ZT：在美国，quant已不再是ML背景的PhD们的首选之一，因为淘汰率太高
17回复 3415浏览
纯CS（machine learning机器学习，ML) 背景转quant 需要学习些什么？小弟纯CS背景 （ML，即机器学习Machine Learning）, 有PHD学位, 有不错的paper（ 机器学习的几个顶会, 做过 测度+ learning theory+ MCMC+ Bayes)， 现在在工业界工作（国外),工作也是跟machine learning有关(主要做基于大数据的predictive model), 几乎没有金融知识，统计背景还行， 编程用 python/C++, matlab 和 R 也懂一些, 如果转quant 需要补充学习一些什么, 需要考CFA吗？ 另外回国的话 哪个城市的这种机会相对多一些？ 买方还是卖方的机会更多一些？国内的statistical quant 现在的job market 怎么样？ Quant里面好像分很多子领域, 有哪些子领域更适合我这种背景呢？多谢指教.补超，偶尔进行ICML, NIPS与KDD的灌水工作：背景和题主差不多，机器学习背景PhD，有一些不错的顶会论文，几乎没有金融知识，现在在国外的工业界工作。我平均每2-3天会收到一封猎头的邮件，到现在已经上百封了，所以可以做个小小的分析，希望能提供一个思路给题主。在所有这些信件中：* 有0封是来自热门Startup如Uber或者Airbnb，说明它们自身能够吸引到足够优秀的员工并且有能力留住他们。* 有十多封来自过了A轮或者B轮的IT Startup，另有二十余封来自FLG以及Twitter，苹果，微软等IT巨头。平均一个公司1-2封，这个数字在我看来比较正常。* 剩下的绝大部分都来自纽约，芝加哥，伦敦等地的hedge fund和quantitative trading firm，占总数的70%以上。很明显，由于体量和数量的巨大差异，IT公司对ML（机器学习）方向人才的需求量应该会远高于金融公司对ML人才的需求量才对。但是从我收到的猎头邮件来看，情况似乎反过来。能解释这一现象的一大原因就是：在最近几年，quant已不再是ML背景PhD们的首选之一，所以即使招聘需求较少却仍然无法填满。这里面的原因很多，包括待遇，福利，隐私性以及工作压力等等，就不在此具体展开了。剩下的问题就变成了，题主为何想转quant? 如果是看重更高的待遇，那我奉劝题主不要因为这个原因轻易转行。虽然金融公司许诺的三五十万美元的年薪看起来唾手可得，但那是建立在很大的工作压力，很长的工作时间，以及一个完全不受自己控制的好年景基础上的。相比起来，你现在的工作可能性价比高得多。如果题主是想把自己的ML知识用在离钱最近的场合（金融市场），以获取一定的额外收益，那么我的建议是题主完全不需要脱产学习，因为你已经具备了所需的绝大部分基础。其实我在去年PhD毕业的时候也曾思考过是否再去读个普林或者CMU的金融工程master，不过我很快打消了这个念头，因为我觉得从时间成本来看并不划算。既然题主已经拥有了大数据处理经验和ML算法设计能力，那么上手的方法其实并不困难。打开你的Python或者Matlab，只要有实时数据的接口，你会发现编写一条策略会比想象中容易许多，什么online learning, time series prediction, classification, regression, clustering, learning to rank, web mining等等通通都可以去试一试。当然，最初的策略几乎肯定是无法赚钱的，你剩下所需要做的就是不断测试，调整，甚至完全改变你的策略，直到它能真正带来盈利。听起来很像是写论文时提出算法并且不断修改调参的过程？没错，你会越来越熟练并且乐在其中的。只要别幻想着一夜暴富，我相信你所学的知识会带给你一定的回报的。Good luck!---------------------------------------------我是补充的分割线--------------------------------------------在评论里，有人提到hedge fund和trading firm对猎头和主动式招聘的依赖高是因为它们的知名度对CS PhD而言小于我提到的头两种公司，我认为这是一个正确的原因，不过我觉得quant的性价比变低才是猎头邮件多的更主要原因，论据有二：1. 在几年之前，quant曾经是一个比码农更高大上的光鲜职位。而现在，在MITBBS上我几乎再也不能见到ML背景PhD秀quant offer的帖子了，全是铺天盖地秀Startup或者FLG的offer，这个前后差异是非常明显的。2. 既然数据挖掘本就是大家的本行，那么酒香也怕巷子深恐怕不太会发生在ML背景PhD们身上（何况我并不认为Two Sigma, 高盛，或者Bridgewater的名气就小到大家真的需要去“挖掘”才能知道。）我自己经历过一模一样的招聘模板在几个月后又换了一个猎头发给我的情况，我想他们已经是问过一轮了。如果金融公司的号召力真的很高，应该不会出现这样的情况才对。综上来说，我认为quant在比IT公司的工作薪水高不太多的情况下，却要承担更高的工作强度和更大的风险，这些都导致了其吸引力的下降。编辑于
收起评论 感谢 分享 收藏 •没有帮助 • 举报 • 作者保留权利&黄河：不能点赞更多，金融靠天吃饭，或零和博奕。Jianchi Chen：这个角度是错的。你说的头两种公司，每个CS PhD都听说过他们的名字，而即使再厉害的hedge fund和trading firm，知名度都差了两个数量级以上。所以后者对猎头和主动式招聘的依赖度远大于前者，而前者靠内推和career fair, 就可以满足大量招聘需求。Alva 回复 Jianchi Chen“在最近几年，quant已不再是ML背景PhD们的首选之一，所以即使招聘需求较少却仍然无法填满。”不觉得题主说的这个观点才是更切中要害的解释了邮件数的差异么？ 你所谓的知名度的差异，对一个合格的PhD而言，这不足以使他发现不到top HF，如果他想要进入这一行。张恒一 回复 Alva那么，ML背景的phd不再选择quant的理由是什么呢？start up回报更高？Zhou Steve 回复 张恒一Start Up的尾部回报(右侧)肯定是更高的。平均无法比较，因为回报的分布无法定义，期望回报也就更无法定义了。如果都是打工的，我觉得对冲基金还是值得尝试的，平均收入(工资+奖金)还是要高于硅谷。当然拿大资金对冲基金经理某年爆发对比硅谷股票上市一夜暴富这两种小概率事件来比较，永远是关公战秦琼的事情。补超（作者） 回复 Jianchi Chen你提到的是其中一个原因，但是我认为更主要的原因是quant已经逐渐失去对ML背景PhD们的吸引力，论据有二：1. 在几年之前，quant曾经是一个比码农更高大上的光鲜职位。而现在，在MITBBS上我几乎再也不能见到ML背景PhD秀quant offer的帖子了，全是铺天盖地秀Startup或者FLG的offer，这个前后差异是非常明显的。2. 既然数据挖掘本就是大家的本行，那么酒香也怕巷子深恐怕不太会发生在ML背景PhD们身上（何况我并不认为Two Sigma, 高盛，或者Bridgewater的名气就小到大家真的需要去“挖掘”才能知道。）如果金融公司的号召力真的足够，想必也不会有一模一样的招聘模板在几个月后又换了一个猎头发给我的情况，我想他们已经问过一轮了。综上所述，我认为quant性价比变低才是猎头邮件较多的主要原因。Zhou Steve 回复 Jianchi Chen陈总在硅谷和HF都干过，觉得在初始待遇上两者差多少啊？Ray Guo调参数好无聊啊...一直以为自己代码写错了，结果0.00000好几个零之后 work了...