偏数学背景的程序员想转行Quant需要弥补哪些知识，如何入行？

应用数学硕士，三年IT企业工作（有限元模拟仿真和图像处理）偏数学的算法实现还好，但是开发能力一般，对象接口design pattern之类的不行，故而想早点改行脱离IT。MATLAB和R语言都会，近年内回国（港、新）转行做Quant。不知需要恶补哪些知识?

统计、随机方面底子还行，又自学了一年，主要借助这三本书：
John Hull《Options futures and other derivatives》
Steven Shreve《stochastic calculus and finance》
这两本内容，自己练习纸上推导，基本掌握：martingale和stopping time相关理论；伊藤积分、Feyman-Kac BSM PDE；风险中性、delta gamma hedge、numeraire转换；volatility smile、随机波动；Vasicek、CIR、Hullwite等利率模型，HJM框架BGM模型
《a course in derivative securities》看得略泛，没自己推导，在上两本书基础上又了解digital\ quanto\ exchange\ barrier\ asian\ choosers 等期权的定价覆盖理论

目前感到两方面弱点：一个是风险，尤其是诸多达人提到risk quant方向，不知道有哪些书可以看？这是一个大问题。另外是缺乏金融市场概念性（偏文科）知识和实践经验。除了efinancial网站不知道还有哪些求职途径，希望达人指点一下，不胜感谢了：）
-----------------------------------------------------------------------------------------------------------
提问一个月，关注也从十来个人涨到了一千人，谢谢答主们慷慨建议。
更新一下，好多答主批判我南辕北辙缘木求鱼了，pricing方面市场需求在萎缩，Steven Shreve和Kerry Back的书我都白读了（手动大哭表情）。说risk quant方面的位置多点，不知道是否应该赶紧转型。请求大神指点一下，在目前的背景知识下（请忽略IT部分），如果转risk quant还要读哪些书，或者有没有什么更好的转型方向？谢谢！

李望 · 2018-9-22 11:43:39

谢邀。看到题主已经自己有了解而且还看了书，很感动。题主很有heart，比很多连搜索都懒得搜，直接上来提个“xx专业想转quant应该怎么做”的人不知强到哪里去。楼主你看书的路子是对的。但xva先放放，蒙特卡洛一定要熟悉，特别是mc如何运用到pricing上。xva如果不是做risk quant或做相关研究，可能不会再接触到。况且xva是需要pricing知识为基础的，算是进阶知识，所以不适合一起看。基础要掌握option pricing，风险中性等知识。所以先把选择与未来看了，就有基本了解了。如果能啃完那本stochastic calculus，数学基础就没问题了掌握 equity， fx， interest rate的options如何做定价和greeks怎么算，greeks的interpretation。然后我推荐看介绍volatility模型，包括implied vol，local vol， stochastic vol, SVI。你会发现在各种vol model下，期权定价会变得更加有趣。

至于interest rate，当然你最终会看到HJM，但是先别急，从short rate 开始看。从最简单的vasicek 考试，推倒一下forward rate，理解一下forward measure，interest rate option。再进阶到HJM。

Pricing大量用到数值方法，要编程实现，相信对题主不是问题。

对于怎么入门，我觉得以题主的it背景，转 quant developer 难度比较小。但是题主自学以上的知识，如果走experienced professional的招聘，你cv上写的自学以上知识，会有多少hr给你面试会是个问题。如果没面试，你以上知识掌握得再好也没机会表现。如果可以，找熟人内推。或者读个相关的硕士学位？

至于面试，有其他方面的知识点要恶补，也就是三四本面试前才看的书。如果想问更多，欢迎题主私信或微信我。

卖女孩的小火柴 · 2018-9-22 11:43:40

说实话，现在这个市场。真的不需要Pricing Quant了。所有大投行Sales and Trading 都在萎缩，而且说实话这么多年了，市场都没有对Pricing Quant有什么大的demand，之后也不会有

