量化岗所需技能

量化金融发展迅速，在过去的4年里量化岗位发生了重大变化。在这篇文章里我会说明这些变化。这篇文章里的建议同样适用于在校生或者想要换工作的人。

在过去的几年里，信息传播的速率增长迅速。有许多因素导致了这一变化。丰富的数据捕捉传感器的增加提供了广阔的数据库以供分析。复杂的开源软件在许多领域与商业软件竞争。低准入门槛以及用云计算资源作为手段使得小的团队和个人能够与大型公司在很多科技领域竞争。

这个信息获取越来越容易的趋势和分析信息能力提速的机制没有减速的的迹象。另外，金融科技行业的快速改变，包括重要的上层合规和监管，在市场里产生了许多金融量化岗位的机会。

发展的市场

在过去的几年里，获取高质量的资产价格数据的成本在减少。数据供应商的剧烈竞争降低了价格同时维持了高的质量。

像是Quandl, QuantQuote, QuantGo这样的供应商以及像是Quantopian这样的全能云交易平台对可用数据的传播起到了很大的影响。

同时，像是Python这样的免费开源语言的兴起，包括其中的库，像是NumPy, SciPy, Pandas, Scikit-Learn, HDF5以及TensorFlow为小团队提高了台阶，尤其是在数据分析能力上。

08年次贷危机，后来的监管和合规机制大量的减少了衍生品定价生意的盈利能力。从事这些生意的银行现在将重点放在模型校验，压力测试以及风险管理，特别是在对手方信用风险和违约风险方面。

来自很多资源的另类，非传统数据被引入市场的日常分析。以前不可获得的资源，像是周期性高清全球卫星图像现在也能从多家公司获得。

很显然，这样的数据可获能力的改变对金融量化就业市场产生了巨大的影响。招聘的重点现在放在了“FinTech（金融科技）”，“big data analytics（大数据分析师）”以及“data science（数据科学）”，许多基金和获得创投支持的创业公司争相抢夺来自顶尖学府和其他行业的数据科学人才。

尽管有这些大量的改变，传统衍生品定价市场，特别是在对手方风险和资产组合风险管理方面，依然非常健康。对量化技能的需求也很大。高度激励和盈利的职业选择依然在金融量化和数据科学领域。

必要技能

当前及未来的市场强烈需要以下这些技能。

软件开发

世界保持向高度自动化发展， 因此对有能力的软件工程师的需求是持续增长的。尽管软件工程师的需求在科技行业已经很显然，特别是在获得风投资金支持的初创公司，但在金融行业也有很大的潜在需求。

传统生意（像是衍生品定价）的衰落，昂贵的监管和合规成本，使投资银行开始寻找其他盈利路径。金融科技的兴起意味着精通金融和软件开发的科技人员是被高度需求的。

掌握必要的面向对象语言特别像是C++11, C#, Java, Scala和Python可以得到大量的工作机会。

获得这些技能最大的优势是你可以获得在各种不同的行业就职的能力，从金融量化到科技初创公司甚至是学术机构。如果你在纠结本科的专业选择，可以考虑计算机或统计专业。

尽管软件工程师可以获得一个很可观的底薪，特别是在金融量化或者数据驱动的科创公司，但他们的发展潜能是有限的，除非有可观的潜在奖金池或者明确的所在公司的股权。

统计机器学习和深度学习

机器学习在金融数据分析方面有非常大的作用，也是现在量化研究行业里最喜迎人的技术。同时也在其他不同的行业里被高度应用，像是保险，科创公司。

了解贝叶斯推理和机器学习可以让你拥有从事数据科学和大数据的机会。对于那些有天赋的人，可以在学术和商业研究公司之间转换，并通往一条智商驱动的高回报职业生涯。

近些年，学术和商业领域比较关注深度学习，这是一个由许多机器学习算法组成的涵盖性术语，包括包含很多层的网络结构。深度学习由于其多层结构模型使得在分类任务中表现出色，以及在搜索引擎和社交网络中被高度应用。

量化基金有时也使用机器学习和深度学习。有许多关于使用传统的分析工具像是时间序列在业内的应用的文献，也有许多基础的机器学习方法像是基于核或者树的分类和回归。但关于深度学习或者强化学习在金融量化的应用的相关文献就比较少了，不过在Greg Harris的博客中可以找到一些不错的相关文章。缺乏这些信息可以被理解为，连续性数值很难用深度学习方法分析或者这些工具过于有效，以至于机构不乐意去分享。

尽管这样，还是有很多机构愿意去从顶尖的深度学习研究机构去挖人。百万年薪的诱惑也让人难以拒绝。

现在去评判深度学习是否是一时兴起还是会变成无处不在的机器学习算法还为时过早。但其实后者更有可能，因为在很多曾经被认为是不可能的任务上深度学习都给出了非常不错的结果。

总之，我们建议你要对基础的统计机器学习非常的熟练，并且加强这方面的知识去成为一个深度学习领域的专家。如果这个算法过时了，那就直接奔向下一个被给予希望的算法吧

随机微分和金融工程

单单获得一个金融工程硕士是不能帮你成为一个量化交易员的。但不能说它与之无关。

银行业和资产管理增加的监管和合规性使风险管理和模型校验的需求增加。随机微分和衍生品模型依然被广泛应用，像是在商品，外汇，固收，以及信用风险。

获得这些技能最好方式无非是获得英美顶尖学校的数学学位或者物理学位。但是，正如之前强调过的，不要幻想金融工程硕士是一条通关财富的道路。有太多从这样的项目里毕业的高质量人才。在这样拥挤的环境下是很难脱颖而出的，特别是如果你没有精通的编程语言或者机器学习算法。

熟练掌握以上技能要做好早期从事模型校验或者风险管理职位的准备，而不是量化交易。

经济学，时间序列分析和频率论统计

尽管量化对冲基金和投行不再使用传统的时间序列分析方法，仍然有一些其他的公司在使用这些工具。特别是，量化交易在家族理财机构里的兴起。曾经管理过大资金的创业者从他们的原雇主那退出通常会成立家族理财机构来专业地管理他们的资产。在一个接近零或者负利率，并且平均真实回报在3%-4%的世界，要满足多样化的需求，通常会成立一个量化交易部门。往往都是从一个小团队开始的。他们的首要任务通常是累积高质量数据并建立交易基础架构。传统的工具，像是时间序列分析和经济学在家族理财机构里更合适，时间敞口会更长并且这些技术在这样的周期里更有竞争力。

因此如果求职者在这些技术方面有专长，可以尝试这样的机构。但这样的机构户需要更复杂的方式去获得工作机会。

非传统技术-GIS, 遥感，传感器融合

另类数据资源现在成为对冲基金最新目标，他们不顾一切的寻找新的alpha。因为在传统的基本数据，政府经济报告，以及资产价格数据，各个基金对于独家获得数据资源的需求不可避免的导致了数据装备竞赛。

风投支持的AgTech和IoT数据提供商的成立要归因于传感器硬件的价格下降和计算机视觉软件性能的惊人增长。这对机构如何交易商品市场产生了巨大的影响。

这些数据提供商的兴起增加了拥有非传统科学分析技能的需求，像是传感器融合/分析，遥感，GIS，以及更常见的数据科学技能像是之前提到过的机器学习和深度学习。

最好的建议就是确保你的数量技能足够强。数学，物理，统计以及计算机科学的技能都是需要熟练掌握的。拥有这些数量技能，进入最新科技领域都是有可能的。

更多内容微信关注【火象】查看哦~