轩轩难以同意。cs phd们读书时和大IT公司联系实在太紧密了，funding/fellowship可能是来自IT公司他们的，实习去他们那，开会赞助商是他们，研究成果被他们用，学长们工作去那，还有老板们兼职跳槽去那，所以自己自然而然也就去那了。而IT公司们广告公关也是高调地飞起。而hedge fund们就离cs学术圈生活很远也低调多了，所以来问周围phd们，多少人根本就不了解或了解很少quant，自然也就很少有人去了。czhai 回复 Alva不一定，HF的信息，就算名字也不那么容易收集。czhai 回复 补超（作者）我比较同意Jianchi Chen，金融招聘广告实在太多。极多是灌水和绿卡广告。我见过很多几年广告不换的，有些根本没职位，有些是面了一年又一年，呵呵。比如著名的blue mountain capital周瑜感觉和国内相反，金融轻松，IT苦逼洛基我想可能是在Startup里面做是知道自己在做啥，而在HF里面做完全不知道自己在做什么。虽然quant工资高但是其实并没有用知识创造什么价值。shadowleave：这个背景可以投quant的工作，而且有机会去front office，但是你值得更好的quant是一个supply非常多、竞争非常激烈的行当，即使是前台的quant，总体来说也是金融行业里上升空间比较小、淘汰率比较高的职业。基本面的analyst，在大行做2、3年就可以去HF，再2、3年就有很大机会升PM。同样，一级市场里5-6年经验已经是D的级别，10年基本是partner了。然而在quant位置上待10年却没有任何希望成为PM的人是绝大多数，原因无他，竞争者太多了发布于
8 条评论&腾天，外汇量化高频策略：建议直接去申请银行或者基金的quant职位。各大银行都在招你这种背景的人发布于
1 条评论&真心发问一个Quant想跳到CS需要补什么！发布于
5 条评论&考拉是只猫，Quant：政策原因，首先不建议回国，其次不建议转quant，原因是做到最后你会发现如果你能用ml（机器学习）在金融上赚钱，那你这个模型或者策略在cs工作或者公司里也能赚到同样的钱，换言之你如果因为现在的工资不满意而换工作，估计转做quant也未必有提升。最后，一定要转的话，知识建议在工作中再补。发布于
3 条评论&Edward.Fu，quant,业余德扑玩家楼主若有兴趣，简历来一份。关于排名第一的答案，从国内HF招聘方的角度来看，我的看法有些不一样。这个问题要这么考虑，startup和HF绝对不可同日而语，欧美国家这些发展越来越成熟的HF，所谓quant，就是挖矿，富矿，也就是钱多事少的岗位或者策略，早就被前人挖的差不多了。作为后来人，又能对现有公司增加多大的价值呢，显然会是边际效益严重递减。另外，我们回到这些startups，这些startups的风险应该要成熟的HF大很多。确实，大家能看到了成功后的那些startups，风光无限好，可那些死掉的分母呢？这个应该才是大比例吧。你在一个不知名的startup干了2年，2年后倒闭了。那等你下次再求职的时候，又能给你增加多少筹码呢？风险和收益永远是对等的，你在选择公司或者行业的时候，也是一样的道理。另外一个朋友回答说国内quant待遇差，前景渺茫，我实名强烈反对。你说的那两个朋友是没选好公司和老板罢了。简单来说，你在国内干好quant的基本工资是和国外quant基本持平的，而提成和年终奖更是秒杀码农和国外quant。别问我怎么知道的，因为我招人就给这个价。PS：如果你能在这个行业干个3-5年还能活下来，那你的待遇水平，负责任的说，足够秒杀去其他任何行业。编辑于
30 条评论&nova avon：无需补习任何东西，背景足够，财经相关知识可以在工作中学，CFA完全没必要。上海机会多些，虽然北京，香港，杭州都有机会，但上海机会多。买方机会更多, 也更适合你的背景。Quant里面的Quant analyst, Quant trader, Quant strategist更适合你。国内政策最近对量化交易不太友好，你已经在国外从事machine learning相关工作的话，不建议此时回国!编辑于
1 条评论&徐所谓向前，幻方量化：首先要明确的是，ML在绝大部分quant中是没什么用的。金融，尤其交易里的大部分东西都是一目了然的结果，并不需要ML从一大堆数据中盲目去挖掘出人类没法发现的有效信息。任何策略的原理都需要有非常有效的，强有力的逻辑作为支撑。统计背景是有优势的，会数学的码农比不会数学的码农有不少优势。CFA不用去考，这个东西和交易以及quant无关。我个人也是从CS相关跳转至量化交易，金融知识在转行之后很快就能学会，都是简单的原理和知识，作为一个phd来说不会有任何障碍。国内量化交易的私募团队并不是很多，基本集中于上海、深圳、北京和杭州。至于待遇和收入的问题，可以说前期的折扣价不是什么问题，你会发现，离钱越近的行业，必然收入越高，2-3年就可以完全忘记之前的工作了。发布于
3 条评论&洛基：强答一记。介绍一下我自己的情况，本身是金融专业，自学一些机器学习（菜鸟级），做过一些量化方面研究（也赚过钱）。其实经济和金融问题绝大多数都是有限资源条件下的最优化问题，从这个角度来说机器学习自然是最理想的解决工具。但是quant做的事情又分很多种，CTA、HF高频这两种主要都是依赖计算机性能的，偏向计算机科学（大卫肖），其实有点开挂了的感觉，好的策略敌不过超级计算机，最近的例子就是那个一秒下单30几次破坏我国股市稳定的俩俄罗斯哥，当然这么解释可能有点粗浅（因为他们其实是用了“幌单”，但高速也是真的），更著名的文艺复兴科技据说电脑运算速度能比肩NASA，所以机器学习在这个领域是不如纯计算机科学（发挥作用相对较小，基本都要求C\C++写代码）。另外一波做衍生品和股权投资的，又有P quant 和 Q quant之分，先说Q quant，这一类工程师主要以数学家和物理学家为主（少量数学极强的经济学家），比如著名的BS期权定价和他们的长期资本公司，通过数学手段计算风险回报，为资产定价并寻找错误的定价做多或者做空。更详细的可以搜搜看知乎相关问题。而剩下得P quant（我自己应该也属于这个方向）就是预测型quant，利用历史数据做传统回归、聚类或者贝叶斯都可以，只要能够得到一个好的模型，就可以根据预测结果进行short/long，如果理解没有错，答主应该是想做这个方向，这也是机器学习最容易发挥作用的领域。不过就我个人做的一些研究和浅薄的理解，机器学习不管是何种方法都是一种给定目标函数后的权重最优化，依赖于正态分布或者大数定律，而金融数据最蛋疼的地方就是概率分布不可知，不管是波动聚集性还是厚尾分布性特征都会让权重最优化出现过拟合，我曾经尝试过神经网络和SVM算法，Bias越低、Variance越高，基本都没用，后来看一本书里用模糊化的方法，其实是有点拓宽了置信区间的意思，这就舍弃了SVM精度表达的优势了。而且金融市场不像工业届，特征向量非常不容易提取，能提出来一个好的特征向量OLS就可以了，甚至用不到机器学习方法。而做金融行业最大的问题是压力很大，再好的idea再强的算法说不定分分钟就被市场击溃了，你压根不知道自己做的这个事情究竟有没有意义是不是对的，不像工业界你知道自己做的是什么目标是什么创造了什么价值。个人认为如果有不错工作的话还是作为兴趣比较好，对答主这个层次的人才而言全身心投入有点浪费才智。编辑于
