【量化投資】計算機專業轉行量化分析投資，我需要怎麼做？

12-27

本人研一在讀（國內985、c9），計算機專業，目前從事數據挖掘、機器學習相關方向的學習。因為自身對程序員職業無感，或者說對於將編程作為自己未來的職業方向並不感興趣。加之從小對金融行業比較感興趣，也為了給自己一個嘗試夢想的機會，不留遺憾。經過考慮，想轉行到和計算機關係比較近的一個方向：量化分析投資。但是，仍然有很多地方不明確，跪求大家給些指導和建議。

先將自己的情況介紹一下：
1、本碩都是計算機專業。熟悉C、java、python等語言編程。
2、數學基礎良好。
3、有過一年多的A股投資經歷，所以對金融知識略知一點。但是沒有系統的學習過。
4、目前雖然在讀研究生，但是實驗室比較松，未來應該有充足的時間自由學習。

想請問各位前輩幾個問題：
1、如果轉行，我將面臨哪些潛在風險？2年的系統學習，可以滿足量化投資（寬客）的職業需求嗎？
2、我要進行哪些方面的系統學習？工作實習與實踐？
3、因為沒有專業背景，我需要考什麼證書來彌補嗎？比如CFA等等？
4、以後找相關工作，自己的壁壘在什麼地方？我該怎麼彌補？
5、其他方面的建議歡迎給出。謝謝。

第一次在知乎上系統的提問，很多規矩不太懂，歡迎各位批評指正。再一次謝謝各位大俠了。
您的一句話可能對我產生很大的意義！謝謝！

同是作為計算機專業的人，轉行做量化投資。可以先參考一下我的經歷。
有數學背景的C++程序員轉行做Quant靠譜么，對比精算如何？ - 知乎用戶的回答

當然，這個回答裡面，並沒有具體的轉行操作，而且我自己也是走了不少彎路的。

所以，在這裡我補充一下，
對於普通理工科學生，如何轉行做量化投資，如何少走彎路。
注意，是針對普通理工科學生，天才怎麼搞都行。

理論篇：

做量化投資，有三大技能樹，金融經濟、數學、計算機。

金融經濟，可以理解為對金融市場（廣義）的理解。
比如你能看懂財務三大報表嗎？
你知道M1, M2代表什麼意思，有什麼用嗎？
期貨、期權在學術上是如何定價的？
這個對於大多數理工科的朋友，是需要加強的一塊。
實際上，如果這個技能樹足夠強，就已經可以去做投資了。
但大部分轉行的人（包括我），是很難理解精深的。

數學，一是基礎，線性代數，概率統計等。二是抽象建模能力。

基礎的目的是讓你能看懂別人在講什麼，比如可以去嘗試看一下《active portfolio management》。如果看不懂，就需要補基礎。

但基礎是不夠的，還需要抽象建模能力。實際上，真開始做策略了，非常需要抽象和建模能力。你不能總用別人發明出來的模型吧，總得改改不是？你觀察到一個市場現象，想量化，總得用一個模型去描述吧？

計算機，說起來很簡單，就是能實現、測試、實盤你的模型。基本上就是編程準確、迅速。

理論是美好的，現實是殘酷的。三大技能樹都很強的人，我似乎也沒見過。所以希望自己什麼都強，然後秒殺一切，基本也就是幻想。那麼，實際中，普通人應該怎麼做？

戰略上，一句話，發揮長處，不要老想補短。

聽起來很簡單，但實際上，做錯的人很多。比如，如果你想去考個CFA基本上就是錯的。且不說考證的時間精力成本，就算你考完了，其實幫助不大。沒哪個老闆招一個計算機專業的，是希望他來分析市場的。最多就是，「咦？這個小朋友不錯，居然有毅力考下這個證。」

所以作為計算機專業的你，最好的方式，很不幸，還是編程，也就是發揮你的長處。比如建立資料庫，開發交易系統，編寫策略等等。只要做得足夠好，足夠快。再加上多出去跟人交流。很快就會有團隊會找上你。當融入一個團隊後，再跟著專家，邊實踐，邊學習，才是最有效率的。

再具體一點，舉兩個例子：
數據收集，參考TuShare -財經數據介麵包
交易平台，參考https://github.com/vnpy/vnpy

這兩個項目的負責人都是我的好朋友。
第一個項目的負責人，本來是IT行業的，純粹是業餘興趣做了這個項目，後來被一家做量化平台的土豪公司挖走了。
第二個項目的負責人，本來專業是金融，自己感興趣做了這個項目，看起來像極了計算機專業的。他現在也非常搶手。