但并不是说市场对有计算机，数学的背景的没有需求，相反，需求很大。主要在这几方面：
1）搭建automated market making system：现在，至少美国，dealer很少往复杂产品发展了（所以pricing需求小很多）。主要的发展方向是基于网络平台的，量贩式，薄利多销的模式。FX都是往这个方向做了，客户上网trade，dealer给stream pricing。
主要需要技术是：a) 编程，建系统；b) market making algo （statistical analysis，之类）

2）trading strategist： hedge fund需求较多，虽然近年来HF industry也不好，但需求还是有的

3）传统的Dealer还是需要人来做：a) 完善一些以前比较manual的活；b) 做更好的tools； c) regulatory的一些需求，比如Basel, CCAR

4) asset management：自己认为AM自古以来都比较少注重quant work，所以空间很大。资产配置，risk analytics，之类的都是可以做的

in summary，不要做复杂的东西了。pricing 没需求。真的

＝＝＝2016儿童节更新＝＝＝

完了完了，把题主说哭了。。。我来道个歉。顺便补充几点

1） Monte Carlo 多有用啊，不光在金融领域。主要是作用 a）Path Dependent Payoff b）不光能给出平均期望值，还能能给出distribution，对于风险管理，计算VaR特别有用。
2）我的意思是，大家提到的很多数学工具都是很好的东西，学习学习打好基础没有坏处。知识全面对quant很有用。但是说到底这些只是工具，最终需要知道如何应用，有无需求。好比说你闭关10年搞清楚怎么price一个巨复杂的option，但如果没人买了，那就没需求了。
3）我觉得这些数学工具掌握的程度就是：a) 知道足够多，能通过面试。 b) 知道它们的用法，实际意义，优点，坏处。如果碰到一个问题需要解决的的时候可以想到他，如需要再花一点时间细看下就能知道具体细节。
4）转行做quant，最难过的两个坎其实是：a) 渠道：不知国内如何，但是美国如果你是Analyst/Associate进来，第一个工作或者实习，基本上没人管你以前学什么的。但是如果是experience hire，感觉就没那么容易。我从来没看到过比如说做了3-5年程序员的简历。为什么呢？因为HR，猎头直接就给卡死了。所以如果有朋友直接递简历或许会帮助大一些。或者迂回些，先quant developper, 总之先入金融的门。b) 面试: 这个需要练习。我下面具体说。
5）讲到面试，我来讲讲我一般问的四类题：

金融／经济：即使没有金融背景，所谓intuition还是很重要；公司如何盈利，宏观经济如何影响金融等等，包括bond math
计算机算法：无论什么样的quant，写程序基本逃不了。具体的语法不重要，但是解决问题思路很重要
数学／统计基础：不多说了，但从来没问过特别复杂的（最喜欢问泰勒展式－好多人不会啊）。被问过最复杂的问题也就只是求个Stochastic Integral。
Brain Teaser：一般看下解决问题思路，是不是愿意交流思想。答出与否次要，展现思路就好。我的工作需要跟客户解释较复杂概念和自己的想法，所以也测试是否能很好表达自己

希望对大家有帮助

黄秋古 · 2018-9-22 11:43:41

我是题主，2016提的问题，转risk quant一年半了。做市场风险分析，模型参数调试，编程VBA足够，其他语言可以自选。这里把转行过程和面试经验分享以下，以下内容只针对海外Q-quant有效。

技术准备部分：

题目说了两本书John hull的《Options futures other derivatives》

Steve SHREVE《stochastic calculs in finance》。

数学基础差的第二本可能略吃力，但是第一本一定要了解。对于随机过程Shereve的书只是基础，下面这本书比更全面 http://www.cmap.polytechnique.fr/~touzi/Poly-MAP552.pdf...
以上对于stochastic部分基础是够了

还有一些单独的知识点，经典教材里可能没有，

1SABR利率模型《managing smile risk》PS Hagan，这个论文每个细节都要看，虽然论文出来很多年了，但是sabr模型和sabr shift模型一直都在用

2Heston模型，针对equity和forex，同时最好了解一下forex volatility smile，因为他的strike是按照delta来的

3一些其他stochastic Local volatlitity模型稍微了解一下

4Multicure framework，OIS和BOR利率的区别，这部分会把collateral和risk包含进去，并因forcast和discount 的区别导致定价差异. 最好是会背Feymann－Kac公式根据SDE写出payoff答案