1 条评论&匿名用户：找本John Hull的期货期权及衍生品看看，了解下市场中都有哪些常见的金融工具。然后找本Active Portfolio Management :A Quantitative Approach for Providing Superior Returns and Controlling Risk第一本估计您还得花点时间，定价模型您看得懂就看，看不懂就一带而过就好。第二本里面的绝大多数数学工具，估计你应该很熟悉。所以主要理解如何使用这些数学工具对金融数据建模。这两本书花不了您多少时间，看个差不多就可以找工作了。还有记得刷刷面试题。=========================================说一下关于职业选择吧。Start Up的尾部回报(右侧)肯定是更高的。平均无法比较，因为回报的分布无法定义，期望回报也就更无法定义了。如果都是打工的，我觉得对冲基金还是值得尝试的，平均收入(工资+奖金)还是要高于硅谷。当然拿大资金对冲基金经理某年爆发对比硅谷股票上市一夜暴富这两种小概率事件来比较，永远是关公战秦琼的事情。编辑于
3 条评论&CrazyBear：我擦楼主你这背景进米国顶级hedge fund都够了（至少可以拿到大部分买方面试），干嘛要回国？俺还以为只有我们这些混不进买方只好做risk/model validation的潘master才老惦记着回国发布于
2 条评论&匿名用户：既然做的是预测模型，可尝试下预测价格方向的quant工作。和当前领域最接近。北京上海深圳都不少，不过base比不了美国。发布于 &匿名用户：你这条件转什么quant啊。大公司applied researcher走起。发布于
5 条评论&什么都玩：你偏机器学习的话 索性不要做宽客了 宽客适合学物理的（我认为机器学习的博士在随机过程 微分流型这类模型上玩不过物理博士） 直接做高频交易 有大量高速学习对手行为的微型博弈问题等着解决发布于 &匿名用户别回国，国外需要你这个背景的一抓一大把，我们这些做fe的人现在最怕的不是学数学物理的，就怕你们这些cs的想不通（或者在本领域混不好？）来抢我们饭碗。说实话，现在你们这行来抢我们饭碗的都是在本领域不太拔尖的，你要是拔尖完全没必要来和我们争的。现在又不是几年前，继续做你的本行才是王道。你现在这个领域是钱景最好的，quant性价比已经大大下降了……我们这些学fe出来的都想转data…现在即使做quant也是想往前台或者data走…回想一下，要是我们系统的学过ml何至于此……唉。具体怎么转可以看看大家的回复，你只需要刷刷面试书，再去应聘个BB的tech analyst绝对没问题，三五年后跳到hf离钱最近的那几个desk，就成了你所谓挣钱的quant。其实这个career path一点都不如你自己的本行好。编辑于
7 条评论&感受人生，CFA作为未来知识的积累可以系统学习一下啊。如果是纯quant，这些背景应该已经足够了。特别是统计学知识。这个行业最重要的是稳定的盈利能力。而且有追求的人以后都会自己做私募，而不是给人打工。记得有个笑话虽然说的有些偏激，但不失为从另一个角度看问题：一个私募或者证券公司中，唯一没有CFA证书的就是基金经理了！发布于 &Sam Lin，Computer Science & StatisticsML已经不算纯CS，system才是纯CS发布于 &[ 此帖被9号法尔考在 09:25修改 ]
楼主。。我。。帮你踩你下。。
我是冲着标题ML点进来的
只看懂个ml发自手机虎扑
物理学转金融的人优势在哪里？是思维方式吗？还是数学基础？
【李望的回答(133票)】:
我本科在国内就读计算机+金融双学位，研究生在英国学金融工程，现在PhD第二年，研究的是信用模型及衍生品。
就像前一个回答者所说的，如果可以让我回到高考前，我会毫不犹豫地选物理，数学等专业。无他，数学基础太重要，当我考试度读master时才认识到自己本科少学了很多数学。当然编程能力你也能在数学物理等专业学习到。
金融领域很庞大，所以题目里的转金融实在是很模糊的概念。销售，HR，客户关系等职位，的确不需要数学多好，量化多精。正如再前面一位回答者所说的“与人沟通能力，人脉，是数学物理课本上学不到的。但是我相信，这些能力不是任何课程能教的。而这些能力是一个人的EQ而非专业技能。所以当讨论到人际关系，沟通能力的时候，我认为实际已经跑题了。不要以为华尔街里的人就像电影华尔街之狼里的小李子那样是靠忽悠赚钱的。那只是满足局外人意淫的艺术作品。
当我们抛开一些在金融领域里边缘的，非核心的职位不说。如果一家投行要设计某种衍生产品以满足客户的需求，一个很自然的问题就是，该卖多少钱。如果你说，当然越高越好，那么最少应该不低于多少钱呢？实际上他要考虑什么价钱才是合理的，所谓“fair price”。自然而然地，我们就涉及到了数学模型，概率，偏微分方程。对于更高级的已经无法推导出解析解的数学模型，其他数学工具，计算机编程能力就有必要。因为可能要用到asymptotic approximation, 傅立叶变换，PDE的数值解，simulation等等。实际上金融工程，金融数学基本就是围绕这个主题展开研究的。运用什么模型，如何求解，如何在这个模型之下做对冲 and so on. 当然这是起码master level的东西，本科需要积累
抛开资产定价不说，当regulator要求银行对于衍生品trading book的exposure计提capital reserve the时候，数学模型也是不可避免的。举个例子，当我卖了一堆衍生品给IBM，根据regulation，我必须对IBM的违约风险进行量化分析，再对于衍生品的exposure进行量化分析以最终确定我对于IBM违约风险的头寸有多大，再进行准备金计提。这里所做的都离不开前面所提到的各种数学工具的运用。例如其中对于Credit value Adjuatment的computation已经发展到研究运用GPU（显卡）编程以追求更快的速度。这已经是计算机科学，数学，金融的融合。也是其中一个例子为什么很多计算机背景的人也会进金融。我是无法想象只靠EQ，金融知识是能胜任这些工作的。
如果你不喜欢投行，在基金的核心领域里也无处不是数学（这里说的核心不包括拉客户）。高频交易，套利模型，asset allocation， portfolio optimisation等就会涉及到统计模型，各种时间序列分析（注意不是技术分析），计量模型，参数估计，非参数估计，HJB equation。而我罗列的只是我知道的，我不知道的可多了。
总的来说，如果你没理科生的头脑和基础，不懂技术，也可以进金融界，但是不怎么可能做核心工作，只能拉拉款，搞搞客户关系。我这里不是说人际关系，沟通能力不重要。如果想要进国际投行工作，这些是基本的。而现在国内很多本科生过于强调这些人际关系的能力，通常抽象成所谓办事能力而忽略专业技术的培养，是很不好的现象。
如果你上linkedin，搜索一下投行高层的背景，你就能看到大部分来自物理工程数学领域。很多物理的phd后来才做的投行。即使用的不是物理的只是，但对同一个金融现象的诠释，理工科背景的人对比起文科背景的人说出来的话是差异很大的。希望能帮到你吧。
-------------这里补充回答-------------
其实我看这个问题的时候没评论的各位那么扩散思维。题主问的是物理转金融优势在哪里。那么我就把物理学数学计算机科学在投行里的作用说出来。所以，
1，承销，卖衍生品，风控……谁才是主营业务，与题目无关。我说的是我知道的英美投行的情况。很多是基于我学长同学们告诉我的。这些人分别在citi，巴克莱，汇丰，摩根斯坦利担任quant。有risk quant 有equity quant。所以如果扯到中国特色，那真的是一个没完没了的问题。
2，我很反感把索罗斯搬出来做例子，因为这样的例子对于一个大学生来说一点指导作用都没有。如果你问一个大导演怎么拍好电影，他会跟你说他的世界观和哲学。他说的没错，但是他还没跟你说他如何设置摄像机和场景这些细小的技术面。因为这对他来说不是问题。而恰恰，太多人忽略最基本的技术，而把自己抬到一个分分钟能影响市场的角色想问题。就像Dai说的市场影响力，定价权。其实也没说错，但问题是一大学生哪来的资本，哪来的定价权？有的只能是技术，如果技术没有了就什么都没有了。
