干货 | 做Quant, 你以为会Python和SQL就够了？

Quant的发展前景

Quant的工作就是设计并实现金融的数学模型，包括衍生物定价，风险估价或预测市场行为等。商业银行，投行，对冲基金，会计公司，软件公司都会需要。Quant按公司性质分为卖方和买方。典型卖方Quant如投行；买方Quant如对冲基金公司、自营交易公司等。

1.卖方Quant

卖方Quant主要用数学、统计、计算机的知识设计金融产品并为复杂的金融产品进行定价、风险控制。在投行，想要在前台做Quant的竞争会异常激烈，因为对Quant的需求大多还是在模型验证和后端风险中。但这些年对这类人才的需求在逐步提高，因此前台岗位也在不断增加。

2.买方Quant

买方Quant主要运用要用数学、物理、统计、计算机等理工科理论，预测价格走向，在证券市场中做交易。比如像Jane Street这样的自营交易公司以及Renaissance Technologies这样的量化对冲基金公司。

3.Quant的薪酬待遇

在美国投行，一个没有经验的Quant每年大概能挣到平均12万美金的Base Salary，再加上股票奖金、佣金、年终分红等奖金，以Citi为例，Total Compensation一般会超过14万美金。

*图片来源：Glassdoor

02.什么专业可以做Quant？

早期的Quant主要是一群学物理数学的PHD，所以如果学这方面想要转投行也是非常有优势的，但是缺点是需要自行补充大量的金融相关知识。随着这些年人才缺口的增大，越来越多的院校专门开设了对口专业，而非对口专业转行的情况也屡见不鲜。

1.Quant 对口专业

MFE（金融工程硕士）、MQF（量化金融硕士）、MMF（数理金融硕士）可以说是Quant 对口专业了。其课程基本会涵盖了Quant必备的编程+数学+金融三方面的内容。同时，这三个专业出来的就业一般都不错。下面是这三个专业TOP10院校的毕业生的平均薪资：

*图片来源：网络

2.Quant 非对口专业

如果不是Quant对口专业，又没有就读于MFE、MQF、MMF。那么针对Quant做相关知识和经历的补充，也有机会从事相关方面的工作。

选择再读一个相关专业的硕士。读两个master或者读完PHD再念一个master在国外并不是很奇怪或者难以接受的事情。你可以在教授的指导下系统的学习专业的知识。学科背景也会更加突出。

如果不想再继续读书，那么在数学方面确保掌握：real analysis,measure-based probability theory, stochastic processes and stochastic calculus就基本上差不多了。这个方向也是很多人读金融数学的目标。

03.Quant需要会哪些语言？

1.效率类语言：C、C++、Java等

很多老派Quant都是C++高手，特别是80年代涌入华尔街的那帮MIT的高能物理博士们。在那个年代，可以选择的语言不多。要么就Fortan，要么就C/C++了。所以当时这些语言同时充当着基础架构（infrastructure）和数值计算（比如Monte Carlo）的双重目的。

2.胶水类语言：Python、Ruby等

Python、Ruby是新世代Quant的福音。这些语言最大的特点是比较快，编程复杂度高，维护相对简单，同时大量的包（比如Numpy+Scipy）可以轻松实现向量运算。

3.查询类语言：SQL、Q等

金融公司很多时候都是使用Oracle等关系型数据库，SQL是基础。Q是为了应对金融中的海量数据而采用的一种非关系型查询语言，特点是极快。

04.面试Quant的关键点

一个来自于大摩的面试官透露，他最喜欢在面试问到的两个问题是：

对于某个股票，如何大致测出它的波动率

某个利率改变，哪些资产的价格会出现变化

从这两个问题可以看出来，Quant面试没有想象中那么复杂。面试官更看重两点：第一，你理解基础知识的透彻程度。第二，你知识掌握得是否全面。

在面试中，你可能会被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，甚至他们会讨论你的论文，并就此问一些相关的问题。

所以，你不需要表现得某一方面非常突出，面试官会更倾向于那些在数学、编程、市场...等各方面技术知识都比较平均的人，同时，展现展示你对这个领域的兴趣也很重要。需要经常阅读Economist, FT 和Wall Street Journal等会有帮助。

05.Quant学习网站推荐

1.Quantopian

网址：https://www.quantopian.com/

Quantopian提供免费教育，数据和工具，因此任何人都可以进行量化融资。选择成员许可他们的算法并分享利润。

2.AlgoTrading101 

网址：https://algotrading101.com/

算法交易学习网站，可制作自己的交易机器人。

3.Asirikuy

网址：http://asirikuy.com/

asirikuy论坛包含有关新交易技术（如机器学习），策略生成技术（如我们的数据挖掘软件实施），编程，实时执行，虚拟专用服务器，经纪人等的讨论。

来源：UniCareer

------------------------------------------------------------------------------------------------