5.解释numeraire转换?（Girsanov定理应用，例子是LMM模型下，远期利率以W（T）为标的就是martingal）

6.一些老生常谈的问题，例如sigma变成0或无穷大，期限无穷大，期权价格怎么变。为什么期权价格和标的实际利率无关。为什么美式Call不该提前执行。

7.关于利率部分，建议把《选择未来和其他可能性》+Shreve的混在一起看，前者形象科普便于理解，后者才是严格推导加深巩固。从Vasicek HW CIR到HJM框架。如果可能的话，最好google一下QG高斯平方模型论文，在银行应用的比较多。不仅仅是在利率方面，在信用风险方面也是如此（因为credit spread和利率会相关）。会问到常见利率模型的下Bond的概率分布，模型优缺点比较。HW2F模型书上相对少见。

针对以上基础部分常见面试问题有

常见问题有：
Black-sholes公式推导和BSM微分方程推导，几乎必问
二元期权的Delta Gamma Vega形态是啥样（建议全部用spreaded strike call diff推到）
SABR和Heston模型的优缺点。
蒙特卡罗模拟有哪些缩减方差途径。
各种模型参数，以hull-white为例怎么从市场数据calibrate的，这个比较重要。

关于风险部分了，应该读一下John Hull的《风险管理与金融机构》，但是这本书不足的地方在于信用风险CVA 模型没有细讲，对手违约的intensity建模不够，所以需要了解一下countparty default intensity的建模方式，通常是卡方过程。

还有一点相当重要的是，FRTB（Fundamental Review of the Trading Book）。原始的VaR将在2020年之前被Expected Shortfall取代，对IR FX EQ CR 等六大类产品规范化了保证金计算。所有风险保证金的计算都将采用FRTB2016 regulation。因此未来几年（现在已经开始）世界投行都会狂招做FRTB的人。

FRTB大致分为内部interne模型和标准standardised模型，
前者重点在ES取代VaR
后者在于Delta Gamma Vega sensitivity保证金计算
具体的搜索一下BIS官方文件，在这里Minimum capital requirements for market risk

技术部分先说这些，随时补充

关于找工作途径，我觉得并不是像其他答案说的那么复杂，并非MFE根本进不了HR的眼。

一开始官网投了一些伦敦的银行确实比较悲剧，可能最近sponsorship太难了。

投荷兰的ING和AMBO，基本都给了一两伦面试。

在efinancial career放个简历隔三差五也有猎头骚扰。

linkedin上面也矿加各种业内认识、猎头和中介公司。

我知道自己直接招聘比较难，所以就通过一个外包合同，把我塞到middle office里了。

最后的最后，答主项想回国了，如果有猎头看上的欢迎骚扰.

Shiva0419 · 2018-9-22 11:43:42

第一次逛知乎，看到很多大牛，很是兴奋。我刚工作一年，不过补充一点我的见解。

入门肯定是Hulls和·Shreve啦。然后我是rate quant，所以入行之后读了三本Piterbarg （就是之前也有人提到的Interest Rate Modeling）.之后就是自己读最新的论文。写写Front Quant中大家比较关心的话题吧（可能仅限日本）
1. Volatility Interpolation (SABR肯定要会啦，但是·SABR是不兼容负利率的嘛，也不能Control Wing, 所以各家公司都有为负利率和CMS Product 开发自己的延伸）
2. XVA 有人提过了不多说这个本身不难，就是烦
3. Term Structure (LMM大家都会，但LMM SABR啥的其实实用起来问题很多，长期看来开发一个好的东西还是不错的。日本主流是Shifted LMM和 Markov Functional Model吧。这些装机本身不难但是验证起来很烦）