3，模型是中性的。不知道反模型的人有没有真的学过模型。至少学到现在没一种模型告诉我怎么忽悠客户把我的亏损都承担掉。就像我要买一份CDS对冲我持有的信用风险，模型会告诉我应该付对方多少钱。但是对方如果不懂模型，不懂自己要承担的风险而愿意接受更低的价格。这难道能怪模型？这得怪对方不懂模型。模型算出100块，您给客户送了100块，最后卖了300块。用一个不fair的价格，不合法的手段，造成客户巨亏，然后反过头来怪模型？如果一些人所强调的客户关系blahblahblah是指怎么送出去那100块钱。那么用户亏损了到底是哪个环节应该受到指责？
4，能搞定机构客户，搞定要IPO的公司。怎么搞？吃顿饭？其实这是说了等于白说，因为我看完了完全不知道明早我要朝哪个方向努力。如第二点提到的，没指导意义。
5，我感觉评论里有几个人提出反对意见，但是其实我们说的不是同一件事。我是从资产定价，风险管理的角度说明出数学的作用。但是感觉很多人在说的是理财投资？居然还扯IPO去了？Dai说“答主说的很多模型我们都是在实战中检验过的，有些的效果只能呵呵了。。。” 冤枉啊！！我通篇回答可是连一个模型的名字都没提过，连Black-Scholes都没提到，让你呵呵的是哪个模型？你真的读我回答了吗？另外你的“实战”又是什么？
6，其实一直有句话“尽信模型不如没模型”。每个模型都有一大串assumptions。所以它推导出的结果的意义也是有局限的。但即使有局限，其结果也是有指导意义的。就看用的人怎么理解了（不懂的就乱用咯）。其实就这个问题，有一个专有名词叫“model risk”，即运用不同模型进行定价的差异造成的风险。通常要对比，折中以规避这种风险。
我觉得讨论模型到底有没用实在没有意义。quant就做这个，这是事实，也没啥好反对的。我回答的初衷也只是告诉题主quant会这么干，而且没说其他技能没用。所以还是请反模型的人反应别过激了。在一个像投行一样的大机构，做什么的人都有。对于自己不熟悉的技能和部门加以反对完全没必要。但是反对前至少自己要了解，要不然反对得也没根据。另外，搞关系和搞模型是对立的？我不觉得。
【知乎用户的回答(61票)】:
我本科金融+硕士金融，本科属于文科，硕士在国外读的属于理科，而且已经工作了，如果你今后想工作我应该有点发言权。如果你今后想PHD可以参考楼上某人的话
如果能让我回到高考前我绝壁选择本科数学/物理+硕士金融
金融工作范畴太广，刚起步基本可以简单分为销售类，分析类和管理类
技术类的不用说了，技术分析谁都会谁都能学会；然而基本分析，建模，量化你以为想学就能学会吗？稍微简单的还好说，复杂点的模型对数学要求很高，这时你的优势就体现出来了。就我身边同学的水平我可以很负责的告诉你，搞数量和建模纯金融的肯定比物理+金融的差远了。
上面是我的主观感受，下面说客观事实，你去看看国内外大券商大投行总部招的技术类人才是什么要求，都是理工类和金融复合背景，物理和数学是第一选择。这也属于没有关系没有背景的人能找到的起薪最高且发展前景最好的工作了。
下面说销售类工作，高端客户作为上层人士，是不会被忽悠的，说服无非两个方法，一个是theoritical，一个是empirical，前者靠逻辑，后者靠数学，物理背景有没有优势一目了然。学文的人是能忽悠，但那只能骗骗小客户，真正的大客户都有自己的想法，学文的人说个话都没逻辑，能留住大客户吗？而且就我观察高端客户大部分都反感学文人的那种文艺幼稚的气质。
管理类工作我就懒得说了，这种工作谁学学都能做，谁晋升都可以，没有背景什么专业都一样。
前面是起步，下面说长远发展，这世界上最赚钱的工作永远是基金没有之一，对冲量化的招人要求网上有你可以自己去看
学好数理化，走遍全天下这话永远没错，因为你掌握的是实实在在的有进入门槛的技术，别人跟你就是有差距。文科硕士才真是没用，他能干的事大专毕业都能干。他今后唯一的出路就是和学历比自己低得多的人去拼人脉拼忽悠。而你的技术可以让你一下找到只有硕士才能干的工作。
纯数理化硕士不好找工作是因为这类专业偏研究，无法转化成利润，所以人才需求少供给大。量化金融就不一样了，你可以把建模转化成利润，而且国内现在量化金融人才缺口非常大，即便是在金融市场已经成熟甚至饱和的欧美，人才缺口也很大，你学好量化金融也不用愁工作。
最后说说自己的本科金融都在干嘛，就是背书，背完就忘，全是些理论知识，之所以说是理论就是因为假设根本不能实现，一点用都没有，你们学物理的自己看书也可以跟上我们，但你让金融的人去学物理的模型绝对学不会。
我之所以打了这么多是因为刚做完一个量化工程的题目，现在打从心底里佩服数学好的人。
数学和物理不是真理，但他们凝聚了历史上最聪明的人和现在最聪明的人的心血和智慧。你可以觉得它没用，但短时间内不会出现比它更有用的东西
【小切糕的回答(13票)】:
几乎没有优势。
用我的血泪教训现身说法，我是物理本+金融硕，下面从理论和实务两个角度分析物理（本科）转金融的优劣势。
理论方面，首先谈优势，一般来说，物理背景比经管出身的数学、计算机能力强，在逻辑思维、数据分析上具有一定优势。但是，一来这种优势并非物理独有，而是理工科相对经管科所共有的，二来这种优势往往不足够显著，除去少数天才，物理背景在数学和计算机方面远远不能与数学、计算机科班出身相比，很多经管背景的学生稍加学习即可达到同等水平。
下面谈理论方面的劣势，也是我认为物理转金融最大的劣势――决定论思维。物理学的核心课程是四大力学，所谓力学，归根结底是“作用”，讲究物质之间的相互作用规律，上至天体，下至粒子，无一能逃出决定论框架下的因果思维（量子力学引入了不确定性，但其研究框架仍是决定论的，爱因斯坦一直论战“上帝不掷色子”，可见决定论在物理学中的根深蒂固）。相较于分析和代数，物理出身的人在概率、统计方面背景相对较弱，而这方面恰恰是金融（数理金融）理论最依赖的部分。举个栗子，物理学中混沌的概念看起来可以解决纷繁复杂的金融现象，有一阵子很火，混沌看似随机，本质上却是决定论下的“伪随机”，初始条件的微小偏差（通常是超出我们观测精度的）导致运动终态的不确定，表面上就形成了随机性（有点像伪随机数的生成，用一个确定的种子生成一个循环周期非常长的序列，截取一段来看就很随机）。相较之下，概率论中的随机才是“真随机”，样本空间的样本点通过随机变量映射到实空间，即不需要初始设定，也不需要复杂的逻辑链条，而是从本质上承认不确定性的存在。决定论的思维在处理金融问题时带来了一些麻烦，市场上的一些“证券物理学”论调，给金融市场强加一个未经检验的因果逻辑，得出一些似是而非的结论，试图给证券投资这种艺术披上伪科学的外衣。相较而言，金融衍生品理论直接承认了不确定性的存在，并在此基础上对衍生品进行定价，把基础产品的定价继续留给市场，并不试图去进行任何形式的预测。
实务方面，以传统的IBD、S&T、研究三大块业务分别分析。
传统的IBD对social要求高，专业知识偏重会计和财务，物理背景在IBD方面有劣势；S&T中，目前国内的sales对产品要求还不算高，依旧是看重social（很多机构的sales团队都是清一色的女神团，能摸敢睡分分钟），传统的trader什么专业背景的都有，物理背景算不上优势，quant trader偏好理工背景不假，但物理背景比不上计算机和数学吃香，此外该职位在国内发展还比较初步（待遇发展尤其慢）；研究板块和品种关系比较大，权益、信用研究依赖基本面，看重宏观和财务，金工研究则是八仙过海，理工背景还是有些优势，不过物理背景依旧拼不过计算机、数学，甚至不如统计。
综上所述，有些金融行业职位亲睐理工背景，但物理的竞争力不如同为理工科的计算机、数学和统计。物理转金融，最重要的是抛弃决定论框架，学会用金融学的框架来思考金融问题。指望通过阅读物理书来搞通金融，我觉得是不切实际的。
