城市：成都&&
积分：21858&&
研究量化投资模型的目的是找出那些具体盈利确定性的时空价格形态,其最重要手段的概率取胜,最重要的技术是概率统计,最主要的研究方向是市场行为心理。
回答时间： 13:15
<b class="vote-num" id="vote_num_
股票开户万1包含规费【不包含过户费】，免费为百万以上客户提供VIP通道qq:
城市：南京&&
积分：21589&&
您好，建议到百度上查询一些经典的案例
更新时间： 13:29
<b class="vote-num" id="vote_num_
股票佣金可1.5（自选帐号）！全牌照大券商各类业务均有优惠T: QQ:
城市：苏州&&
积分：36185&&
您好，是有很多经典的量化程序的，希望能帮助到您。
更新时间： 13:58
<b class="vote-num" id="vote_num_
股票开户佣金最低至万1,基金万0.6,赠快速交易通道,Tel/Wx:
城市：厦门&&
积分：13305&&
您好！很高兴为您解答！您可以找一些相关的书籍，了解得更详细。希望对您有所帮助！
更新时间： 13:03
<b class="vote-num" id="vote_num_
全国股票开户佣金行低至万1，基金0.6 ，国债3折，电话：
qq: 新三板，网下打新，股票质押
城市：东莞&&
积分：29964&&
你好，这个你具体上论坛看看呢，希望我的回答对你有所帮助，开户佣金万一点五业内最低，欢迎点我头像，一对一指导开户！
更新时间： 14:41
<b class="vote-num" id="vote_num_
佣金低至万1.，基金0.5可详谈，百万以上送VIP通道，QQ： 手机
城市：上海&&
积分：15810&&
你好量化交易主要是通过量的积累赚取利润呢选择大一点的上市券商细说比较
更新时间： 15:51
<b class="vote-num" id="vote_num_
股票、期货开户，股票万1.5佣金，操作群验证合适后入金交易，加Q细聊，详询！祝投资顺利！
城市：东莞&&
积分：36149&&
像计算机科学家一样思考，金融数据分析导论：基于R语言等等，欢迎找我一起探讨嘛
更新时间： 13:11
<b class="vote-num" id="vote_num_
佣金万1.5全包，量大更优万1.2全包，电话微信： QQ，VIP通道
城市：上海&&
积分：35521&&
您好，量化交易主要的交易策略就是量化对冲策略，希望能帮到您
更新时间： 13:20
<b class="vote-num" id="vote_num_
华泰证券，开户转户，佣金万二！电话
还有疑问？继续提问 -理财顾问5分钟回复
还可以输入140个字
尚未登录，可以匿名提问。也可按此或
一个电话，一个垂询，一份财富
想理财？从咨询开始！
5分钟快速响应，100%回复率
推荐理财顾问HOT 月积分
理财顾问排行TOP
积分：1191
最新理财文章
最新理财产品
全国找理财顾问
已获得满意答案，去练练！
预约客户经理，预约后客户经理会在5分钟分与您联系！
QQ/Email：传统意义上的金融工程，一般来说是以随机积分为基础的，并且多为衍生品定价，就先说这部分好了。&br&&br&&b&John C Hull 的书《Options, Futures and Other Derivatives》&/b&买一本备着就好了，也不一定需要看，如 &a data-hash=&639ac53ccfdc& href=&///people/639ac53ccfdc& class=&member_mention& data-editable=&true& data-title=&@陈皇宇& data-tip=&p$b$639ac53ccfdc& data-hovercard=&p$b$639ac53ccfdc&&@陈皇宇&/a& 所说，这书虽然是圣经，但是只适合那些根本不知道什么是衍生品的人才有帮助。否则，从金融数学知识角度讲，意义不大。工作之后，你可能又会拾起了这本书，蓦然发现，这本书还挺实务的，产品细节，使用原因都讲的大而全。类似的书还有一本 McDonald 写的《Derivatives Markets》。 