在量化交易領域，研究和開發是行業存在的基礎，已經有人做了大量工作來回答一些尚未解決的問題。在投資銀行和對沖基金的語音交易平臺上，你會發現交易者、結構者和開發量化模型的量化——對復雜的單純期權和奇異衍生品合約交易、定價并進行風險管理。90年代衍生產品定價專家的技能組合通常是擁有一個在頂尖院校的純數學專業的博士學位，主修馬爾可夫鏈模型、偏微分方程或蒙特卡羅建模。快進到今天，技能組合已有很大不同。Quant 需要在計算金融領域有堅實的基礎——這是一個軟件工程和應用數學的結合。

最近的一項研究證實了這一說法(見下圖)；請注意，在2005-2010年間畢業的Quant占了所選定學位的畢業生的近50%。相比之下，2010-2015年下降了18%。而且當你在不同時間區間之間比較科學碩士學位的流行性時，他們已經經歷了一個向上的軌道，并且顯著增長了13%。值得注意的是，人們越來越有興趣雇傭在某一特定領域從事進一步研究并有實際工作經驗的Quant，而不是一個可能已經花了8年時間攻讀哲學博士學位和博士后研究的Quant。對未來的雇員來說，實際工作經驗比理論知識更有價值。也就是說，重要的是要認識到，高度專業化的Quant Researcher總是會優先選擇擁有博士學位的寬客作為技能提供者，比如在無人監管的環境中進行獨立研究和分析。

?

自2008年金融危機十年后，有證據表明，市場已經發生了變化，對風險的偏好在很大程度上降低了。曾經不知道或對理解他們正在買賣交易的復雜證券不感興趣的客戶現在更傾向于投資流動資產。這些奇異金融產品有成千上萬的標的的產生高回報的高風險的奇異產品已經越來越不受歡迎，因此迫切需要對這類產品進行建模。因此，流動性交易量的增加和流動性工具交易需求的增加是市場的大勢所趨。

Quant 不再僅僅關注構建復雜的衍生產品定價模型；重點已經轉移到改進現有模型和使用技術來創建工具——這些工具準確地代表了真實世界的風險/機遇以供交易者采取行動。因此，技能組合的轉變已經轉移到諸如計算金融、工程與計算機科學、模式識別和信號處理，以及人工智能和機器學習。技術進步的副產品是可用的計算能力，這意味著跑一次包含大量市場數據的模擬，過去可能需要幾個小時，現在可能只需要幾分鐘。緩慢、不可靠和過時技術的成本是生產率的障礙，因此，量化系統開發工程師的市場依然繁榮活躍。那些能夠開發核心基礎設施和生產系統的人會被給予很高的重視。這些系統可以有效計算千萬衍生產品合約，并且能夠研究剖析數字和作出有價值的分析報告。特別強調的是運用的語言是 C++，目前市場上，90%的對沖基金公司都在招聘C++ Developer。但是能夠達到要求的C++ Developer 卻不多。?

上面的圖表說明了在未來教育中被選中的正在流行的研究領域里兩類人員之間的差異，第一類是畢業于2005-2010年間，第二類是畢業于2010-2015年間。 在結果中有一些重大結論被發現：在兩段時間年份中，數學都是最流行的研究領域，畢竟這也是數量分析到如今經久不衰的基本原則。但是，然而，顯而易見的是，在同一時期，計算機科學的受歡迎程度上升了4%，接近第二位。看來統計數據在排名中有所下降了10%，并被機器學習所取代。機器學習占第二組的19%。有些人會認為機器學習是統計建模和應用于大數據集的計算機科學的混合體，這使得它在當今的行業中成為一個更相關的選擇。在此期間，金融和工程略有變化，而普通科學從圖表[1]中的第二名上升到圖表[2]的第四名，受歡迎程度下降了18%。

人才之戰

很明顯，如今Quant的角色已經發生了變化，因此這個術語不再僅僅與忙于定價和在銀行中做市商部門設計對沖策略的博士的形象聯系在一起，也不是對沖基金或自營交易公司。金融服務的許多領域現在都可以找到Quant，無論是在銀行的風險部門——驗證/審查定價模型；在零售銀行預測客戶拖欠貸款/抵押貸款的可能性；或者是為小型精品店客戶開發第三方投資分析的R&D集團。因此，進入該行業的初級Quant有更廣泛的職業選擇。一次可以觀察到的結果是通過提供一條更非傳統的職業道路和一個完全不同的命題，無論大小，Fintech公司在吸引Quant人才方面都取得了更大的成功——這種吸引力來自于一種企業家精神、協作精神和更少官僚制度環境。并且在某些情況下，你會擁有股權。