至於樓主，既然專業是數據挖掘和機器學習，那麼可不可以做一個項目，用數據挖掘和機器學習來做投資策略呢？或者，寫一些文章科普一下，也是極好的。畢竟，數據挖掘和機器學習，不管有沒有用，還是能唬住一部分人的。然後，帶著你的項目或者文章，去找個好團隊吧！

好了，說了么多廢話。還是答一下樓主的問題。

1、如果轉行，我將面臨哪些潛在風險？2年的系統學習，可以滿足量化投資（寬客）的職業需求嗎？
機會成本。互聯網行業本來就挺火，也挺有錢的不是？
2年的系統學習，入門可以，實戰不行。
另外，啥叫系統的學習？據我所知，好像還沒有系統的課程，是針對國內的量化投資行業的。

2、我要進行哪些方面的系統學習？工作實習與實踐？
帶著你的編程技能，去找靠譜的團隊吧！干半年你就知道要學習什麼了。
當然，如果你硬是想學習，我也可以推薦相關的書籍。不過，想好，這是一條性價比很低的路。一般來說，針對問題看書才有用。

3、因為沒有專業背景，我需要考什麼證書來彌補嗎？比如CFA等等？
考證有用，但性價比很低。

4、以後找相關工作，自己的壁壘在什麼地方？我該怎麼彌補？
壁壘在於，你不想編程。

5、其他方面的建議歡迎給出。謝謝。
千萬不要自己一個人搞。
千萬不要自己一個人搞。
千萬不要自己一個人搞。
重要的話說三遍。
自己一個人搞，能搞出樣來的，那是天才。如果題主自認天才，我無話可說。
我假設絕大部分人都是普通人。普通人自己搞，結果一般都不太好。
我見過好多自己一個人折騰了幾年，啥也沒搞出來，也沒啥收入的，比較慘。

最後，最重要的建議，請我吃飯。

微信公眾號：小牛八卦
關注小牛八卦，學習智能工具。

我和樓主的經歷很相似 985 C9（估計都是一個學校的。。。）計算機相關專業，不過我已經研三了。我經歷過計算機轉量化，不過現在的工作還是計算機相關的，業餘愛好是量化。一條條回答說你的問題吧，希望能幫助你以及有相似想法的人。

1、如果轉行，我將面臨哪些潛在風險？2年的系統學習，可以滿足量化投資（寬客）的職業需求嗎？

在我的理解中，計算機專業是一個比較注重積累的專業，一般來說，你的努力學習都可以有收穫。比如說，你辛苦擼碼，研究演算法，參加比賽，你的擼碼能力肯定能快速上升，之後找工作，科研過程中肯定有很大幫助。量化分析行業是一個有些看重天賦的行業，你對於數據非常敏感，對於市場的理解很深刻，可能你的成就遠比沒有天賦，天天努力的人成就大很多。時間並不重要，重要的是你什麼時候掌握了自己的盈利模式。

2、我要進行哪些方面的系統學習？工作實習與實踐？

首先我覺得肯定是要有實際的操作經驗吧。在你慢慢的認識到市場中的一些現象了，慢慢思考這些現象背後的原因，就自然會了解很多東西。比如，為什麼趨勢策略能夠有效，在什麼條件下有效，你的盈利背後所承擔的風險是什麼，那時候看書才能夠加深你對於市場的理解。我從研一開始琢磨量化投資，我感覺教會我最多的是市場，當你賠了錢，你自然就學到了教訓。

如果有機會，可以嘗試找一些量化相關的公司實習。我研二的時候去了聚寬（http://www.joinquant.com），這是我用的最多的網站（嚴重推薦，誰用誰知道，我畢設都是用它跑到），所以當時就投了簡歷，雖然面試有點難，最後還是是去了（給自己點贊）。實習的時候，身邊各種大神，算是我量化投資水平飛躍的階段。

上面是聚寬-我的策略頁面，看看下面的頁數，你就知道我測試了多少策略了。。。

3、因為沒有專業背景，我需要考什麼證書來彌補嗎？比如CFA等等？

目前我沒有考任何證書，在研三找工作的時候面試過一些私募基金，普遍都沒有關心有沒有證書，反而對我的實習經歷，還有實盤收益感興趣。這一塊沒有啥好的經驗，不過我還是感覺實盤經驗更重要。