强烈建议参加北美精算师SOA的MFE考试，考试参考书就是这两本，你只需要有一点微积分和概率论的基础，就可以进行奇异期权的定价了，最重要的是因为这是考试，你会被训练的很熟练，毕竟有ASM的manual可以刷题。有了这个基础，你就可以继续修炼内功了。&br&&br&下一步就是Shreve的经典之作&b&《金融随机分析2》&/b&了。该书就是从数学理论角度来讲期权定价中最常见的工具——随机分析。不会随机分析你怎么可能创造新的模型来定价呢。书写的非常好，变成课件都没有什么可浓缩的地方，而且叙述文字都是有用的，教你如何从金融的角度来理解数学公式。这套书建议买中文翻译版，感觉排版和印刷质量比影印版的舒服，而且翻译的也很准确。对于解释性的文字，也是中文好理解吧。&br&&br&这里不得不提一下&b&《Paul wilmott on Quantitative Finance》&/b&，因为作者也是CQF课程的创始人，这本书作为自学教材是极好的覆盖面特别全，衍生品定价，风险管理，数值算法什么的都有。看完这本书也就是一个系统学习的过程了。这本书也比较实用，对比John Hull的书，这才是一本quantitative书的样子，对比shreve，这本书没那么多数学理论。不过既然是全书，这套书比较厚，也可以选择看简版&b&《Paul Wilmott introduces quantitative finance》&/b&，这本书有中文翻译版。&br&类似的书还有Salih Neftci的书。这类书阅读时也可以没有随机分析的基础，但是还是避不开的（至少避不开Ito公式吧）。&br&&br&以上就是自学金融工程的主干线了，以下的路要自己根据情况选择。&br&1 补充先修课程。&br&Shreve的书理论上是需要高等概率论（从测度论视角下出发的概率论，不是抽红球白球的概率论）的知识的，至少前两章就是高等概率论的review，概率论的书没有谁经典到非它不可，可以自己选择，比如Alan Karr的书，chung的书，Resnick的书。有测度论基础学概率论会比较好，没有测度论基础也起码补充分析学的基础。&br&随机过程其实也蛮重要的，但是貌似也可以看做概率论的分支了，看看自己还有没有精力吧。&br&如果一开始连john hull的书都看得一知半解的，说明需要补充一点利息 理论的知识，一两个小时就能学完，明白单利复利 利息力现金流贴现等，然后进一步明白远期 期货 债券等产品的数学模型，久期 凸度 免疫 利率期限模型等。&br&&br&2 深入&br&我是菜逼，这部分可以不用信我。而且看自己情况有没有必要学以下内容，性价比肯定是不高的。 网上流传的金融数学书单推荐的大多数书都是这一类的，不是PHD，或者PHD不是金融数学方向真心没必要读那些书，quant又不全是随机分析。&br&&br&金融方向
Asset pricing&br&不能只从数学角度来理解，也需要从金融交流来讲为什么要这么定价。&br&推荐书籍《Asset pricing》by cochrane， 《Dynamic Asset Pricing Theory》 by Duffie （前者在couresera有在线课程。）
后面这本书更理论更难，据说写的语言也比较一般，比较难看懂。&br&&br&数学方向 Stochastic Calculus and martingale&br&Shreve的经典仅仅是作为硕士生的教科书，而且局限在金融，虽然写的非常好，但是在这个领域毕竟是入门书籍。&br&他的另外一本书《Brownian motion and stochastic calculus》是更深入的一本书。&br&还有 &a data-hash=&639ac53ccfdc& href=&///people/639ac53ccfdc& class=&member_mention& data-editable=&true& data-title=&@陈皇宇& data-tip=&p$b$639ac53ccfdc& data-hovercard=&p$b$639ac53ccfdc&&@陈皇宇&/a&推荐的protter的&a href=&///?target=http%3A///subject/4785797/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stochastic Integration and Differential Equations (豆瓣)&i class=&icon-external&&&/i&&/a& 和 &a href=&///?target=http%3A///subject/1464684/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Stochastic Differential Equations (豆瓣)&i class=&icon-external&&&/i&&/a& 不过后者不算深入，很简单，而且只有一章是讲SDE的。