英语-印尼语

印尼语-英语

英语-意大利语

意大利语-英语

英语-日语

日语-英语

英语-挪威语

挪威语-英语

英语-波兰语

波兰语-英语

英语-葡萄牙语

葡萄牙语-英语

英语-西班牙语

西班牙语-英语

English–Swedish

Swedish–English

半双语词典

英语-阿拉伯语

英语-孟加拉语

英语-加泰罗尼亚语

英语-捷克语

英语-丹麦语

English–Gujarati

英语-印地语

英语-韩语

英语-马来语

英语-马拉地语

英语-俄语

English–Tamil

English–Telugu

英语-泰语

英语-土耳其语

英语-乌克兰语

English–Urdu

英语-越南语

翻译

语法

同义词词典

Pronunciation

剑桥词典+Plus

Shop

剑桥词典+Plus

我的主页

+Plus 帮助

退出

中文 (简体)

Change

English (UK)

English (US)

Español

Русский

Português

Deutsch

Français

Italiano

中文 (简体)

正體中文 (繁體)

Polski

한국어

Türkçe

日本語

Tiếng Việt

हिंदी

தமிழ்

తెలుగు

关注我们

选择一本词典

Follow

imtoken钱包下载地址官方|quant

imtoken钱包下载地址官方|quant

到底啥是Quant? - 知乎

Quant 这个职业在国内的前景怎样？ - 知乎

Quant 4.0：你的量化研究处于哪个时代？ - 知乎

JoinQuant聚宽量化投研平台

Quant深度解读，一个适合统计和计算机学生的金融职业——北美留学生向 - 知乎

对quant的理解，quant具体是做什么的啊..？ - 知乎

GitHub - thuquant/awesome-quant: 中国的Quant相关资源索引

Awesome Quant - 中文Quant资源索引 - 知乎

quant_百度百科

QUANT中文(简体)翻译：剑桥词典

最近的新闻

您可能喜欢的文章

bitpie手机版|p网

bitpie安装官网下载|revo

比特派怎么样使用才能更安全

澄海比特派对怎么样好玩吗

随州丘比特派对怎么样啊

比特派钱包是怎么样的软件

比特派钱包是怎么样的平台