4、以後找相關工作，自己的壁壘在什麼地方？我該怎麼彌補？

接著上面找工作的事情，我的研究方向是機器學習之類的，所以找工作的時候，面試官對這個方向也非常感興趣，現在也有很多的公司想把機器學習和量化投資結合起來的，有一個計算機相關背景肯定是加分項，然後你多在市場中歷練，多想想為什麼某些策略能夠有效，什麼時候有效，市場容量是多大的，找工作的時候常被問。

5、其他方面的建議歡迎給出。謝謝。

不管怎麼說，量化投資還是投資，多去市場中實盤看看，天天看著自己的模型回撤一點用沒有。還有，擼碼好好學，萬一量化投資玩不下去了，還可以有口飯吃

別的不多講了，貼幾個有用的網站吧

聚寬，人人皆為寬客
會編程的話，可以直接在上面這個網站上自己做量化投資。這個網站是提供綁定微信，發信號的，所以你可以自己編好交易策略，跟大盤實時跑，收到信號，你自己去手動下單就行了。（政策不讓直接連接實盤）

雪球 https://xueqiu.com/
這個網有很多投資高手，看看對策略設計往往有啟發。

這不是在應試教育，上再多的課，看再多的書，考再多的證，都不如實盤來得有價值。
既然是計算機出身，花幾個星期，打造一套自己的程序化交易系統，比什麼都實在。

實盤中，帶著你發現的問題和困惑，不斷改系統、看paper、讀一打一打的書，挑戰沒有答案的探索，其實就是在做科研。
實盤中，你會興奮，會沮喪，會迷茫，等等，你會看到自己是不是適合、是不是喜歡干這個，其實就都值了。我們都沒得挑了，而你則充滿機會和希望。

一個富有創造性想法的腦袋和強烈信念驅動的內心，比數學重要100倍。不賺錢就被淘汰，你應該通過實盤證明自己。

計算機專業是一個很大的範疇，不知道你具體的更詳細的背景。量化投資確實是一個比較火的領域，主要包括系統架構和策略研發，這倆的要求有一些差異。

如果是做量化投資的系統架構，比如說回測系統和交易系統，那麼軟體方面要懂開發，也必須有一些交易基礎。

如果是做策略研發，那麼需要了解金融知識和量化理論，最快捷的方式就是通過在線的量化研究平台做交易，比如國外的Quantopian和國內的BigQuantUqer|JoinQuant等。

策略研發最好是站在前人的肩膀上看世界，所以可以去上面提到的這些平台上，看相關的策略文檔和介紹。

目前國內在量化投資方面的，還處於起步階段，證券公司和私募可能都有自己的量化團隊，但研究和開發能力都一般。國內也有專業的量化平台，做的比較好果仁網（http://www.guorn.com/）聚寬（http://www.joinquant.com/）米筐（http://www.ricequant.com/）等

以我個人經歷來看的話我感覺，量化投資行業中最重要的環節就是策略開發了。

先從準備知識的角度來看，量化交易需要三類知識：數學，金融，計算機。其中，金融知識需要寬客了解各種金融資產的性質和交易規則，數學模型負責在這樣給定的規則系統下探尋獲取超額收益的機會，而計算機編程能力使得這樣的投資模型得以自動化實現。

CS/EE等理工科專業本身對數學有一定要求，在國內的量化投資領域中基本已經可以遊刃有餘。對於計算機編程，CS專業自然可以勝任，而EE專業中可能更多用到的是C++，Matlab等語言。國內研究的主流語言是Python或者R，有了面向對象編程的經驗，藉助一些教學素材，很快可以速成。

在預先準備的階段，主要需要補充基礎的金融知識，包括宏微觀經濟學，貨幣銀行學，投資學，衍生品（以期貨為主），和基礎的財務會計，至少要對各類金融資產，市場交易規則，投資基本原理等有所了解。其中，宏觀經濟推薦一個學習途徑——《財經》期刊。這是一個非常學院派的期刊，雖然其中的觀點受到政治壓力，但分析問題的邏輯清晰，是了解宏觀情況很有效的途徑。

同時，計量經濟學，時間序列模型和一些統計學知識是各類策略中不可缺少的工具。能夠靈活使用統計學工具，才能更好的利用歷史數據找到穩定的投資機會，或者準確的檢驗投資思想。其中共線性問題，平穩性假設等等細節，也會影響到統計結果。該部分內容在CS/EE專業中可能簡單涉及，但不深入。可以參考計量經濟學書籍（如伍德里奇《計量經濟學導論：現代觀點》等）。