&br&&br&金融数学模型&br&只能想到&a href=&///?target=http%3A///subject/1773256/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Interest Rate Models&i class=&icon-external&&&/i&&/a& 和&br&Mathematical Methods For Foreign Exchange: A Financial Engineers Approach&br&一个用在固定收益市场，一个用在外汇市场。貌似还有一些credit risk的书。&br&&br&&br&3 其他&br&如果真的打算走上这条不归路了，去工作了，还有以下内容需要考虑。&br&a 英语
特别特别特别重要，让中国人不处于劣势，让你在中国人脱颖而出的必须。当然如果你说是在国内找工作那就另说。&br&&br&b 编程 这是必须，首推C++。C++该看什么书就不说了，入门来一本，个人喜欢《C++ Primer》。C++进阶网上也有一堆书推荐。在金融工程中的应用推荐mark joshi的《Design Patterns and Derivatives Pricing》&br&还有Duffy写了若干本C++在金融工程的应用的书。在这个语言百花齐放的时代，C++还是quant里面的行业标准语言。对于JAVA C#等，后者更偏重于开发，银行IT用的可能会比较多。对于R MATLAB Python等，这些也是必须的，但是如果你会C++了这些语言的掌握应该不成问题。其实如果是做学术或者工作中仅仅是做研究和处理数据，仅仅会MATLAB这类语言就好， C++可以不学。但是如果要当desk quant或者做高频交易，C++应该是必须。&br&&br&c 统计&br&私以为，现在做金融的还真离不开统计。&br&基本的数理统计：《数理统计学导论》 Hogg 第7版国内有卖的，不熟悉常用的分布和假设检验等，统计等于不会。&br&线性回归分析，计量经济学，时间序列分析。&br&回归分析推荐 《linear regression analysis》&br&计量经济学我觉得都差不多，内容其实就是回归分析+时间序列分析，自己找个薄的吧。 &br&不过还有一类书是金融计量经济学，比如比较经典的《the econometrics in financial markets》 还有tsay的《analysis of financial time series》 黎子良的《statistical models and methods for financial markets》，这些书的特点是其实没有在讲回归分析或者时间序列分析，倒是把金融市场的数据处理和实证检验讲了一遍，连尼玛option pricing都讲，还蛮实用的。缺点是感觉什么都没讲明白没讲透。&br&时间序列比较经典的是hamilton的书和brockwell的书，不过有证明，而且不是专门面向金融的。&br&理论和应用比较平衡的是的《Time Series Analysis and Its Applications with Rexamples》其实只要能讲ARMA GARCH以及GARCH的若干衍生模型，就算掌握入门的金融时间序列分析了，如果想深入GARCH还有《GARCH models》这本书，不过这书跳步跳的太厉害，别作为入门读物就行。网上不少的course notes挺好的，比如cochrane的Time series for macroeconomics and finance.&br&&br&d 最优化&br&推荐《Convex Optimization》 youtube和stanford有在线课程视频，还有配套的MATLAB插件和SLIDES.&br&&br&e 机器学习&br&作为金融工程认识我个人更偏好统计学习，因为这更偏重于模型选择和评价，也能跟c呼应上。推荐《the elements of statistical learning》