另一方面，有一種觀點認為，沒得到的一定是更好的。所以買方仍然被視為通往阿爾法和投資組合管理的大門。自營交易、無上限獎金誘惑仍然是業內最聰明、最有能力的人首選的目的地。更常見的情況是，趨勢是從賣方到買方，或從買方到買方的單向流向。當然，錢會帶來風險；基金表現不佳，或者雇傭你的投資組合經理損失慘重。

如何在新技術時代證明你的技能

要在競爭激烈的就業市場緊跟潮流，就必須保持技術精進，而且編程是必須的。最受歡迎的技能是熟練使用Python，因為它是一種用于腳本編寫、原型制作和實現解決方案的開源語言。這是許多角色和企業的首選語言，以至于沒有這種技術可能會成為吸引人才庫中最頂尖人才或輸給競爭對手的區別。Python支持多重編程解析典范，包括面向對象、命令式、函數式和過程式。主要的商業利益是通過自動化簡單但勞動密集型的過程來提高生產效率，將數據聚集到可視化工具中，以促進高效的決策制定。但同時，如果公司業務對低延遲有要求，那么就需要C++了，并且目前的市場情況是低延遲系統的C++ 人才少，職位多。

數據工程和大數據分析技能也同樣不是一個“你擁有的話會不錯”的技能，而應是必須有的前提條件，因為很多面向金融領域的一系列決策/行為科學新問題需要數據驅動的方法。理解替代數據集以復制真實世界的情景，為決策者、政策制定者和投資者提供具有競爭優勢的洞察力。以算法交易為例；它使用具有復雜數學模型的大量歷史數據來最大化投資組合回報。一家保險公司可能想分析從汽車里的黑匣子地理空間數據去估計投保人發生事故并索賠的可能性。通過基于數百個因素的分析、建模和預測結果，使用線性回歸/時間序列分析/隨機森林方法，對少數結果賦予權重，從而為保險費定價——是可能的。從數據中發現的信號中提取價值的方法有很多，且圍繞智能分析仍將是一個未來幾年投資的重要領域。

機器/深度學習也是市場上一個蓬勃發展的領域，供不應求。有一種想法是將復雜的方法，如神經網絡、貝葉斯推理或自然語言處理[NLP]，應用于大型結構化和非結構化數據集，采用監督或無監督學習的選擇。由于數據戰持續不斷，對這類技能的需求將會占上風，而這個領域的頂尖人才也會被標上最高的價碼標簽。盡管硅谷是全球公認的尖端技術和創新研發之都，也是業內一些最有才華人士的圣地，但高頻交易公司、電子交易流動性提供商和對沖基金都仍在招募機器學習，即使研發成本高，不僅僅需要具備專業的機器學習專業知識，還要精通統計，對金融知識熟悉，但是這是技術的未來，下一個技術時代。

如何進行人才布局

我們預計，技術將成為在整個行業創造新角色的催化劑，即使是在人們最意想不到的領域，在這些領域，量化研究和開發之間的界限將變得更加模糊。策略可以解釋為優化、分析、風險管理和編程之間的交集。在多數情況下，其任務是向交易平臺提供可量化的價值。自動化被認為是最大的增長領域之一:在買方，越來越多的參與者轉向系統交易；在賣方，交易臺將縮減語音交易業務，并轉向電子化。??

就業市場仍將是一個競爭激烈的環境。由于許多公司都尋求有著相同的技能組合的人才，因此它將創造一個出價最高者獲勝的賣方市場。其他考慮因素是，為了能夠爭奪到頂尖人才，企業必須提供智力刺激的工作——一個鼓勵協作、問責制度以及自由表達想法的生態系統，以讓員工覺得自己有能力做出改變。作為企業的領導者，在人才招募方面，薪資已經不是唯一人才考慮的因素了，具有前瞻性，有遠見的人才招聘和科學的公司管理，為團隊提供開拓前沿研究的機會才能從世界一流技術的進步中獲得戰略地位。?

作者：Lucy Luo

來自：FinTech社區

推薦閱讀：?

1.市面上經典的量化交易策略都在這里了！（源碼）

2.海龜交易法則策略，多讀幾遍少走10年路

3.配對交易—這個股票策略曾年賺5000萬美元

4.揭開日內回轉交易策略做“T+0”的面紗

5.被動與主動的完美結合：指數增強策略的魅力

6.網格交易法，一個不容易虧錢的投資策略（附源碼）

?

總結

以上是生活随笔為你收集整理的量化交易领域最缺的人才！的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。