那么Quant最需要的能力有啥的我觉得是社交沟通能力（够）

其实这个行业最容易自爆的是那种钻牛角尖型的，什么问题都想着自己解决，做事情没有先后顺序，没有轻重。每周和Global Quant Head汇报也是支支吾吾，别人不知道他在干什么的那种。Quant不像交易，你想一天上24个小时班也是有活干的，Front Quant每天要接受Trader的各种脑残问题，要看市场，要做各种无聊的tool的开发，静下心来还要开发模型（可能有些公司不用吧，我在的地方front又开发模型还要做validation），其实一个人是根本忙不过来的。只有和别人商量，排清轻重才行吧。
至于数理内容，编程这些其实慢慢就会了。模型和市场不匹配是没有用的，Totem都拿不到，再高级的模型也没用。还有Parameter Rich也不是啥好事，如果自己做了Trader就会非常有体会。

面试时大概会问啥问题？基本刚毕业的话就是Math Test吧，问Model的话懂就懂不懂就不懂吧。最忌讳不懂model内在就用的人。抗压（和trader，risk都要做好朋友）+实事求是 +数理知识（最次要），具备三点就可以成为优秀的Front Quant。至于这行业萎缩的事实，确实也是的。这种front的工作可能可以一次赚很多，但一辈子平稳的看下来其实赚的也就那么多。。

总之，做金融这个行业让我开始更加尊重别的行业。（毫无关系的收尾）

Chandeman · 2018-9-22 11:43:43

谢邀
我主要是在私募做固收方面投研的，所以仅从有限的经验来分享一下私募对于quant的观点，有错漏之处望批评指正。
知识这块主要分三大方面：pricing、portfolio management和algo trading（这样分也不知道对不对，不对的话也暂时假装是这样子了）。
（1）pricing相关：
一般都是做定价，尤其是期权套利与做市、OTC衍生品和债券做市（别的我也不清楚了）
楼主所看的书主要都集中在pricing这块，而国内私募几乎不招pricing方面的quant，即使招一般也不是干pricing方面的研究，即使是研究pricing方面的，一般都是随便让你去玩玩的（多么痛的领悟）。。。国内券商和公募这些招得比较多，但比较看学历，很看学历，非常看学历，一般只招博士，最好是海归，还在华尔街浪过或者搞过AI之类的优先。。。
（2）portfolio management相关：
一般都是做股票和债券组合以及MOM、FOF管理为主（我知道的也有少数优秀的私募在做商品期货这块的组合管理）
这块现在国内券商、公募和私募都招。券商和公募要入行的话得看学历和校友资源了，而对于基金经理这个级别的一般是看学历、履历和历史业绩（主要还是看学历和履历，因为国内绝大部分基金经理的业绩都不好）。入行私募做量化研究员相对容易些（基金经理层次的恰恰相反），学历不要太差，然后有扎实的编程基础（一般是python、matlab、R、SAS和C++五选一以及一门数据库）和扎实的组合管理知识，能复制学术上经典的alpha model和risk model就差不多了，另外还有几个类型的model看缘分吧，一般也不要求。
（3）algo trading相关：
一般都是做CTA的
这一块五花八门，以TF-trading和paris trading为主，有的用一条MA跑天下的，也有用ANN和HMM什么的来做。一般都是私募和期货公司在找。对了，千万别进期货公司，别进期货公司，别进期货公司（重要的事情说三遍）。。。入行要求和（2）中的私募要求差不多，最好会用TB、MC之类的，懂一些基本的TF-trading和paris trading策略就差不多了。

July Zhang · 2018-9-22 11:43:45

谢邀。
之前好多答主说的挺好的。pricing quant确实需求不是很大，多数是一个萝卜一个坑。而且由于监管变严银行利润下降, sales and trading 是萎缩的，好多银行都freeze hiring了。同样risk managent方面market risk也是一样。但是你的知识也没白学啊，market risk好就好在知识是transferrable的，银行买方基金都可以做，不像credit risk基本就是commercial banking锁死了。

lz的背景，像很多人说的，做model developer最好了。但是这一块的就业，很多时候需要refer或者校友关系alumini招聘，很多时候在网站上直接投中标机率小一点。试图打入你target城市的quant小圈子，然后让他们帮忙递简历，可能能增加成功率。