有了先修知識儲備以後就可以進行策略開發了。當新接觸這個行業，尤其是非經濟金融背景的人，開始的時候應該多從已有的策略入手，熟悉開發過程，培養對金融市場的直覺。這些策略多來自國外的一些發表在頂級期刊上的論文。也可以看看《Active Portfolio Management》，《Quantitative
Equity Portfolio Management》，《Quantitative Trading Strategies》等系統的書籍。也可以參見京東量化平台上的各種策略主題。

一個成功的策略在於細節。主流的投資策略其實就那麼幾種，多因子，技術擇時，統計套利，行業輪動等等。但對於同一個策略，經驗豐富的投資者能夠比新手表現的更好，更多是在於對投資思想更靈活的運用。每個策略根本思想是什麼？某個特定的市場或行業應做出什麼樣的調整？每個環節可以使用什麼不同的統計量或數據處理方法來更好的實現策略思想？模型參數應該如何調整？這些問題都是在不斷的實踐中才能得到答案的。量化投資中重要的價值不是編程能力，亦或是數學方法，而是對於市場和模型深入的理解。

策略開發離不開資料庫。可以使用萬得等資料庫的介面，也可以通過京東量化平台，使用封裝好的函數訪問數據，並完成回測。經常看到這樣的說法：不自己搭建系統就不能算真正的量化投資。這樣的觀點是扭曲的，事實上，對於中低頻交易，只要能夠便捷的實現策略思想，檢驗其表現，通過任何方法都是可以的。量化平台還很大程度上避免了自己搭建系統中可能出現的bug，包括回測中使用未來信息等問題。畢竟每天有很多用戶在使用這個平台，出現bug的幾率大大被降低。而在高頻交易中，系統效率就顯得尤為重要，為了追求速度大多會採用C++等語言。

事實上，量化交易行業中除了策略開發也有很多其他環節。如果有良好的編程基礎，大可以嘗試擔任系統搭建等職位，揚長避短，而不一定要追求看起來最光鮮的崗位。國內量化交易行業正在逐漸發展，而很多策略還是不同程度的依靠主觀判斷，而且虧錢的不在少數。所以進入這個行業之前也要慎重，確定這是自己喜歡的事業。由於投入成本很高，只有堅持下去才能領會其真地，成為成功的投資者。

其實大家在知乎上互相學習也是一種很好的學習手段。

我見過的量化投資經理學數學出來的居多。計算機也有機會的，畢竟大家都是從實習生干起。

————————————————
補充一下，量化在國內可能還算學歷門檻比較高的領域，公募裡面海歸不少，博士一大堆，絕大部分是數學-金融工程背景的，要麼是金融工程博士，要麼就是先在券商或者基金做幾年金融工程分析師。

不是每個人都適合投資，不要輕易的丟掉幾年深造得來的計算機基礎。

既然編程優秀，首選應該是量化公司的編程部門，邊工作邊學習。讀書期間最優的作法是自己實盤跑量化，做好回測就直接上實盤跑，邊跑邊修改。

量化投資行業中最重要的環節就是策略開發了。

有了先修知識儲備以後就可以進行策略開發了。當新接觸這個行業，尤其是非經濟金融背景的人，開始的時候應該多從已有的策略入手，熟悉開發過程，培養對金融市場的直覺。這些策略多來自國外的一些發表在頂級期刊上的論文。也可以看看《Active Portfolio Management》，《Quantitative Equity Portfolio Management》，《Quantitative Trading Strategies》等系統的書籍。也可以參見京東量化平台上的各種策略主題。

想了解更多，歡迎訪問京東量化平台：京東量化平台-為投資者提供數據支持、策略開發到策略輸出的量化生態服務。

如有更多問題，請加入京東金融官方交流群：456448095，大咖坐鎮，各種問題均可詢問與討論。

做計算機專業做量化分析也不算轉得太離譜，我們公司一批這樣的人:)

純粹做投資分析其實挺可惜你的計算機背景的。如果能夠做到策略和平台合而為一，那是大有可為。比如在高頻，統計套利類的領域。一方面策略演算非常需要數學金工的知識，另外一方面平台的總要性一點都不比策略差。演算出來的策略只反映了歷史，只能作為參考。策略一定要到實盤上檢驗才能有效。對於高頻，統計套利類的策略，實盤檢驗更多體現在成交率分析，滑點分析，然後同時需要對策略和平台調整才能達到理想效果。所以把你的計算機的專業和數學專業結合起來效果更佳。在這類領域，只靠金工專業的人挺難做的。

