在你所處的 Quant 的工作崗位上，你認為最佳的技能搭配是什麼？

01-26

數量金融覆蓋面太廣，大部分人都不能在有限的時間內對每方面都達到一個合理的水平。比如想去做alpha的人，研究隨機微積分的邊際收益就非常小。如果給你1-2年的時間，你認為掌握哪方面的技能對於勝任你所處的方向工作是最有益的？

對量化風控而言：

-市場風險: Derivatives Pricing + Stochastic Calculus + Time Series +Statistical inference + Monte Carlo Simulatio + Fixed Income Analysis + Data Analysis (包括SQL) + High performance computing + Python/C++

- 信用風險：Machine Learning + Ststistical Inference + Time Series + Monte Carlo Simulatin + Econometrics + Financial Accounting + Data Analysis （包括SQL) + Python/R

- 操作風險： Probability Theory + Statistical Inference + Bayesian Statistics + Extreme Value Theory + Monte Carlo Simulation + Python/R/C++

Market Making:

HFT + C++/Python + 統計 + 機器學習 + Market Microstructure + 資料庫(像KDB，反人類語言，但效率特別高!）

Option Market Making 還要外加 option 相關知識:

各種greeks 理解
如何管理整個portfolio的greek risk
如何hedge risk 比方delta hedge 選擇什麼方法hedge, 超過設定的band，就hedge 還是每筆都hedge
Volatility curve 如何fit. 簡單的cubic spline 還是volatility surface 各種model
預測 volatility, time series Model
Volatility trading strategies

OO-程序設計，金融數學，數學建模，統計模型。

量化組合投資：資料庫、投資組合理論、Python或MATLAB之一、網頁抓取、在市場噪音背景下發現細小規律的洞察力

------ 補充下 -----

人的精力有限，在以上幾個方面要有所取捨。在量化組合投資領域，數理計算機背景的人1-2年的修鍊可能量化投資可以入門，想達到業內優秀恐怕要5年或以上。給我1-2年時間，我自己會選擇把計算機好好學習，然後學一些定性投資的思路（基本面投資），然後把資料庫和分析程序設計開發好。

機器學習怎麼應用？

拿來做交易的似乎都被說爛了，我說些「非主流」的吧。

pca現在也很流行了，似乎是個人都知道怎麼用它來找factor之類的了。我之前也用它來給大量資產找共同的風險因子，除了用來風控外，填補缺失值也試過（不過效果不如直接找index關聯效果好）。

nn，gmm之類的用來做市場主題分類的也挺多了，不細說了。這個可能用的不多，用decision tree做資產分類。

就說這些吧，不管怎麼用，機器學習只是工具，重要的還是金融邏輯和市場經驗，不要本末倒置了。

##########合理的技能樹：

金融市場理論及經驗 +回歸+回歸+回歸

進階版（？）

統計+線代+機器學習+機器學習+機器學習

換一個也行，

低延+多線程+cpp/cs+py

再換一個，

隨即微積分+數值pde（有限差分有限元）+隨機（mc，數值隨即微分方程）+cpp

最好呢。。。

以上全部+隨機控制+資料庫+熟悉api

那就可以當大爺想干就干不想干就自己干咯。

quant的類型有很多，其它的不了解，對於基金公司的股票策略的quant，就個人的經歷，來回答什麼樣的技能比較重要。

（1）資產定價。

最近在上Empirical Asset pricing，比較典型的話題有

「Testing the CAPM」（Black, F., Jensen, M. and M. Scholes, 1972,Fama, E. and J. MacBeth, 1973,Fama, E. and K. French, 1992，Jagannathan, R. and Z. Wang, 1996 ）

「Testing Multifactor Models 」（Roll, R. and S. Ross, 1980,Chen, N., Roll, R. and S. Ross, 1986，Fama, E. and K. French, 1993,Fama, E. and K. French, 1996，Chan, L., J. Karceski and J. Lakonishok, 1998，*Lewellen, J., 1999, ）

「Efficient Markets Hypothesis and Anomalies」（Chan, L., N. Jegadeesh, and J. Lakonishok, 1996，Daniel, K., and S. Titman, 1997，Hong, H., T. Lim and J. Stein, 2000,Daniel, K., S. Titman, and J. Wei, 2001，Hou, K., and T. Moskowitz, 2005）

BARRA Model

以上論文應該股票策略的alpha Model 足夠用了，現在工業界還有事件驅動策略，因為沒接觸過，所以就不說了。

So Enjoy Reading。

（2）機器學習＋數據科學（探索式數據分析能力）

之所以，提到這一點，是因為最近two sigma在kaggle 上舉辦了一個金融建模的比賽，就是給你100多個Fundamental ，technical的指標，共計1400 timestamp，800asset ，170萬樣本容量的數據，來預測未來的asset return。給我最深的體會是－金融預測真得挑戰你對機器學習理解的深度和認知邊界。大家都知道在機器學慣用於實際預測時，更多的會對根據數據自身的業務邏輯，來做探索似得分析（Exploration Visualiztion），這個很數據科學。不過這個數據科學是在金融層面的。

這個是結構化預測的一個典型案例，還有非結構化的文本處理。就是NLP on Finance。

（3）New Alpha from Alternative Data

所謂的另類數據就是非上市公司披露的數據。這個方式就是通過挖掘新的數據源來保持alpha的競爭力。你可以想像其實這有點類似於「降維打擊」。這個的技能的關鍵就是數據獲取（爬蟲）和數據挖掘（大規模的數據挖掘）。

案例：百度的搜索，時空大數據，京東的消費數據，衛星圖片數據（監控莊稼－&>大豆，玉米期貨)

以上

快速實現自己想法的能力；很強的統計思維；數字的敏感性；精力旺盛；基本的金融概念

好無聊啊股票期貨

深藏功與名的能力，顯得樣樣都會什麼都能幹那基本上要永遠幹活，而不是指揮幹活