【知乎用户的回答(14票)】:
泻药。
看到很多人说没啥关系，也有很多人说的神乎其神。我自身作为一个物理转金融的人来谈点我的看法。
首先，金融是一个很大的学科的，就像物理也是很大的一门学科。做IBD，M&A或者传统上的trading的，按很多人的定义都是金融。对于这类的金融来说，我感觉作为一个物理学专业出身的人来说，没有任何优势。但是对于现在很多的量化交易、金融风险管理等等来说，物理学专业出身的人可能就会有一些或者很大的优势。
我说物理学专业出身的可能会有优势是因为物理也有很多方向（请原谅我下述的这种分类），如果你是做实验物理的，可以说基本上跟这些金融的方向关系都不大了。但是如果是做统计物理或者计算物理，那么关系就比较密切了。比如说做强关联电子体系常用的一些hubbard模型或者Ising模型会用退火算法来做一些蒙特卡洛模拟什么的，做期权定价、算VaR的时候，我们常常也会用一些算法来做蒙特卡洛模拟。所以你看，这里大家做的还是有些类似的。另外数学物理方法里面会学点的PDE，用到的也不少。
最后总结用别人的一段回答来结束。之前跟S&P的一个物理phd的Director聊的时候问他觉得我们以前做物理的人转做金融有什么优势的时候，他说：“我想可能优势并不是很大。但是现在我这一批的quant确实很多之前是做物理的。因为我们做物理的有个特点就是：啥都懂点。这让我们很适合去做一些开创性、拓荒类的工作。比如说之前计算机最早出现的时候，没有人懂计算机，就是我们做物理的去研究计算机。后面成为了一门专门的学科了以后，就变成有计算机家专门去做这件事。对于quant finance来说，以前也有很多我们物理学家、数学家、计算机科学家来从事这个行业，但是现在已经有了很多像你这样专门的学习quant finance的人了，所以说将来应该越来越少学其他的来做这个了吧。”
【佟浩功的回答(14票)】:
谢邀，凡要挨打的答案一律不匿，总得有人说说实情。
我猜题主问这个问题的目的是想知道你在专业上的选择是否正确？
我也算是所谓理工转金融的人，有些话真是不吐不快。你可以说我还年轻见得还少，但是我和很多很多圈子里的牛人和高管交流过类似的问题，得到的答案全部都是：想做金融的话没必要本科学理工科，没什么用。我自己的感受是，说学理工学科对金融没用有点偏激了，应该是有很大用的，但是有用不等于你就得学它。花四年时间学理科，虽然为将来转金融打好数理基础，但是你从中的受益并一定比你的付出多啊。quant这个行业现在国外的形势是这样的，buy side的顶尖quant team不要什么金融啊MFE啊这种学历的，还是要理工phd，也就是说本科学理工硕士转金融的人实际上很少能得到在对冲基金做量化赚大钱的这种机会。而sell side的quant本身技术含量要稍低于buy side，有些门槛可能更多的是在金融和经济的知识上，甚至有数理基础一般，本科都不是理工科的人在做。
我觉得可以这样总结，理工转金融的人最适合做的工作是金融界的那些金融味儿不那么浓的工作，有很多因为喜欢金融而决定先打好数学基础的人，他们当初所感兴趣的不是这类工作，但是进了这行之后以后的选择余地也很少了。很多人可能是最初是因为投行、风投、并购等等这些东西才喜欢上金融的，后因各种各样的原因选择数学、物理、计算机一类的专业以打好基础。但是等你真的从学校走出去的时候你在这些工种上的能力和人家金融、经济、管理类专业的人才相比真的毫无竞争力可言（大样本而言，不排除有真的各方面很优秀的，我有个师兄就是这样，学习好情商高能力强人还很nice，简直是我的人生偶像）。而数理转金融的人我了解到的大多还是在金融领域做数理工作吧？这个真的是当初这些人想要的吗？应该不全是。
我认为”打好理科基础有利于学金融“这个说法是从学术角度来说的，在业界工作的话不一定。顶尖的金融学的研究现在真的离不开数学、物理、计算机。数学从来没有像现在一样对金融产生如此决定性的作用。不过这个是学者要研究的事儿，对于绝大部分人来说，学金融不是为了做这些数理味儿极浓的工作的。我们实话实说理工学生的情商、社会生存能力、人际交往能力等等这些金融需要的素质相比商科、社科学生总体而言有差距。不要光看着有一些物理、数学大牛在金融领域做的很牛逼，其实失败的例子更多。而且在金融界从事quant这种工作的竞争压力我认为是比其他工种大的，因为quant最后存活下来的都是最聪明、最能吃苦、最有创造性、甚至可以说是最天才的人。
综上呢，物理、数学、计算机乃至其他各种理工科的学生如果转金融的话，没法一刀切的说谁的优势更大，应该先看你是什么样的人。如果你是技术型人才，那先学理工科再转金融这个优势绝对是很大的，甚至可以一直读到理工phd再转金融我觉得最好。但是如果你是商人型人才，恐怕就谈不上优势了，可能还有劣势。技术型人才我觉得就以现在排名第一的答案那个答主为榜样就好了，而商人型人才我觉得你学金融然后补充数学知识要远比你学数学物理再补充金融知识来的值。
说中文不行吗 看不太懂啊
想你时你在舔鞭
收藏了，能看懂大部分；概括一下这帖就是说可以去顶级IT公司上班，量化交易自己研究，因为前者风险小。
引用5楼 @ 发表的:
说中文不行吗 看不太懂啊
我翻译了一下：
佟浩功的回答(14票)：
quant（宽客，比如量化交易策略、衍生品定价、风控等）这个行业现在国外的形势是这样的：buy side（机构投资者，如hedge fund对冲基金/现在实际是指封闭的私募基金，mutual fund公募的开放型基金）的顶尖quant team不要什么金融啊MFE（金融工程）啊这种学历的，还是要理工phd，也就是说本科学理工硕士转金融的人实际上很少能得到在对冲基金做量化赚大钱的这种机会。而sell side（发售各种金融产品的券商或投行）的quant本身技术含量要稍低于buy side，有些门槛可能更多的是在金融和经济的知识上，甚至有数理基础一般，本科都不是理工科的人在做。
我觉得可以这样总结，理工本科转金融研究生的人最适合做的工作是金融界的那些金融味儿不那么浓的工作，有很多因为喜欢金融而决定先打好数学基础的人，他们当初所感兴趣的不是这类工作，但是进了这行之后以后的选择余地也很少了。很多人可能是最初是因为投行、风投、并购等等这些东西才喜欢上金融的，后因各种各样的原因选择数学、物理、计算机一类的专业以打好基础。但是等你真的从学校走出去的时候你在这些工种上的能力和人家金融、经济、管理类专业的人才相比真的毫无竞争力可言（大样本而言，不排除有真的各方面很优秀的，我有个师兄就是这样，学习好、情商高、能力强、人还很nice，简直是我的人生偶像）。而数理转金融的人我了解到的大多还是在金融领域做数理工作吧？这个真的是当初这些人想要的吗？应该不全是。
我认为”打好理科基础有利于学金融“这个说法是从学术角度来说的，在业界工作的话不一定。顶尖的金融学的研究现在真的离不开数学、物理、计算机。数学从来没有像现在一样对金融产生如此决定性的作用。不过这个是学者要研究的事儿，对于绝大部分人来说，学金融不是为了做这些数理味儿极浓的工作的。我们实话实说理工学生的情商、社会生存能力、人际交往能力等等这些金融需要的素质相比商科、社科学生总体而言有差距。不要光看着有一些物理、数学大牛在金融领域做的很牛逼，其实失败的例子更多。而且在金融界从事quant这种工作的竞争压力我认为是比其他工种大的，因为quant最后存活下来的都是最聪明、最能吃苦、最有创造性、甚至可以说是最天才的人。
综上呢，物理、数学、计算机乃至其他各种理工科的学生如果转金融的话，没法一刀切的说谁的优势更大，应该先看你是什么样的人。如果你是技术型人才，那先学理工科再转金融这个优势绝对是很大的，甚至可以一直读到理工phd再转金融我觉得最好。但是如果你是商人型人才，恐怕就谈不上优势了，可能还有劣势。技术型人才我觉得就以现在排名第一的答案那个答主为榜样就好了，而商人型人才我觉得你学金融然后补充数学知识要远比你学数学物理再补充金融知识来的值。
