Quant Shop 主要都有哪些類型？

或者是招募 Quant 做事的機構。

國內外的 Quant 都可以來說說：）

提示：我這裡說的不是quant shop。我看到問題描述說招募quant做事的機構，所以我有點答非所問，汗。。。。。

談談我的認知，主要來源於我跟業界的人的交流，自己找工作的經歷還有前輩的指導。面向於剛剛接觸這個領域的人，請前輩指正。

• Pricing Quant, 主要供職於投行（賣方）進行衍生品定價，又以OTC市場定價居多
• Risk Quant: 負責風險管理，是現在需求最大的Quant
• Alpha-Generating Quant: 主要供職於買方，以量化研究居多，平行於基本面分析

• Research Quant, 專門負責寫論文，不過不是學術界的論文，而是業界的論文。典型的有State Street Asscociates ， 總共只有30來人，就在哈佛門口，一群PhD，每天就是做服務於業界的論文，受眾則是以上提到的三種Quant。同樣還有這個職能的我知道有Bloomberg和Barklays
• Data Quant, 並不是高大上的大數據分析員或者矽谷那一幫Data Scientist。其實是負責撰寫資料庫，以交易數據居多，這類數據往往高頻，複雜。主要工具為SQL，當然還有Q language和KDB+
• Trading-support Quant, 主要負責給trader提供個性化的支持。大部分交易員往往使用Bloomberg Terminal, 而他們往往有個人定製化的需求，需要能夠實時關注某個指標或者看某個在BT裡面沒有的圖表，這就需要公司里的Quant來開發。實用工具多種多樣，用的最多的是VBA（因為trader就是喜歡Excel）
• Trading-cost Quant, 當你有一筆大交易要做，又不想暴露。要麼就是走Dark Pool(暗池，由第三方為你撮合交易，沒有人能看到報價），要麼就是找專門做trading cost minizing的公司（有點像quant brokerage)幫你把交易切成很多小塊，一是不暴露你的意圖，二是能夠降低交易成本，除了你的投資標的物需要diversified以外，你的買賣時機也需要diversified。一個這方面典型的公司是ConvergEx
• Trading System Quant，負責編寫交易策略，配置賬號等等，往往使用C++這樣的高速語言，更有甚者使用FPGA進行硬體編程，目標是程序的速度和穩健性
• Quant trader , 這個很難說，有些人只要沾到數量分析工具就叫quant trader，有些人則把這個局限於利用高頻演算法的trader
• Third-party software Quant， 大部分人只知道Bloomberg Terminal, 其實它還有一些競爭對手，比如說Charles River Development。他們做用戶定製，所以如果你是一個fund，而你專門就做某一種策略，你就是他們的潛在客戶。那麼所有前面提到的trading support類的工作現在就外包到這個公司來幫投資經理實現。這當中就需要Quant，其實類似於Quality Assurance，在銷售隊伍和程序員之間搭橋。銷售了解客戶的需求，但是不懂背後的邏輯，程序員會編程，但是不懂金融，所以中間得有這麼一個人。金融數據提供商也有這樣類似的工作，比如說Nasdaq

先說這些，還有一些東西可以跟大家分享，睡起來再說。

-----------------10月22日補充--------------------------------------

1. Pricing Quant主要以Q quant為主，主要做OTC市場的定價。因為標準的合同定價可以直接編寫自動系統，有參數就有價格。而場外市場則需要跟對手方談條約，所以說一般都是奇異期權，各種互換等等。舉個例子，客戶打電話來問說說:"我想要hedge XXX公司的信貸違約風險，期限是XXX,你們有沒有相關的合同？」由於市場上的CDS以5年為主，有些bond可能沒有對應的CDS，這個時候就需要有人來重新做一個合同。又或者說，某某客戶對市場有很強的預期，就會打電話來要一個合同，更像是一個對賭條約，等等等等。
2. Risk Quant，現在招好多好多人啊。因為Fed對大家盯的都太緊了，以商業銀行為例，每年要過壓力測試，一旦fail就要提高資本金，2013年CitiBank都fail了，現在正在抓緊建新的風控系統。巴塞爾協議3裡面對商行有規定要定期報告一些數值，最典型的就是Value at Risk。對於某些指標甚至規定了具體的模型，誰這麼苦逼來算呢？Risk Quant。每天對著一個huge book,開始估算各種數值，default probability, default intensity等等等等
3. Alpha-Generating Quant: 主要為fund工作，每天的工作主要以找factor為主，理論基礎是Steven Ross的Arbitrage Prcing Theory(APT),有興趣的人可以看看Zvi Bodie的Investments 10th edition的APT那一章有講executing an arbitrage。簡單來說，你可以把APT看成多因子的CAPM（which by the way, is totally wrong)，然後你就需要找各種因子來把系統風險剝離出來。然後你干這麼幾件事情：