不过貌似不是牛逼哄哄的PHD，也不会有人期待你用机器学习方法。&br&&br&e 量化投资&br&这部分最赚钱，也是金融工程转变的方向，但是这不是书本上死学能学出来的， &a data-hash=&f4f477bf852afd7cb60e& href=&///people/f4f477bf852afd7cb60e& class=&member_mention& data-editable=&true& data-title=&@李腾& data-tip=&p$b$f4f477bf852afd7cb60e& data-hovercard=&p$b$f4f477bf852afd7cb60e&&@李腾&/a& 的博客里有量化投资的书单推荐，我觉得很赞。
传统意义上的金融工程，一般来说是以随机积分为基础的，并且多为衍生品定价，就先说这部分好了。 John C Hull 的书《Options, Futures and Other Derivatives》买一本备着就好了，也不一定需要看，如
所说，这书虽然是圣经，但是只适合那些根本不知…
既然说到量化投资， 其实无论是实习生还是全职员工，团队最希望你举报的能力是干活能力，获利能力和引导他人获利能力，三个层次依次递进。&br&引导他人获利能力是团队领导干的事情，实习生就不要越权了，而且如果有这个能力也不会来提问了。&br&获利能力基本上就是你具备产生alpha的能力，也是说你有策略的idea。具备这种能力的，要么你已经是一个很好的个人交易者，要么就是你代表天赋太高。当然，idea不等于performance，你要让人信服你有产生利润的能力，你最好还是具备一些量化基本功，实现测试你的idea。&br&那么忽略掉成熟的交易经验和天赋这些可遇不可求的东西，一个实习生要起码具备的就是干活能力，或者在他人的引导下产生alpha。其实任何一个行业来讲，实习生和初级员工最起码的作用就是能干活。&br&有了上面那么多铺垫，就容易得出实习生要求的素养了。其实一个公司如果会挑人，那么更加注重的是候选者的潜力。这个潜力也通常被认为是学习能力。所以智商和思维方式非常的重要，尤其是量化行业。比较极端的例子就是一个刚刚获得IMO金牌的高中生在这方面的表现要远远好于一个普通的数学博士生。不过学习能力和智商不能成为你知识积淀薄弱的挡箭牌。对于一个量化职位来讲，显然是你相关的经验和技能积累越充分，你在岗位上的学习能力才越强。你不能可能完完全全的了解你所去的岗位所需要的技能结构，但是当你具有了transferable skill就已经足够了。&br&&br&编程能力，干活的基本了。一般来说比较流行的是R MATLAB和python，不要问应该用哪个，应该学哪个，这得看团队，你没法预料，甚至团队还会用其他语言。最重要的是你会不会“编程”，会编程了对一门新语言的上手速度是非常快的。起码你的编程能力可以处理数据、建模和实现idea。另外excel熟练下也会让你的工作效率提高很多，懂VBA更佳。如果团队让你做的不仅仅是research， 要产生production code，那么你就需要掌握python Java C++ C#之类的了。&br&&br&建模能力，多数是指的是统计知识和应用数学知识。比较常用的是微积分，线性代数，概率论与数理统计这些基础，以及最优化，回归分析，时间序列分析等专业课程。很多团队也大量的使用机器学习（统计学习）的模型。金融专业的课程里，投资学，计量经济学，资产定价等的数学模型也会在实际工作中用到。如果你领导提到一个模型你就说没听过，提到一个模型你就说没听过，那你可以直接看答案的结尾了。提到的模型没听过很正常，起码你马上Google下就能看到是怎么回事吧。&br&&br&金融基础知识：量化投资岗位总是说自己不要求金融知识背景，因为这个部分在工作中非常好补。不过这个部分也是区分量化投资狗和程序人士（码神）的地方。题主是金融专业学生，就更应该在这方面强调自己的优势。