一拉到底，大家学计算机学数学物理都是为了将来转金融挣大钱？
引用6楼 @ 发表的:
收藏了，能看懂大部分；概括一下这帖就是说可以去顶级IT公司上班，量化交易自己研究，因为前者风险小。
国内如果能去机构搞量化投资策略开发的话还是去这个，学成了自己搞个私募基金发大财，不过搞量化投资的淘汰率也非常高
引用8楼 @ 发表的:
一拉到底，大家学计算机学数学物理都是为了将来转金融挣大钱？
应该说是世界最顶尖的数学家和物理学家吧。
詹姆斯?西蒙斯（ James Simons，1938年－）是美国的数学家、投资家和慈善家。作为最伟大的对冲基金经理之一，他是量化投资的传奇人物。&西蒙斯1958年毕业于麻省理工学院数学系，1962年在伯克利加州大学获得博士学位。他曾任教于麻省理工学院、哈佛大学和纽约州立大学石溪分校。陈-西蒙斯形式就是以陈省身和他的名字命名的。&1976年，西蒙斯摘得数学界的皇冠 ――全美维布伦（ Veblen）奖，其个人数学事业的成就也就此达到顶峰。之后，西蒙斯转入金融界，于1978年开设了私人投资基金 Limroy，5年后创立文艺复兴科技公司，并推出公司旗舰产品 ――大奖章 Medallion基金。&西蒙斯领导Medallion对冲基金会以电脑运算为主导，运用数学模型在全球各种市场上进行短线交易。1989年到2009年间，他操盘的大奖章基金平均年回报率高达35％，较同期标普500指数年均回报率高20多个百分点，比“金融大鳄”索罗斯和“股神”巴菲特的操盘表现都高出10余个百分点。即便是在次贷危机爆发的2007年，该基金的回报率仍高达85％。用数学模型捕捉市场机会，由电脑作出交易决策，是这位超级投资者成功的秘诀。&西蒙斯一直对其投资策略讳莫如深，2009年夏天退休后更是深居简出。。。。。。。。。。。。　　　　　　在大多数人的印象里，华尔街应该是经济学家、金融家、会计师、财务管理专家等人的地盘，他们所学所用无不与经济、金融等相关，巴菲特、索罗斯就是其中的典型代表。事实上，华尔街也确实在相当长的时期内都被这些人垄断，但以世界顶级数学家西蒙斯为代表的宽客，却从中杀出了自己的一片天地，打败了众多华尔街金融大鳄，其武器就是量化型投资。​　　西蒙斯是近20年来最成功的基金经理，一开始西蒙斯与华尔街的很多人一样，采用判断型的投资方法。但他发现这样需要花非常多的时间和心思关注宏观基本面，如美联储何时会加息、加息之后会对产生什么影响等，以此来分析判断外汇和商品的价格走势，然后进行相应买卖。​虽然这种投资方法也为他带来了不错的收益，但也让西蒙斯承受了巨大的心理压力，甚至影响到他的身体健康状况。因为判断型投资完全要靠大脑根据最新的各种信息作出判断，为了能取得成果而不贻误战机，大脑必须随时随地保持高度警觉的状态。​　　西蒙斯后来回忆这段判断型投资的日子时说：“有时候你像个英雄，因为你投资赚了钱；有时候你像个狗熊，因为你赔了。不管怎么说，在大部分时候投资的得失都是由运气决定的。”​　　受不了日复一日的巨大压力，西蒙斯开始思考既可以做英雄又能降低人所承受的各种心理压力的方式。数学家出身的他敏感的意识到，很多交易品价格的变化应该是有规律可循的。他说：“有一些价格走势不完全是随机的，这就是说有可能通过一定的方式来预测。”​　　西蒙斯需要帮手，但他请来的却是一些看起来与投资毫无关系的专家。里昂纳多•鲍姆，统计学领域的佼佼者，他以著名的鲍姆-威尔士算法为基础编好了模型给西蒙斯，用来做外汇交易。西蒙斯还请到了石溪大学数学系教师埃克斯加盟，对鲍姆的模型进行加工改进，对各种金融价格之间的关联关系进行研究，以找到获利的规律。​　　西蒙斯把这个模型用在他管理的大奖章基金投资中，对此金融行业里大多数的人都认为这纯粹是无稽之谈，数学模型怎么可能赚钱？开张第一年，大奖章赚了8.8%，不好也不坏；但第二年起模型似乎开始罢工了，年初到4月大奖章赔了30%。西蒙斯果断的意识到可能是模型出了问题，于是又请来一位数学大师亨利•劳佛，对模型进行诊断和手术。​　　劳佛和西蒙斯花了半年时间苦思冥想，做出一个影响大奖章“一生”的决定：将过去模型中有关宏观经济数据的部分完全剔除，只留下技术性数据，同时把注意力都集中在短线交易时间上。这次修正被称为大奖章基金的“遵义会议”，当时制定的投资战略被保留至今，成为大奖章长盛不衰的根本。​　　西蒙斯和这些数学家、统计学家、密码破译员修正好模型和投资方案后，大奖章基金的奇迹开始上演：1990年净回报率55.9%，翌年39.4%，之后两年分别是34%和39.1%；1994年美国债券市场回报为负6.7%，大奖章基金却净赚了71%；2000年科技股灾，标准普尔美国股票指数跌了10.1%，大奖章却获得了98.5%的高回报；2008年全球金融危机，大部分对冲基金亏损，大奖章赚了80%。从1998年成立到2008年的20年间，大奖章基金的年平均回报是35.6%，而同期标准普尔美国股票指数每年平均仅涨了9.2%。如今这枚华尔街的“大奖章”仍然在不停地赚钱。​神秘的宽客​　　西蒙斯的团队中包含了各个领域的专家，甚至是语音识别专家，却几乎没有经济学家和金融学家，这群人利用数学公式和数据模型创造了大奖章基金的奇迹。​　　这群靠数学模型分析金融市场，并用复杂的数学公式和计算机在稍纵即逝的市场机会中挖掘利润的投资家被称为宽客（quants），他们预测股票是涨还是跌基于一连串令人头晕的数字变量。21世纪初，精于技术的宽客开始成为华尔街的主宰，在华尔街成就了自己的宽客帝国。​西蒙斯、肯•格里芬、博阿兹•魏因斯坦、彼得•穆勒、克里夫•阿斯内斯等华尔街的顶级数量金融大师，都是宽客中的“巨人”，在金融市场上各显神通：格里芬专注于用数学方程寻找链家证券、穆勒擅长在高能计算机上进行瞬间股票买卖、魏因斯坦精于交易信用衍生品……而共同的是，他们都是量化型投资的拥护者。​　　　　[ 此帖被9号法尔考在 11:17修改 ]
引用8楼 @ 发表的:
一拉到底，大家学计算机学数学物理都是为了将来转金融挣大钱？
主要是数学家（包括统计、运筹）、物理学家、计算机专家伊曼纽尔?德曼是很早一批转投华尔街的高能粒子物理学家，他在华尔街从业17年，最后成为高盛的常务董事，并且是著名的高盛量化策略小组的领导人。他是当今应用广泛的、具有影响力的金融模型的合作开发者。德曼说“当你研究物理学的时候，你的对手是上帝，而在研究金融学时，你的对手是上帝创造的人类”。[ 此帖被9号法尔考在 11:26修改 ]
引用11楼 @ 发表的:
主要是数学家（包括统计、运筹）、物理学家、计算机专家伊曼纽尔?德曼是很早一批转投华尔街的高能粒子物理学家，他在华尔街从业17年，最后成为高盛的常务董事，并且是著名的高盛量化策略小组的领导人。他是当今应用广泛的、具有影响力的金融模型的合作开发者。德曼说“当你研究物理学的时候，你的对手是上帝，而在研究金融学时，你的对手是上帝创造的人类”。
我咋听说普通学生去做金融也没问题，甚至用的方法手段都一样，只不过把高能物理的数据换成了金融数据。
引用12楼 @ 发表的:
我咋听说普通学生去做金融也没问题，甚至用的方法手段都一样，只不过把高能物理的数据换成了金融数据。
做金融可以，比如销售、传统交易，但根本做不了量化交易这些用到数学模型的
步行街的水平已经这么高了吗