另外，有本书叫做quantitative risk management，lz不妨翻翻看看？

LeeS · 2018-9-22 11:43:46

谢@黄山远邀。
很多业界牛人已经回答的很好了，quant需求确实不大，而且竞争激烈，你想想你能不能拼过那些计算金融、统计或者随机微分方程背景的博士和博士后呢？我个人觉得可能性不大。这一行更多的是靠内部推荐，走公开招聘的比较少，师兄引荐师弟入行是常态。彼此知根知底，背景相似，沟通起来更容易。其实金融数学包括衍生品pricing什么的，看起来吓人，实际已经工程化、套路化了，谁做都是做，招聘的也倾向于找个熟人，不是吗？

能手刃Shreve的书，说明你的基础是很好的，即使有个别知识点不熟，也可以经指点后快速上手，你的问题不在于能力本身，而是有没有合适的渠道打入到quant圈子，从而走内部推荐的路子入局。要说有点美中不足，是学历。干这行，学历挺重要的，如果想拿到满意的薪酬，博士基本是标配，不能说博士干的活多有技术含量，也不是硕士就不能胜任，实在是博士太多，而且能力又不差，title很漂亮，没必要花高价去聘用一个硕士。我绝对没有贬低硕士的意思，学历这玩意，也算是金融忽悠的一个方面，个人感觉哈。

机器学习，人工智能挺火的，我觉得你可以考虑，薪水也不比quant差，甚至要好。以你的功底要转也容易，我不是很理解你为什么不做IT？quant跟IT差别也不大。如果是薪水问题想去做quant，不妨考虑该做人工智能。如果是真心热爱金融，那就得开始混圈子了，看看有没有实习或者人脉，慢慢打进去。唯一的建议：不要被书海淹没了，你的基础够用了，要接地气，做点实际的工作。书是永远读不完的。

我佩服所有执着于自己梦想的人，也理解由于薪酬转行的抉择，毕竟理想和面包同样重要。倾听自己的内心吧！

黑猫Q形态 · 2018-9-22 11:43:47

在更新，应用中其中一个要不得内容是基于非线性 Lsqr 用市场数据对模型的参数估计（俗称calibration），要补一发梯度下降法（gradient descent）

分割线———————————————————————————————————————

再更新，有人私信我BSM的model free 特征函数形式是啥，我讲讲好了：
本来我们的BS公式张这样：
$C=S_N(d_1) + Ke^{-rt}N(d_2)$
这里是假设log normal（GBM)的，现在要把这个推广到任增量服从同分布的过程的levy process上。而我们知道，相当多分布不存在pdf，只存在cf（特征函数）。所以我们需N（d1）和N（d2)的推广形式：

$C_0 = S_0 \Pi _1 - e^{-rt}K \Pi_2$

$\Pi_1 =1/2 +1/\pi \int_{0}^{\infty } Re[\frac{e^{-iwln(K)}\Psi _{lnSt}(w-i)}{iw\Psi _{lnSt}(-i)} ]dw$
$\Pi_2 =1/2 +1/\pi \int_{0}^{\infty } Re[\frac{e^{-iwln(K)}\Psi _{lnSt}(w)}{iw} ]dw$
其中 $\Psi$ 为S的特征指数（指数特征函数）， w为积分参量，无意义。

理论上，这样就可以股票服从任意分布了，而且在特征指数上操作，远比在一般概率函数（CDF和PDF），比如我假设多加上一个密度为lambda的泊松挑，那么只需相应在特征指数上多乘一个泊松的levy测度即可：
$exp\left\{\tau\lambda [e^{iw}-1] \right\}$
不过强度Y_i 则需要levy测度v来衡量
$\int_{L} exp\left\{\tau\lambda [e^{iw}-1] \right\} v(dx)$
或者简单点，如果规定了指数跳跃幅度服从正太分布
$S_t=S_{t-} *e^{Y_i};~ \forall Y_i \sim N(\alpha, \beta^2)$
那么特征指数会有简单的形式
$exp\left\{\tau\lambda [e^{iw\alpha -\frac{\beta^2w^2}{2} }-1] \right\}$

引用：“Jump-diffusion models: a practitioner’s guide”; by:Peter Tankov; Ekaterina Voltchkova

