什麼是 Risk Quant？主要的工作內容是什麼？

01-22

本人準備申請美國金工，想把專業興趣頂一下，我不喜歡刺激，感覺不適合trader；數學、統計基礎比較好，在考慮是不是risk比較合適，想請專業人士指導一下~~

其實總的來說各個銀行risk quant做的東西並不完全相同，我的了解有限，僅僅談談我所了解的部分商業銀行的情況。答案偏頗，尤其自己剛剛踏入這行，談不上任何的宏觀或者深入的了解，僅從求職角度來說，僅供參考。

我在求職的過程中投的崗位主要有各種商業銀行的risk modeler, quantitative risk analyst, 再加上信用卡公司的anlayst和statistician/data scientist。從我準備過的和了解過的、交流過的情況來看，一般risk quant需要做以下的一些內容：（本回答參考了 @Steven Li 先生先前對類似問題的回答，在此感謝）

商行：

1.Credit risk modeling, 包括PD, LGD, EAD建模；CCAR, PPNR，這裡面一般每個銀行都會有很多個組，包含到以上內容的各個領域（PD/LGD/EAD modeling, forecasting, stress testing, etc).Credit方面主要是應對監管的要求，CCAR是重頭戲。細說下去內容較多，包含方方面面。

2.Economic Capital

2.Portfolio方面的各種modeling,包括retail portfolios(Heloc, Heloan, Mortgage, etc.), 還有一些wholesale的portlofio，這方面就不太了解了，希望有其他人補充。

3.反洗錢，fraud prevention, operation risk等等最近比較時髦的領域。

信用卡公司：

（這方面了解較少，稍微說一下)

1.信用卡公司也會做一些credit risk modeling, 依然是一些指標的modeling等等

2.還會做一些consumer analytics和business analytics，沒有具體涉及過。

3.其他待補充

總的來說，個人感覺risk quant是一個數學要求低（和其他quant比起來，我一度都不好意思自稱為quant），統計學要求較高，經驗要求較高的領域。在我熟知的領域（肯定是不全面的），主要的skill set就是各種統計方法，從最基礎的regression, GLM, time series,到logistic, multivariate裡面的PCA, factor analysis, 各種simulation（蒙特卡洛）等等。機器學習、各種fancy的統計理論也是多多益善吧。懂得一些risk management和金融的理論（risk neutral, VaR,etc)也挺重要的。另外，其他一些中後台的quant技能還包括各種model validation的skill，這個主要還是各種統計方法，和機器學習也會有些overlap。

具體技能方面，SAS應該說常見的是第一位的重要技能，然後會R/MATLAB也不錯，再者就是Python/SQL等等。自己做過一些modeling的project和實習很有幫助，數據量大，方法嚴謹會有好評。在求職過程中，感覺遇到金工背景的人不是很多，大部分還是統計/生統背景。PHD很多。

私貨：個人感覺，risk quant待遇比其他quant低一些，技能上也並跟前台quant區別很大。當然，工作也不是那麼辛苦（不是不辛苦），壓力也許相對小一點（我推測的，畢竟沒做過前台）。不過好處也是有的，例如需求量很大，收人很多（畢竟在美帝工作有更多的機會是很寶貴的）等等。