在量化交易方面，美国究竟比中国领先多久？亲爱的龙哥，Quant at Bluewood Capital谢邀，可是我啥也不懂啊。。。不是圈内人士。。。我吹吹牛逼败败火，说的话有真有假，还希望找也内人士来讲解 @kuhasu@总体感觉1、国内搞量化闷声发财的很多都是从美国回来的捡钱的2、美国的市场衍生品多，股票难做庄，T+0量化用的地方更多。3、相关英文文献和书籍十分丰富，中文的找不出来，翻译过来的都少4、美国有的是钱成立各种HEDGE FUND，国内没这么有钱5、光是技术上国内很多都处于开发阶段，比如交易平台啊，数据接口神马的，不过现在基本都开发好了6、国内领导懂量化的少，就是当成新鲜事物很酷而已，对量化没那么重视。作为一个刚毕业的学生说说自己的体会，一大群中国聪明、数学好、编程佳的学生选择了出国深造，多数具有博士、硕士学位，对于国内的薪资水平与国外的量化职位相比，很难吸引他们（公司没有平台让刚毕业的人创造价值，新人又期望更高的工资）。第二就是国内为了获利，目前的策略都是类似于技术分析的感觉，数学好的学生无法学以致用，国外对你的测试是从智力上，编程上和数学上，而不会直接问“你有什么能赚钱的策略吗？”这种问题。他们认为你聪明你数学好，我就知道怎么来培养你和使用你让你发挥你的价值（我可以教你金融但是我没法重新教你数学）。国内问的是“你看看你的水平能为公司赚多少钱？”所以目前的现象是，很多牛人毕业后在美国获得了量化职位，学到了本领之后，选择回国创业或者说回国工作，然后就会带新人，中国的量化就发展起来了。把一个中国人培养起来，再到他回国发展，怎么着得10年吧。2010年中国有个股指期货，一群人开始搞高频交易。08年美国高频交易太赚钱被媒体曝光的时候人家发了很多年财了。中国估计今年或者明年推出期权，而LTCM已经在98年破产了。毕竟美国走在前面，我们追赶速度肯定是越来越快的。抛开国际金融环境，硬件进步速度，我觉得量化中国落后美国10年以上是有的。不过既然美国量化有那么多中国人。。。嘿嘿，美国一赚不到钱，加上国内市场牛逼了，国内量化人才就立马爆发式增长了。发布于
5 条评论Leon，人工智能公司创始人, 前对冲基金合伙人1. 技术储备量化交易这个行业，中国不仅是本行业的技术储备不如欧美，而且实际上，量化交易经常运用各行各业的最先进科学模型来开发策略（eg. FBI用的人脸识别模型，NASA的空间物理模型、地质勘探的地心引力模型等)。这为量化交易提供支持的整个泛行业科研科技储备也落后于欧美。曾接触过中国量化交易基金经理，感觉在本土化上具备很强优势，但研究水平和视野开阔度，比起外资同行还是稍逊一筹，这可能不是能力问题，更多是技术环境问题。和其它交易策略不一样，量化交易不是纯粹靠交易天分市场直觉（但很重要，常能激发策略灵感）、而是很大程度靠科学研发能力（large scale research) 和技术水平（hardcore technologies）。谈到这里，就简单说下量化交易的策略研发方法。第一类，传统策略量化。很久前，交易员们就开始做趋势策略、反转策略、剥头皮策略、造市策略等各种不同风格的策略，只不过那时是手工操作，或者半自动化。随着市场发展技术成熟，量化交易把这些策略的研发和执行自动化了，从而提高了研发效率和水平、降低了交易成本，较大程度的排除了人的不稳定因素。这类交易，可以说是利用技术来提高原有策略的研发和执行，并在交易频率和规模有了变化，但本质上并不算崭新的策略类别，以前赚钱策略的也许能赚的多一些，亏钱的策略，量化也不能把他变成赚钱，这就是「思路错了量化也救不了你」。第二类，科学技术驱动策略。是纯粹或很大程度上基于技术(technologies)差别的策略。这类也有一定历史，但真正变成一个庞大引入注目的策略类别，则是近10年计算机技术的飞速发展过程中产生的。常见的情形是，某机构因为采用的算法效率更高，计算机硬件更强大（超级计算机），产生了细微的速度和计算优势，从而在交易上抢的先机，并运用自动化交易频繁交易大量产品，用巨大的交易量产生稳定的收益。这类策略，IT技术和科学模型起了很关键的作用。这就是「技术就是你的思路」较早开始高频交易的Tradebot 是这类策略的典型运用者，在2002年就达到了每天一亿个订单，差不多在那个时候很多传统做市商被Tradebot 和 Getco 这样的新型电子做市商挤出市场，后来Tradebot 和 Getco 一路用技术碾压其它电子做市商竞争对手。在2005年, Tradebot 剥离了 BATS Global Markets，也就是现在美国第三大股票市场BATS。而1999年Tradebot 刚成立时，工作室地点是美国农村Kansas City的一间小地下室，里面阴暗潮湿，只有5个交易员坐在电脑屏幕前监控交易，那时每台电脑上都配备了一套叫着“Tradebot”的软件。而Getco 对策略的运用更广，野心更大。2012年，也是老牌做市商的 Knight 因技术故障，向纽交所发送大量错误order，导致公司巨亏4.4亿美元，股价两个交易日暴跌七成，被Getco以18亿美元价格收购。人们常对西蒙斯文艺复兴的大奖章基金长期持续的高回报印象深刻，而实际上不太为媒体所知的是 Tradebot 常年保持每天（而不是每月或每年）盈利，not even one single losing day，原因是文艺复兴有很多新基金要向外部投资者融资（赚钱的大奖章很早停止了外部融资，而实际新基金表现比大奖章差很多），需要做一定程度的IR，而 Tradebot 不对外部投资者开放，自己低调赚钱，这也是HFT很普遍的特点。如果不是市场几次出现大动荡，HFT被揪出来当替罪羊，媒体口诛笔伐，基本是没有多少人知道这个低调的类别。第三类，新型量化策略。则是得益于计算机技术的发展，慢慢发展起来的策略，它不完全是基于执行的技术优势，更多是利用技术研发出新策略。例如统计套利，需要较多计算机计算资源进行数据挖掘模式识别，这在以前仅仅靠人力是难以胜任的，IT技术的发展和成本的降低使得这些策略的研发得以可行。这就是「技术产生新策略」量化交易这个行业的科技含量很高，它不仅招聘了大量数学博士、物理博士、计算机博士来利用其它学科的最先进技术和科学模型，同时不少研发出的模型和促进的技术进步，也反哺其它传统行业。最明显的是显卡和GPU的飞速发展，一定程度上是受到高频交易对巨大计算能力需求推动的。世界上有很大一部分超级计算机，除了呆在物理实验室，还在对冲基金里。待续。。。2. 量化基金，它们的策略和收益3. 基础IT设施4. 市场深度，产品种类5. 经纪业务6. 投资者偏好7. 政策监管，外汇管制8. 职业前景和转行空间9. 薪酬待遇，税收人才集中在哪里，哪里就先进发达。吸引人才的薪酬待遇是最大问题。一般中国机构开出的薪酬远不及欧美日，而且品牌和发展空间也不太有竞争力。能感觉到， 在某些中资机构人才还只是被当成螺丝钉和扳手，而不是发动机。在最接近金钱的行业，体制却透出国有企业事业单位的气息，很难吸引人才。这个行业外资受中国法规限制，一般不在中国直接开展业务，即使做中国业务，也是把公司设立在香港、新加坡、东京、首尔等，另外也会通过一些曲线的方式进出中国。税收。很多人其实想回国发展，但算过税收这笔账后，马上打消念头，掉头去了香港和新加坡。随手附上《个人所得税税率对照表》，这里的税率是top marginal rate，为各国地区适用的最高税率应聘职位，或对 AI 及封测有兴趣，可加微信 lichengang2011（请注明知乎ID）人工智能公司 Renaissance生命科学公司 Renaissance Life编辑于 &杨影枫，quant，兴趣广泛各种浅尝辄止：1交易市场的落后：包括交易品种、交易的微观数据、交易市场的不完善，具体举例来说，交易品种我们连期权还没有；交易的微观数据国外交易所是可以达到分笔的级别，而我们是每0.5秒撮合完成后截面推送；交易市场本身是垄断行业，除上海深圳股票交易所以及四家期货交易所外没有二级市场交易所，而且交易所间交易品种相互独立，不存在竞争性；同时杠杆交易、做空等等交易机制也非常不完善；更不要提市场本身存在着的内幕交易行为。导致的直接后果是很多量化的思路根本无法实现。2交易理念的落后：大多数量化交易人员的思路还是K线如何走出形态后追趋势的阶段，本质上来说，还是处于用量化方法驱动主观交易逻辑的层次，量化的意义只是让交易更客观、更少受到人为影响；真正的用较大算法难度的统计模型驱动的高等级策略市场上其实很少很少，大多都是国外回来的团队在操作。3交易经验的不足：国内量化交易的起点可以视为股指期货的上市，现在量化交易的主要阵地也是这里。但股指期货只有短短不到4年的时间，本身样本也太少了。。。最后还要多说一点，即使在欧美市场，真正长效赚钱的量化团队其实也不多，这一直都是少数人的游戏了，国内量化概念这么火，其实有能力的少之又少编辑于