分割线———————————————————————————————————————

更新：一直有同学问AP三魔王是啥，就是我曾经讲过的这仨：

分割线———————————————————————————————————————

既然是Pricing quant，那我就斗胆说了。

题主自推shreve数理肯定是没问题了，知道一些定价原理就成功了一大半；

然后数值法要是没看得看一下，因为很多具体的数值求解（比如特定greek）和方差缩减技术是要掌握的，这个可以看glasserman，glasserman是绝对的权威。

XVA和CDS是我们这些竞争不了pricing的low逼risk quant搞的，作为pricing稍微懂一点就好了。但是pricing竞争激烈裁员疯狂，如果刚不进去还是得来risk系苟一苟的（比如喵我,没错我确实在劝退）。而且risk要人多，监管者也看重risk（然而心还是pricing的心，毕竟莫顿祖师的正统流派）

剩下的如果要更加硬可以看如下内容：
implied vol model
stochastic & local vol model（Like Heston）
Interest rate model（主要HJM框架的其衍生）
Model free BSM under charcteristic function（包过一些levy process的特征函数）

补充：比较牛逼的交易员搞对冲用Duffie's dynamic hedging。但是那本我没细看，所以不发表评论了

匿名用户 · 2018-9-22 11:43:48

提示: 作者被禁止或删除内容自动屏蔽

匿名用户 · 2018-9-22 11:43:50

提示: 作者被禁止或删除内容自动屏蔽

小i和小C · 2018-9-22 11:43:52

（1）我认为程序员有计算机背景，转 quant developer 难度比较小。接下来需要的就是数学和金融知识，尤其是衍生品（如CDS）、指标、风险、配置方面。

首先，要掌握期权定价，风险中性等基本知识。所以先把John Hull的《Options futures and other derivatives》看了，就有基本了解了。需要强调的是蒙特卡洛模型一定要熟悉，特别是蒙特卡洛模型如何运用到定价上。

其次，要掌握关于股票，利率，外汇的期权如何做定价和金融风险如何度量，如何解释，最好看Steven Shreve的《stochastic calculus》。

接着，要深入掌握期权定价，我推荐学习随机波动模型，包括implied volume，local volume， stochastic volume, SVI等不同条件下的随机波动模型。学习随机波动模型之后，程序员对不同volume, model下，期权如何定价会有更深的了解。

最后，关于利率的模型，我推荐从短期利率开始看。从最简单的vasicek model，再推导到长期利率，理解一下关于利率的期权，最后学习Heath-Jarrow-Morton模型。

（2）对于怎么入门，我觉得以程序员的it背景，转 quant developer 难度比较小。
但是如果程序员只是自学以上的知识，在投递简历时很难被hr认可。如果无法面试，那么以上知识掌握得再好也没机会表现。如果可以，建议找熟人内推。或者读个金融工程的硕士学位。

不知是不是题主所要，先一股脑想到什么说什么了......

JD-Quant · 2018-9-22 11:43:53

谢谢邀请
首先我先大体的综述一下，量化投资行业中最重要的环节就是策略开发了。

先从准备知识的角度来看，量化交易需要三类知识：数学，金融，计算机。其中，金融知识需要宽客了解各种金融资产的性质和交易规则，数学模型负责在这样给定的规则系统下探寻获取超额收益的机会，而计算机编程能力使得这样的投资模型得以自动化实现。

CS/EE等理工科专业本身对数学有一定要求，在国内的量化投资领域中基本已经可以游刃有余。对于计算机编程，CS专业自然可以胜任，而EE专业中可能更多用到的是C++，Matlab等语言。国内研究的主流语言是Python或者R，有了面向对象编程的经验，借助一些教学素材，很快可以速成。

在预先准备的阶段，主要需要补充基础的金融知识，包括宏微观经济学，货币银行学，投资学，衍生品（以期货为主），和基础的财务会计，至少要对各类金融资产，市场交易规则，投资基本原理等有所了解。其中，宏观经济推荐一个学习途径——《财经》期刊。这是一个非常学院派的期刊，虽然其中的观点受到政治压力，但分析问题的逻辑清晰，是了解宏观情况很有效的途径。