以上答案應該說是比較局限的，歡迎各位批評指正。私貨較多，大部分都是建立在自己的觀察和工作了解上，如有不妥和錯誤，多多包涵~

這個話題很有意思。@332EM37 的回答基本上比較全面。這裡補充幾點：

Risk quant雖然不像desk quant那樣根據交易市場品種(Equities, Interest Rates, Commodities, Credit, etc.)具體的support某一trading desk, 但其編製大體上依然是align with business strategies的，可以分為market risk quant, credit risk quant (又可細分為wholesale credit, consumer credit), operational risk quant, CVA risk quant, model risk quant等。每一種類型顧名思義，為其所在的風險部門提供量化建模策略，與risk management, risk reporting， technology等部門需要協同合作。
不同種類的risk quant 需要的技能相差很大。相對而言， market risk quant 和CVA quant因為需要牽涉到大量的產品定價和對沖策略問題，比較偏重Q-quant (我個人並不是非常欣賞這種P/Q分類方法, 感覺有點過於簡單粗暴）。 CVA quant甚至非常接近desk quant（因為要support CVA trading desk). 對於一般的derivatives pricing, stochastic calculus, Monte Carlo simulation等的要求很高，編程方面，C++是硬技能，儘管Python/R 在做model prototyping和parameter calibration的時候也經常用得到。Credit risk modeling則非常不同，對於數學的要求遠低於market risk, 但是要求對business有很好的了解和直覺（特別是在數據匱乏的情況下如何設計合理的模型使之既符合實際又能夠make business sense)，量化技能上主要是計量經濟學和統計模型(特別是各種回歸模型和時間序列模型）。　Consumer/retail credit risk modeling 方面還要求大數據和機器學習方面的知識。良好的數據分析和挖掘技能是必須的。 Operational risk quant則要對一些常見的概率分布特別是其尾部分布性質具有非常良好的了解。
Model Risk quant. 做model validation/governance. 這部分在金融危機後如雨後春筍般的迅速擴張，已經成為銀行里一個龐大的機構。根據不同的模型，model validation group內部也會有具體的分工。但其與其它quant 部門往往存在摩擦，成為其他risk quant和desk quant頭上懸著的一把達摩克利斯之劍。
目前美國銀行的risk quant, focus主要就是CCAR和Basel Regulatory Risk Capital. 前者在這兩年創造了不少的就業機會。不過 Trump的勝選以及其對regulation/Dodd-Frank Act 的態度，加劇了從業者對於未來幾年裡risk quant前景不確定性的關注。後者則包括 Basel III及其延展框架的實施（包括FRTB). 此外， CECL/IFRS9 也是未來wholesale credit risk quant modeling 的一個熱點。至於Economic capital,在當前的環境下並非熱點，各個銀行的態度也是忽冷忽熱，完全視高層的決策而定。

Quant是個niche market，risk是另外一個市場。從我的經驗來看，pricing quant和risk quant

各有好處。pricing quant作為入行時的選擇，是個很好的開始。從完全沒有金融市場經驗，點點滴滴開始學習數據，產品，對沖，模型等等，慢慢變得對市場熟悉起來。但隨著時間推移，你會發現，無論你的模型多麼複雜精妙，你大多數情況下是專註於一個很小的市場，做warrant的基本還在做warrant，就算換到另外一個產品上，你還是專註於一個產品。而且你的工作決定了你掙的錢就是take fee 而不是主動的承擔風險——也就是說給你一大筆錢，你可能真不知道怎麼投資。

Risk quant作為入門選擇容易讓初學者有種金融不過如此的感覺——每天算算參數，調調VaR和ES，按照流程來就好了。但是一旦有了一些經驗後，由於看到的產品足夠寬廣，自然而然就會轉向研究為什麼這幾個產品做得好，那幾個做的不好，如何在公司層面做好組合管理，怎麼正確的理解及使用這些VaR和ES。這些都是未來做投資管理的必須要求，如果有心，還是很容易轉到買方的。

首先risk和quant是兩種工作。quant管做model，做好model以後給相應的人用（trader，risk，control……）。risk quant顧名思義就是做risk model的。market risk quant的職責就是建立模型算各種產品的risk指標，比如各種各樣的VaR，ES等。然後相應產品的risk analyst每天就是用這些model算相應的數據（不用自己動手，系統自己算），做report。如果看到這一天的某些指標，比如VaR，出現了異常情況，就要去找相應的desk聊聊。

risk analyst其實不需要很強的model能力，反而需要對市場了解很深。跟trader聊的時候人家trader會講今天VaR高是因為央媽今天又降息啦，我的策略怎麼樣，blabla。這些東西risk是要能夠明白的。

如果題主比較喜歡數學統計之類的，我覺得直接去找各種quant/strat職位就好。一般這種職位都是做model，也不會壓力特別大。

同樓上。較好的代碼model基礎和var，quant數理和統計建模要好

你的言外之意是trader數學統計基礎都不好？而且他們只喜歡刺激？