金融专业中大多数课程对量化投资是没有直接作用的，但是可以给你一种思维方式，拓展下你的知识背景。最有用的课程是一些二级市场相关的。起码你得了解下都有什么金融产品可以做， 金融产品的定义是什么，有哪些特点，交易机制等等吧。&br&&br&对于你说项目经历，最直接的就是你自己做量化投资咯，自己用小钱搞搞，搞HIGH了没准你都不想去上班了。还有就是实习经历了，反正你有两年的时间可以找机会，投几个简历，面几次试也就差不多知道这些岗位有什么需求了。金融学院比工程学院更好一点是，教授手里的项目都更相关。找个教授要点活做做，或者直接当成自己的硕士研究方向。另外读一读这方面的科普入门书籍，扫下盲，你会更明白该如何努力。&br&&br&PS： &a data-hash=&223c3fc09ac95aa& href=&///people/223c3fc09ac95aa& class=&member_mention& data-hovercard=&p$b$223c3fc09ac95aa&&@董可人&/a&
说如果你不太聪明，也没关系，你可以长的漂亮，一起工作让他心情愉悦就好了。通过观察几个案例，他的想法不是个例，这特么是普遍的事实！！！！！
既然说到量化投资， 其实无论是实习生还是全职员工，团队最希望你举报的能力是干活能力，获利能力和引导他人获利能力，三个层次依次递进。 引导他人获利能力是团队领导干的事情，实习生就不要越权了，而且如果有这个能力也不会来提问了。 获利能力基本上就…
&p&3就在这个题下面记录一下我量化实习面试的经验吧，需要的素质楼主可以自行比较，应该不算跑题吧。。&/p&&br&&p&从11月起到今天（1月8号）差不多两个月陆续投了很多量化方向的实习，在这里记录一下面试（悲剧）经历。按着记得的时间顺序来，会有漏掉的东西。&/p&&p&可能是因为之前暑假做过三个月的策略方向的实习，面试机会不少，虽然基本全跪T^T。&/p&&p&公司地点都在上海，岗位都是量化。&/p&&p&（1）
&br&上投摩根&/p&&p&上投摩根是收到的第一份面试通知，当时早上收到通知被摩根的名头激动的不要不要的，本来之前觉得这个是投的公司里最不可能的一家了（虽然最后也没能去）。那天本来已经收拾好东西准备去上自习了，有了面试决定&u&打一天游戏&/u&（误）看一天面经表扬一下自己。面试地点是在高贵的震旦大厦，就是从外滩望过去会印着“我爱上海”的那个楼。形式是单面，一个大概四十多岁的领导样的人面的，穿着海蓝色的西装，超级不搭。主要问的简历上的东西，很明显是面试之前没有准备。看我之前做过这个就问我具体策略内容，我讲了一下因为都是做的CTA策略，似乎不感兴趣。然后他就问有没有研究过股票相关的策略，我傻乎乎的说没有，最后不咸不淡的说了几句之后就结束了，半个小时不到。现在想想当时应该说想过股票的，其实是想通的之类的话，还是没经验的缘故，跪的心服口服。&/p&&p&（2）
&br&鸣石量化&/p&&p&鸣石是一家做的很好的私募基金，专门做量化阿尔法策略的，他们主页上方的收益曲线看着挺不错的。在隔壁复旦开的宣讲会，主要招正式员工，顺带找几个劳动力。因为在财大也贴了海报就腆着脸过去听了。一到那就听到一个大佬模样的人在那边吹他们鸣石有多牛逼，“我们公司很重视团队的建设，像去谈平时十亿以下的项目都是见不到我们这些人的blahblah”。然后是一个事业线很深的漂亮姐姐介绍公司部门情况，当时听着一个那么漂亮的女生讲对冲讲量化讲得头头是道的就觉得很违和，明明是屌丝的活嘛。事后知道人家是沃顿商学院的博士..宣讲会上投了简历一个星期之后去公司面试，也是在陆家嘴，金融大厦。先笔试，两个数据处理的题，第一个给了某个公司十年的季度数据，有缺失和异常值，需要整理一下。第二题是做行业分类，给了上证股票的现有的两个行业分类方法，需要你给出分类评分标准，然后提新的分类方法。因为不用电脑看了半个小时题之后直接口述的没有实际编。我的答案是：补缺失数据用其他年份的季度比例，第二题的分类用非参里的K-means，评分标准用一个类间距离的概念。现在想想应该加上主成分筛选，再加上权重判断的，当时没说。面我的是那个美女博士和另一个姐姐，又给我讲了实习内容，中间还叫了个做CTA策略的哥们和我聊了一会就结束了。临走时候在电梯口那哥们还说晚上来加我微信，感觉一片顺利。&/p&&p&然后竟然就没有然后了，至今没有消息，很费解。&/p&&p&（3）