• 構建很大的portfolio，把idiosyncratic risk給diversify掉
• 把factor對應的系統風險對衝掉
• 想辦法通過買入賣空，讓你的portfolio不花一分錢或者花很少的錢
• 這個時候你有一個portfolio，沒有系統風險，個體風險也很小
• 想辦法找一個或幾個類似的portfolio
• 這幾個portfolio沒有系統風險，有很小很小的資產的個體風險
• 這個時候這些portfolio就叫做absolute return，你的風險來源於你的模型和估算過程
• 通過你對你的這幾個portfolio的線性組合，你就能找到一些統計套利的空間
• 也許這個return不高，不過你可以加槓桿，很多對沖基金就是這麼做的

這麼說好抽象。。。。大家還是去看Bodie的書吧，我們學院的鎮院教授，我順便打個廣告 ^_^

我猜題主quant shop這裡特指量化交易的prop shop或者基金。

分類的方法很多，從資金上可以分自營或者基金，從管理上分單人單賬戶或者多人共帳戶，從分成上有完全領導隨意或者固定比例獎勵等。各有各的好處和壞處。

我覺得大家最關心的是策略類型所以著重說說。

區分策略類型我最愛的指標是看持倉時間。這個指標簡單明確，一般不會出現皮肉相連的情況。因為很少有人同時跨兩個類型的（有機構同時做很多個類型但是不同的組）。

按持倉時間來分，主要有超高頻，高頻，中頻，中低頻，低頻，宏觀六個大類。

超高頻：超高頻的持倉時間以毫秒計算。通常是看到市場上有很大概率套利的機會才出手，市場風險很低，可謂空手套白狼。Jump里的一個外匯組，Tower里的一個期貨組，早些年的Automat, Sun, Getco, HRT 都是這類的佼佼者。但是這類機構的基礎設備昂貴，固定成本很高，而且要不停地砸錢升級硬體軟體不然就容易翻船。

高頻：通常做市商都是高頻，因為不高頻就會死的很慘。但是好的做市商會更關注數學模型一些，不會是純粹比速度。根據交易的產品，它們的持倉時間在幾分鐘到幾十分鐘不等。外匯領域的GSA, Lucid, 這兩年如日中天的Virtu，老牌的KCG, Citadel DE Shaw都是其中佼佼者。這類機構較為平衡，有客戶、有數量分析師、對硬體依賴很高但不會像超高頻那樣死磕幾十個納秒。

中頻：中頻的策略類型很多，基本屬於統計套利的範疇，持倉在幾天到一兩周。出色的有很多，文藝復興、千禧、Winton、Tower里有個組，Gloucester Research都很不錯。這種機構對速度要求不高，硬體也不需要很前茅，但因為要承擔市場風險，對模型要求更高一些，風險控制也十分嚴格。

有許多機構都會同時做中頻和高頻，比如Tower和GSA。

中低頻：很多RV都是中低頻，它們很多都十分Quant Driven但一般不會採用全自動的交易策略，持倉時間從幾周到一兩個月不等。

從另一角度舉一個多重身份嵌套的例子，回答盡量做到通俗，字少，看著不費勁。在一個組中，ED組織大家做了一個model：

1. 這是一個OTC的複雜產品ABC，pricing model，用到了stochastic和monte carlo。這是pricing quant。
2. 這個model的輸入變數裡面有IR和FX smile，但是發現long dated的xccy option的smile在calibration的fail了，於是ED讓VP去處理這些，VP思考和與組裡討論後，決定用regularization的辦法來解決這個問題。這是帶有machine learning的P quant。
3. 這個ABC產品的價格出來以後，要送到back office計算CVA，back office有另一套pricing model，用的不是stoch，也不是MC，居然用了regression的辦法。這是P quant。
4. 然後這個價格作為輸入計算CVA/FVA，這是CVA quant。
5. 然後ED把市場環境stress一下看model的表現。由於是OTC產品，還得看看margin要多大。這是risk quant。
6. 【補充】ED認為stressed data不是很科學，想知道最近3年的99 percentile的IR, FX, RiskReversal, Butterfly, SABR(correlation, vol of vol), 等等，associate此時自告奮勇用data query提取所有3年內data，得出了科學的99 percentile的數值……。這是data quant。