7 条评论&kuhasu，对冲、PE知乎用户、一二、Louis Nirenberg 等人赞同1、欧美也有不少菜鸟，与国内不同的是，银行和对冲基金，pe，资产管理公司对人员的要求不象国内宣传的那么重学历和学校牌子，能力更重要些，这可能是最大领先的地方。2、至于监管，国内不少方面比欧美先进，但是也与市场复杂程度和资本流动有关。3、知识层面上美国基本没什么领先的了，有些东西实际是中国人研制的。忍者神龟和鳖精以及土鳖出海的多的是，看个人，群体评价没意义，北大清华照样有垃圾，野鸡大学也有能人。4、至于海龟问题，有个现实情况可能得面对一下，国内金融高管几百万人们币了不起了，但是我们这里前台年薪20万美金，注意美国个税比国内低。一个基金经理一年几百万美金是很正常的，即便新手菜鸟，待遇也是基本工资十万美金起。那么问题就来了，很多海龟有斯坦福，普林斯顿，MIT的高级学历，为了家庭，对象，国家，回国挣二三十万人民币，是不是有些太高尚了，而且是不是太普遍了？可是同样的，我认识的不少优秀海龟，在欧美也是好手，却没有得到应有的报酬和重用。举个例子，杨剑波，小伙子客观讲还是很优秀的，但是光大的人才评估机制，待遇机制有问题，把他放在了不合适的位置，然后出事儿了，部门建设是相当于建立机构内对冲基金，他的能力是做不到的，另外，用雇佣券商的钱来雇佣对冲基金的人，你们用脚都能想出来，那可能吗？所以对人才的评估和任用，是个大硬伤。而且办公室政治严重。但是这挺好的，没有这些肥羊，咱们赚谁钱去？5、至于技术方面，自己看着对比吧，下面的在美国也是新的新型的事件驱动与大数据投资应用_kuhasu_新浪博客发布于 &slevin lee，想做quant的trader：以前听过别人把交易策略划分成几代几代的~数起来头头是道非常牛~问题是~谁清楚的知道美国与中国现在做量化策略的具体情况呢？量化交易与电影不一样~这东西是个小众的~非公开性~国内有非常牛逼的交易团队也不会公开说自己使用的是啥策略~比如和讯上届期货实盘大赛冠军ID 往事如风~你看他的资金曲线能知道是啥策略？30年前的海龟在国内现在一样有人用而且赚钱~能说明国外领先中国三十年么？国外量化交易领先中国很多不假问题是领先多少年一点意义也没有啊~让你领先100年又如何文人才关心这个~交易员只关心钱..欧洲股神都给A股跪了~巴菲特至今不敢开A股户~A股熊霸天下已经很多年~:)国外的高频交易如何如何牛逼~1秒交易几千笔~国内的交易所0.5秒才一笔数据你高频交易咋搞？广东麻将高手能否打败长沙麻将高手这事需要探讨..我倒是觉得能否提出这样一种假设~美国人炒股票厉害所以来中国炒股肯定能赚中国人的钱~如果这个假设成立的话~中国人可以跑去越南缅甸炒股~赚越南缅甸人的钱对吧？发布于
6 条评论&李腾，科学投资联合创始人；FOF、QEPM；清华数…我觉得自2008年以来，海外量化对冲经理陆续回国创业，水平上已经接近华尔街。落后的是国内基础设施：优质数据库、便利的交易工具、完善的制度体系。优质数据库目前差不超过10年吧，交易工具还差20年（瞎说的，受证监会的决定和类似”光大“事件之类的突发事件驱动），完善的制度体系还差几十年吧（不过主题结构已经差不多了，剩下的是细节）。发布于 &MrBayes，身虽家宅而心怀天下非专业人士，谨慎回答一下，以下仅涉及A股市场。首先国内A股的量化还处于起步阶段，基本上还是一片待开垦的处女地。不是大家不努力，而是可开垦的只有这一亩三分田啊，个股期权和T+0都推出来以后会好一些。国内有个量化投资学会，建议楼主关注。国内搞量化的小公司也有一些，不过融券的操作都得依托大券商，卖空不是那么自由。对于量化高手而言，A股真的是捡钱的一个市场。。个人而言，参加过量化相关的比赛，实际上也是国内券商结合华尔街归国人士搞的，旨在打开思路发掘人才，很有益的尝试。也参加过A股量化的培训，但是实际上是传统的技术分析培训，并不是你输入几个通达信或者大智慧的公式就算是真正的量化了，远远不是。BTW：写完了才发现楼主只“想听业内人士的看法“，所以请主动折叠我吧！发布于 &D Young，量化风险/组合管理/衍生物/对冲基金/各种…知乎用户、知乎用户、知乎用户 赞同我来插几句, 个人看法, 不代表业界共识:和国内的量化人员接触过一些, 总的感觉, 差距还是存在的. 具体表现在:1. 缺乏科学客观的方法体系来评价, 开发量化交易策略.2. 难以深刻理解, 合理管理风险.3. 投资者对收益风险的畸形追求造成投资风格的单一化, 并造成潜在的交易策略同质化.发布于 &ken chong，白天搞量化，晚上搞中医。张大牛 赞同国内量化交易主要集中在期货这一块，而股票这一块就比较少，主要是T+1的缘故。与美国市场相比，国内衍生品的品种少得可怜，这也限制了量化交易的发展。股票期权的推出会轻微的弥补这一方面不足。发布于 &知乎用户，热爱教育，熟稔经济pipi shaou 赞同量化模型其实在t+1市场的运用没有多大用处。欧美市场借助计算机手段，量化交易可以在1秒中之内完成数次交易委托，可以同时监控数百个全球金融市场的投资品种的价格变化并且进行相应计算，可以24小时不间断交易发布于 &芥末三文鱼您说的主要是高频交易把，其实量化分很多，高频只是其中一种。高频在T+1目前操作确定有困难，但也非不可能。其他策略的量化基金活得还是挺好的，比如基本面量化。段天量化已经有成功的了 成功的都是闷声发大财的 不管差多少年 真正搞出来了 你就会发现其实不用说这些发布于 &不能用真名，以后经常来此地励志感觉量化交易就是赌场出老千发布于 &邹锐，程序员看看美国的股票分析杂志论坛，有民间高手自己作程序写策略，写指标，做backtesting，中国这方面的信息很少，不过最近新浪开放了股票数据，估计会普及一下。发布于 &toney son个人觉得其实美国的量化也是有高有低，各种方法乱起八糟的都有。我没直接进入过相关公司工作过，不过倒是经常看美股的盘面。有聪明的程序，跟着强势的一方跑来跑去的，也有更聪明的，造势，吓唬人玩的，更有比较傻的，噌噌的下单，什么都不管，大有“有钱 任性”的样子。所以感觉未必都是特别先进的。但是，先进和复杂未必能赚钱，老土的均线未必不好使，不信，找几个大盘的美股看看，均线什么的还是很准的。发布于 &知乎用户，Quant/Strategist我觉得反而是不成熟的市场才有机会，传统的模型很多已经过饱和，原因就是西方做得太多太成熟，很多机会已经被"arb-ed away"。正是因为有种种困难，才有量化的机会。很多CTA也开始尝试,less liquid的市场，不也是因为过饱和么？量化的核心在于edge,而在不成熟的市场尝试顶尖的概念是不是也算edge的一种？对国内不甚了解，希望不要有误导，请多指教。发布于 &逐鹿量化余乐星，逐鹿投资量化交易员这个问题很有意思，如果单说市场环境，配套产品来说大概有15年吧S发布于 &[ 此帖被9号法尔考在 13:17修改 ]
看看。。。
您需要登录后才可以回复，请
& 允许多选
0人参加识货团购179.00元0人参加识货团购149.00元0人参加识货团购125.00元0人参加识货团购219.00元0人参加识货团购85.00元0人参加识货团购199.00元1人参加识货团购89.00元0人参加识货团购749.00元0人参加识货团购499.00元0人参加识货团购158.00元0人参加识货团购339.00元0人参加识货团购539.00元