&br&DFC tec&/p&&p&连跪两家之后内心郁结，又在应届生上找了不少岗位投。这是一家小的私募，大概三十多个人，据面试老板说一半多是程序员，只做高频，数据是半tick级别的，这家算是我接触到过的最高频的团队了，老板就说是带着华尔街的技术回来的。公司在世纪大道附近的一幢民用大楼里，当时就觉得low的不行。面试先是一个小哥来问简历的东西，又说了高频和低频的差别，最后做了两个智力题。。然后老板登场，直接问我45*45是多少。接着连着问了七八个逻辑题，就是那种小学奥数咯，so easy。&/p&&p&印象最深的一题是8099是不是素数，我心里算了一下说不是，是7的倍数。老板脸色一变就跳过了。然后刚好晚上看一本《高频交易》的书的时候发现是一道华尔街quant的面试题，原题目是3599是不是素数，标准答案是3600-1的套路，这老板小改了一下题目发现玩脱了。。&/p&&p&第二天收到通知说过了，工资100一天，想了想还是算了，可惜了公司那边水灵灵的上财学妹。&/p&&p&（4）
&br&中信盈时&/p&&p&中信的面试算是最有趣的一次了。投了简历之后人家发过来两篇paper，一篇叫《betting against beta》，另一片是讲债券套利的，让你根据其中一篇做个报告，讲启发和怎么用到实际投资上。因为不了解债券就做了前一个，那Paper是13年发在Journals 上的，几个大牛写的。出发点是研究巴菲特的投资逻辑，据说巴菲特的投资除去这个BAB因子之后并没有显著收益。。文章还是挺浅显的。然后我的报告里找了上证的50十多年的数据照着他文章里的因子做了个策略，还提了点改进的方法，那会可是顶着期中考试压力做这个东西的，真是呕心沥血。面试时是那边投资部的四个人，似乎都是复交的博士。报告讲了快一个小时，反应很好，真不是吹，人家原话。讲完后闲聊，说我以前的策略，然后就悲剧了。问我之前策略收益多少，我说记不清了，可能3000还是5000个点吧，然后人家说这个不可能的，我说可能记不清了，他就觉得这个这么可能会不记得。然而我确实是不记得。又问我策略大概多长，有没有100行这样，我说肯定不止的，然后人家又觉得不合理。当时气氛一下就很尴尬了，后来又说了点别的就结束了。&/p&&p&最后这家也跪了，真的挺可惜了，前面表现得超好。然而我之前确实没怎么关心收益，师傅教我的时候也说的是模型的盈利能力不重要，重要的是稳定。所以以前看策略表现都是看回测累积净值线的，收益量真是没记住。说起来先前上投摩根面的时候也问了我策略的夏普率，我知道是个啥，但也确实没有算过。&/p&&p&哎，我的锅。。&/p&&p&（5）
&br&平安资管&/p&&p&平安资管是所有量化面试里国企做派最重的了。面试前要填一张人员登记表，没错，就是那种征兵入党和招农民工都要填的那种表。还是群面，头一次听说这种岗位还有群面的。一组五个人，上财博士，复旦博士，一个德国留学生，还有个华师的硕士妹子（钢琴十级，声乐十级，别问我怎么知道的。）这个面试槽点很多，讲一个：群面完后那面试官问我最讨厌做什么工作。我就说那种无差别的可以外包出去的劳动不想干，如果谁都能做的事让我做就不能体现价值了。。结果他说你这人怎么实习还嫌这嫌那的，要想干的活都称心的话除非你自己当老板咯。我心想他妹的不是你问我讨厌干什么活的么，然后他笑笑说你该回答工作只有适不适合，不应该讨厌什么工作。完后他一笑说，你还是面试经验太少了。。&/p&&p&（6）
&br&财达证券&/p&&p&一家中型的证券公司，在世纪大道的基金大厦里，单面。面试官是那的投资部门老总，坐下来随便说了两句之后给了我一台电脑让我直接操作，需要做一个过去十年里煤炭行业交易量占总交易量的比的三个时长的均线图。数据在wind上找，然而我之前完全没用过wind，期货数据都是师傅给的。一边心里吐槽一边百度wind用法发现这东西真是好用啊，什么数据都有。然后就在MATLAB里画了图打出来交给他。期间这个M总一直在办公室里喝茶以及大声的在电话上吹逼。期间人家打电话时还说了一些政治不正确的话，在我心中的形象分加满。之后又提了一些要求，做统计分析，点位回归什么的，又去做完给他。前前后后大概快一个多小时吧，最后他说小伙子还不错。第一次被表扬呀。。。&/p&&p&（7）