至於說現在該怎麼準備：首先別輕易放棄編程，這是你的專業，在你想從事的量化投資領域一樣非常有用。第二，準備金融工程的知識。第三，如果可以的話，小資金實盤量化投資做起來先

第一次在知乎上回答問題。先說背景，本科專業跟計算機相關，研究生管理類金工方向。對於因為對計算機不感興趣，所以轉量化的想法首先不認同，量化不管是研究還是開發，最主要的工作也是編程，對於一個熱愛編程的quant會比不想編程的quant更能體會到這份工作的樂趣。其次，入行建議，量化實習機會越來越多，券商研究所,自營部門,資管,公募基金,私募基金大多數都已經有量化團隊，投他們的實習，計算機背景加你的一點金融知識可以面試了。入門多看看券商金工團隊的研究報告，具體從新財富團隊的專題報告開始，在實習中自己多根據研報實現策略，然後思考，這個過程中金融知識也在積累。最後，入門不難，做好很難，關鍵是你為什麼想做量化，量化並不是外行宣傳的躺著賺錢，投資是很複雜的事情，量化不過是將某一些設想的投資邏輯和思路定量分析。個人拙見，熱愛計算機對於做量化研究而言意義很大。

計算機專業、研究生、985、機器學習研究，這些標籤足以證明你底子不錯，學習能力很強，那麼轉行量化投資的話應該算比較輕鬆的。

不過需要再補充一些知識：

英語，保持強大的學習能力，英語不能落下。
金融知識。量化投資畢竟是金融行業，基本的金融知識肯定要有，比如什麼是股票、期貨、期權、債券、利率債、信用債、分級基金等。
交易知識。交易知識是書本上學不到的，一般需要在股票市場、期貨市場真槍實戰。
量化知識。量化知識這裡指對量化交易有系統化的認識體系。量化投資行業是研究不確定性的科學，很多人容易走偏，因此必須剛開始的時候就對量化交易有整體宏觀把我，以免走偏。

這裡簡單羅列一些轉行量化投資需要掌握的一些量化知識：

策略開發

金叉死叉策略
海龜策略
淺談小市值策略
多頭排列回踩策略
藉助talib使用技術分析指標來炒股
大師系列之價值投資法
事件驅動策略（基於業績快報）
策略回測結果指標詳解
基於協整的配對交易
基本面量化（Quantamental）——財務指標量化策略
策略開發常用代碼示例

數學知識

數據集中趨勢的測量：平均值
數據離散狀況的測量：離散度
相關係數
線性回歸
多元線性回歸
初識協整
深入理解協整
峰度和偏度
數據異常值處理
使用cvxopt包實現馬科維茨投資組合優化
標準化、規範化、二值化等多種機器學習數據預處理方法

機器學習

什麼是機器學習
機器學習有哪些演算法
量化投資中的特徵工程
AI量化策略的初步理解
StockRanker模型可視化
基於LSTM的股票價格預測模型

金融市場

Beta對沖
跌了這麼多，創業板可以買了嗎?
因子風險暴露
風險平價組合（risk parity）理論與實踐
Barra風險結構管理模型
一文看懂三大財務報表
如何分析財務報表

研究報告

海通證券-他山之石系列研究
申萬宏源-技術指標測試大全
國信證券金融工程-數量化投資技術
東方證券-Barra多因子結構風險模型
東北證券-大類資產配置和金融工程系列
申萬宏源-大師系列價值投資篇
國泰君安-數量化研究

編程知識

10分鐘學會Python12
10分鐘學會Pandas3
【Python編程】第一個Python程序
【Python編程】數據類型之列表
【Python編程】數據類型之字典
【Python編程】數據類型之元祖、集合
【Python編程】條件與循環：if、while、for
【Python編程】函數
【Python編程】Numpy庫
【Python編程】Pandas庫之數據查看、選擇
【Python編程】 Pandas庫之數據處理與規整

知識分享

量化研究每周精選-20170802
量化研究每周精選-20170726
量化研究每周精選-20170718
量化研究每周精選-20170711
量化研究每周精選-20170704
量化研究每周精選-20170626
量化研究每周精選-20170619
TensorFlow第一講-介紹及基本用法
TensorFlow第二講-MNIST
TensorFlow第三講-深入MNIST(CNN)
XGBoost入門系列第一講