同时，计量经济学，时间序列模型和一些统计学知识是各类策略中不可缺少的工具。能够灵活使用统计学工具，才能更好的利用历史数据找到稳定的投资机会，或者准确的检验投资思想。其中共线性问题，平稳性假设等等细节，也会影响到统计结果。该部分内容在CS/EE专业中可能简单涉及，但不深入。可以参考计量经济学书籍（如伍德里奇《计量经济学导论：现代观点》等）。

有了先修知识储备以后就可以进行策略开发了。当新接触这个行业，尤其是非经济金融背景的人，开始的时候应该多从已有的策略入手，熟悉开发过程，培养对金融市场的直觉。这些策略多来自国外的一些发表在顶级期刊上的论文。也可以看看《Active Portfolio Management》，《Quantitative Equity Portfolio Management》，《Quantitative Trading Strategies》等系统的书籍。也可以参见京东量化平台上的各种策略主题。

一个成功的策略在于细节。主流的投资策略其实就那么几种，多因子，技术择时，统计套利，行业轮动等等。但对于同一个策略，经验丰富的投资者能够比新手表现的更好，更多是在于对投资思想更灵活的运用。每个策略根本思想是什么？某个特定的市场或行业应做出什么样的调整？每个环节可以使用什么不同的统计量或数据处理方法来更好的实现策略思想？模型参数应该如何调整？这些问题都是在不断的实践中才能得到答案的。量化投资中重要的价值不是编程能力，亦或是数学方法，而是对于市场和模型深入的理解。

策略开发离不开数据库。可以使用万得等数据库的接口，也可以通过京东量化平台，使用封装好的函数访问数据，并完成回测。经常看到这样的说法：不自己搭建系统就不能算真正的量化投资。这样的观点是扭曲的，事实上，对于中低频交易，只要能够便捷的实现策略思想，检验其表现，通过任何方法都是可以的。量化平台还很大程度上避免了自己搭建系统中可能出现的bug，包括回测中使用未来信息等问题。毕竟每天有很多用户在使用这个平台，出现bug的几率大大被降低。而在高频交易中，系统效率就显得尤为重要，为了追求速度大多会采用C++等语言。

事实上，量化交易行业中除了策略开发也有很多其他环节。如果有良好的编程基础，大可以尝试担任系统搭建等职位，扬长避短，而不一定要追求看起来最光鲜的岗位。国内量化交易行业正在逐渐发展，而很多策略还是不同程度的依靠主观判断，而且亏钱的不在少数。所以进入这个行业之前也要慎重，确定这是自己喜欢的事业。由于投入成本很高，只有坚持下去才能领会其真地，成为成功的投资者。

想要学习更多的的量化知识可以来我们平台看一下

http://quant.jd.com/college/index?from=zhihuwenti3

Multiple Partie · 2018-9-22 11:43:54

quant的主要工作就是研究金融领域的模型吧，所以免不了还是要在电脑上建模，写算法，仿真验证等等。和楼主现在的有限元仿真，图像处理有什么重大区别吗？而且你现在从事的方向可都是现在计算机应用的大热门啊。比如说Google的计算机大神Jeaf Dean 现在就在做图像处理。我还跟他交流过，Jeaf 基于Google的Tensor Flow平台可以做出非常有深度的图像数据挖掘。

上面是技术角度的分析，下面主要谈谈社会环境。因为众所周知的原因，大陆现在的金融类的技术研究完全是假的，没有市场经济和健全法制，正常的金融模型根本不适用于大陆。因此你即便是转金融，也最好留在国外，那里有成熟的市场需要金融类的技术研究者，回国搞金融那是下下策。

还有，现在国内政治，经济环境沉珂难返，二代和暴发户们早都偷偷地跑路了，你还回来送人头。。。。。。实话跟你说，你现在首要的是拿到绿卡，为了这个，做最底层的码农都是上策。。。。何况做码农在技术上并不低端。Google有几千个码农，只有几十个研究员，谁敢说Google的码农没技术？？

