在投行或券商當數據科學家 (Data Scientist) 是什麼體驗?

前幾天看某公眾號發表wall street 最新熱門工作需求有數據科學家 所以有此疑問,一般這種職位被放在前中後哪個台 具體職能以及未來的職業路徑怎麼樣


其實數據分析、量化分析、金融工程、商業分析本質上都差不多,都是運用數學統計模型解決金融中的問題,但使用的軟體會有一些區別,比如excel, python, c++, R等。

一般來說,quant/strat是在投行中做此類工作比較傳統的叫法,一般是衍生品定價、交易執行演算法、量化投資等,這是存在了20-30年的職業,也有不少人開了自己的基金,基本上在金融領域站穩腳跟了,而且一般需要博士學歷。

現在比較熱門的叫做business analytics,這一般需要本科學歷就可以了,適合投行傳統的業務,但比excel vba高級一些,又沒有達到複雜的量化模型那種程度,應該是比較適合投行大部分業務需求的。

投行本質上是做sales的,本來做技術的並不是主要的,畢竟大家技術都差不多,關鍵是誰能賣;只是最近IT科技發展快了些,技術上的差別體現出來了,所以要重視一下,削減冗員減少成本,因此會招很多business analytics的人。


是不是類似goldman擁抱高科技那類文章?現在不是大數據時代結合金融嘛,哪裡都需要data scientist。前景當然不錯,做quant做risk做互聯網金融都需要data analysis。不過數據科學家不僅限於金融的投行券商,很多行業都可以用的。百度的大數據據說就做的不錯。如果題主是計算機專業可以選擇這個方向。具體體驗坐等大神來答。


數據科學家不好界定。你說的這個工作可能是做數據相關工作的級別比較高,經驗比較豐富的吧。


體驗就是

有一天ceo親切的握著清潔工的手說 要是沒有你們的辛勤付出 哪裡有咱們宇宙第一行的今天

清潔工說 哪裡哪裡 這是我的榮幸

交易員投行家 it support 清潔工和數據分析師都有光明的未來


體驗?做出來的報告trader扔在桌上根本不看,這種事我會亂說嗎?!


交易方面。

接觸過幾家大行的flow/delta one/central risk book等。現在都已經開始組機器學習向的team了,現有的人大多是原先組裡拉來的人,還屬於組建中。另外接觸過幾家小的銀行,有一些做nlp的,不過並沒有作為主要項目,感覺只是嘗試中。接觸的有大宗的,自稱用big data,但是完全沒有基礎,也是個意願。

除了交易。

接觸過交易所的,剛建起來ds的team。老大以前一起工作過,之前問他怎麼樣了,他說就他一個人,還在各種documentation的工作。另外某大行的,已經在嘗試ml在傳統quant的工作上了(嘗試中)。

所以總的說來,大家都是在嘗試,屬於還在部署中,需求和機會很多。


難道不是按照統計的方法,將海量的數據實施分析,得出結論,供交易員或者決策層採用嗎?

我覺得就是類似宏觀分析師或者某某行業分析師,但需要向上游的數據端進行拓展,不是分析現成數據,而是直接分析基礎數據。


體驗就是,各條業務線都沒有準備好擁抱這個數據的時代,雖然可能最大的領導準備好了。另外,金融領域數據的業務複雜性要遠遠大於其他行業。。。


Data scientist 基本就碼工的工作吧,sql specialist, 熟悉金融的time series data structure, 知道怎麼處理股票的corporate action s.有NA data, 曉得怎麼做damage control. 維護整個數據integrity, so that quants can produce superior results from their models.


市場盤中一度失守2800點,但是這恰恰是一個進場的機會,因此首先要恭喜昨日敢於在2800點之下進場的朋友們,而對於已經持股或者重倉的投資者來說可以尋求加倉做差價的機會,倉位上建議目前可以逐步加倉到七成倉左右。具體操作依然是不追漲,不殺跌。


推薦閱讀:

金融風險管理 (Financial Risk Management) 對編程的要求有多高?
在策略參數優化時,如果無法得知參數集的目標函數分布,如何判斷參數是否穩健?
結構化(多因子)風險模型中,怎樣理解因子暴露度,在實踐中如何得到它?
程序狗沒有金融學位申請Quant職位會遇到瓶頸么?

TAG:數據挖掘 | 寬客Quant | 數據分析 | 華爾街 | 華爾街日報 |