同是計算機轉量化，入行不久，說的不對還請各位多多指正。
優勢：工程能力、演算法能力強。
劣勢：金融知識一般。
量化策略分為以下幾種：收斂性套利、統計套利、股票多空、市場中性Alpha（一般是多因子）、事件驅動、CTA、機器學習。不熟的可以參考這些例子，從優礦 - 通聯量化實驗室平台上轉的。
市場中性Alpha：市場中性模型
三因子模型：Fama-French 三因子模型
統計套利：配對交易、基於協整及均值的配對交易
CTA：Dual Thrust
股票多空：股票多空
事件驅動：盈利預增、熔斷錯殺股
機器學習：基於限價單的SVM大盤預測
收斂性套利、統計套利需要較強的統計能力及金融市場知識，風險小，機會少。如果感興趣這一塊要補統計、投資學、期權期貨及衍生品。
股票多空在A股很難實現，主要在於對行業的判斷。
多因子現在很火因為市場容量大，但是中性基本沒人做，貼水嚴重，多頭賺錢效應差。如果要入手先從三因子模型起，多看金工的研報，興業跟海通不少關於多因子的都不錯。
事件驅動要求對市場敏感，比如每年的紅包行情、高送轉行情，在就諸如樂視復盤、萬科復盤這種突發事件的把握，其實偏基本面量化。
CTA需要惡補衍生品的知識，相對理性，同樣的還有期權；沒有實盤過不敢妄評。
機器學習在股票跟期貨領域都用應用但主要應用於期貨領域，題主如果立志從事量化建議先看看賣方金工大類的研報，跟著完整走一下流程，看看能不能對著研究思路復現一下然後自己進行參數優化。
建議的話：按照我們老大的話來說，他偏向招一個計算機跟數學背景的而不是招一個金融背景的，這裡倒不是黑金融專業的朋友，主要是工作上有些臟活比如清洗數據等需要工程能力。
所以發揮自己的優勢往機器學習、演算法方向發展，然後多補一些金融知識從賣方研報入手缺什麼補什麼。
另外題主不出意外應該很幸運的抓到了資管的風口，大膽去試吧，祝好。

建議先玩玩鬥地主看看贏率大不
金融這行業想賺錢

聰明（對沖基金）快（HFT）騙（公墓和其它各種騙子大忽悠）總得佔一樣

當然你如果能老鼠趙薇那樣歇斯底里的老鼠倉還平安也成

1、如果轉行，我將面臨哪些潛在風險？2年的系統學習，可以滿足量化投資（寬客）的職業需求嗎？
答：就是畢業投簡歷找工作，找不著就找計算機相關的，也沒啥風險。 2年的系統學習，時間尚短。quant界主流是要數學物理的學生，他們學了多少年數學，零頭都比2年多。
2、我要進行哪些方面的系統學習？工作實習與實踐？
答：數學是基礎，模型是應用，都要學。
3、因為沒有專業背景，我需要考什麼證書來彌補嗎？比如CFA等等？
答：有時間可以考。不是主要競爭力。
4、以後找相關工作，自己的壁壘在什麼地方？我該怎麼彌補？
答：數學。
5、其他方面的建議歡迎給出。謝謝。
答：無

高頻非常需要編程做中低頻的也需要編程我公司一個做CTA的天天寫包題主需要惡補數學起碼實複分析高等代數要過關概率統計專業課（基於測度的）什麼的無需贅言還有數值分析最優化

你都說了對編程成為自己的職業不感興趣，那你知道quant每天要花多長時間編程么？你知道quant也被稱作金融碼農么？

如果真對金融感興趣，對編程不感冒，那就去做分析師、ibd。

量化分析需要先做企業分析，

現在企業信息都不好獲取，尤其是一些關聯信息，關聯交易什麼的，

看這裡：

我覺得你們可能誤解題主了？我覺得題主可能是希望不只是僅僅作為一個碼農？更希望做一些感興趣並且可以用到編程的工作吧？
比較有同感，本科兩年基數兩年應數研究生計算數學，現在也在補關於編程的技能，但是我也不想畢業去做一個程序員-----那樣我還不如四年前選擇計算機學院，更希望在做自己感興趣的事情的同時能用到自己擁有的技能，幫助自己更好地做事。