当然了，如果你的身份已经解决了，或者你现在的雇主可以帮你解决。那么上上策其实还是留在你现在的方向，你举的两个方向：有限元仿真，图像处理，都是数学和计算机技术应用的重要领域，无论是技术还是市场应用都有长远而广阔的空间。甚至可以说是计算机技术的发源领域，比如计算机一开始就是专门给大规模流体力学，弹道计算等用的。

何子垠 · 2018-9-22 11:43:55

谢黄山远邀

对Q这行，太专业的我不懂也不会，另外也不知道题主是做哪个市场。

至于说需要恶补哪方面知识，身边还真的有Q来问我。就国内商品期货市场来说，我会带着Q去现货商、生产企业和交割库跑一圈，观察一轮产业资本做套保或者逼仓的操作，完事再让基本处于蒙圈状态的Q们自己去想怎么把这些东西建模。题主放心，这些内容书里肯定没有……

我知道Q这行现在发展迅猛，国外早已成熟，但能影响市场做方向转变，或者行情持续性的最核心主导力量，是一线产业资本和偏基本面的游资，Q得知道他们是怎么想，怎么做的，这是真心话。

所以对于当下的Q来说，我还是建议对基本面数据做分析，而不是只注重价格变动。在现代量化分析被大规模应用之前，人们是怎么发现重大交易机会的，是吧。另外，降低交易频率，我不认为高频是高效的交易手段，频率越高，越容易偏离基本面。最后，Q一定要自己实盘交易，而且最好是不用Q的手段去做，如果能实现稳定盈利，那么你的建模思路会产生本质性的转变。

LTerrier · 2018-9-22 11:43:56

谢邀。

感觉楼主很认真地准备各种知识、技能，手动先点个赞。

前排那么多高大上的回答，我来泼泼冷水，说说quant（定义本身就含糊）是否需要掌握那么多“高大上”的东西。

答案是否，现实是你只需要在面试中表现的很牛逼，那么你就很牛逼。

卖方：不管是pricing（包括research）, 还是model validation，需要的数学翻来覆去就那么点浅显的随机（会用伊藤引理和戈萨诺夫定理）和浅显的微分方程理论（概率表示方程解，微扰理论，其实也就是泰勒展开啦），做到这些，你甚至可以不用花上一两年功夫打基础，翻翻市面上泛滥的参考书，实在没底上个一年的各种mfe的课当当心理安慰。你要知道，这个行业里面，至少95%的人都在不懂装懂地装逼，拿些他们可能也不会的东西来忽悠你。正是因为门槛低，所以面试会问很难的题，但是你要在面试中表现地比他们还牛逼，他们就怂了。这个行业的定律是，每个人都觉得自己很牛逼，数学编程都很好。也许吧，井底之蛙都是自我感觉良好的。

如果你不幸（或者有幸？）踏入这个行业，你要不停地问那些senior，这些模型可能确实很美（美也很主观啦），但是为什么要用这个模型，以及你们到底明不明白自己在用模型干什么？越复杂的模型不一定更好。why？多用自己的脑子思考，不要盲目崇拜或服从权威。中国学生的很大一个特点是可以成为很好的执行者但不是创新者。但希望你能要求自己每做一件事情都要问why。

金融衍生品行业很简单不需要复杂、更复杂的东西。会编程是非常重要的技能。学好c++，走遍天下都不怕。

买方：统计多，学数学的都知道，统计一直在鄙视链的最底端。我就不多说了。

说句题外话。quant算是金融业里还比较技术的岗位了，但pay不是最高的。金融行业（在每个行业应该都一样），离产出链越近，pay越高，商科的人也越多，自然东西也越简单。赚钱的东西都不会太难，于是整体quant也不需要太多的知识储备。那怎样才能显得自己牛逼呢？装啊！

总之，学会装逼，也是一个必备的技能呢^^。

TraderJay\'s · 2018-9-22 11:43:57

q quant的需求主要在复杂衍生品定价这一块。趋势是逐年下滑的。

不过金融it，hft交易系统方面的，risk it，都挺好找工作的，也可以试试呗。

偏数学背景的程序员想转行Quant需要弥补哪些知识，如何入行？

16 个回复

最后的最后，答主项想回国了，如果有猎头看上的欢迎骚扰.