&br&xx基金&/p&&p&xx基金是元旦之后面的。先是半个小时做了三个题，第一个是写一个计算一串价格序列的最大回撤的程序，用什么语言都可以。第二题算资产权重是风险最小，其实就是期望方差那个东西。最后一个买汽水的智力题。然后面试，先讲了我的两个策略（说起来我这两个很水的策略真是被我讲了很多很多遍了，现在讲完人家会问什么问题我都知道了。）然后人家好想觉得还行，就给我说希望招的实习生来做一个策略的什么部分，具体不方便说了。&/p&&p&这面试就这么愉快的结束了。&/p&&p&面试经验就这样了，老实讲我面试水平算是不行的，偶尔有几个感觉发挥好的，也是面试官给面子。就像有时候本屌也能跟漂亮妹子说说笑笑，产生一种我也是能和妹子谈笑风生的滑头了的错觉，理智想想其实是人家妹子和屌丝聊天水平高的缘故，sad。。&/p&&p&最后去哪还是不说了，被新老板认出来不好。&/p&&br&&p&最后希望有量化大神帮忙回答下我那个行情判断的问题呀！！&/p&
3就在这个题下面记录一下我量化实习面试的经验吧，需要的素质楼主可以自行比较，应该不算跑题吧。。 从11月起到今天（1月8号）差不多两个月陆续投了很多量化方向的实习，在这里记录一下面试（悲剧）经历。按着记得的时间顺序来，会有漏掉的东西。可能是因为…
&a href=&///?target=http%3A///action/showMostReadArticles%3FjournalCode%3Drquf20& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Quantitative Finance: Most Frequently Read Articles&i class=&icon-external&&&/i&&/a&&br&这是《Quantitative Finance》杂志的 “最多阅读量” 文章排行榜。前十都很值得一看，并且都值得看不止一遍。&br&都是逻辑超级清晰&b&并且 能！看！懂！&/b&的好文章。&br&&br&这些文章还是相当有名的，比如排名第一的那篇Stylized Facts感觉…… 已经无人不知了吧。
这是《Quantitative Finance》杂志的 “最多阅读量” 文章排行榜。前十都很值得一看，并且都值得看不止一遍。 都是逻辑超级清晰并且 能！看！懂！的好文章。 这些文章还是相当有名的，比如排名第一的…
传统cs做quant的不多，因为cs本身也可以在银行或者hedge fund里直接找到工作，比如给hedge fund写low latency的trading。收入不比quant少。何况还有FLAG和很多startup等着cs的毕业生，并不一定要去金融界。&br&&br&数学／统计和物理是做quant的主力。个人觉得学数学和统计的做quant更容易，何况数学中本来就有一部分叫金融数学。因为quant主要使用的知识stochastic和statistics，包括machine learning都不是物理系学生的必修，而是数学/统计学生非常熟悉的。&br&&br&当然物理系学生毕业做quant还是有机会的，公司看重的是逻辑思维能力，问题处理能力，以及你在phd期间被锻炼出的不怕苦不怕累不怕钱少的工作态度。毕业做quant和physics phd读哪个方向没有特别关系，因为公司面试不会问你几个物理问题就录用你了。问的还是之前说的数学和统计的知识。这些知识在各个物理领域中都有，但不尽相同。一般来说只要不是生物物理，其他方向的机会都差不多。（不知道为什么，很多人有刻板印象认为biophysics不是physics）&br&通常认为和quant相关的物理科研工作有：brownian motion或者random process模拟（比如粒子物理或者材料物理中），PDE数值解（大部分物理方向中都有），数据统计分析或者time series时序分析（高能粒子物理等），使用c/c++或者matlab/R。这些在各研究方向中都会遇到。这也是为什么这些金融公司还在继续招物理phd的原因。&br&&br&但是并不是说科研工作中涉及这些，就可以直接去面试了。找工作的面试还是要准备的。和面码工要刷题一样，quant面试也有很多可供准备的书。大家可以搜zhihu上相关题目。比如，brownian motion的模拟说起来简单，但如果问你什么是Wiener process，问你模拟optimization的方法有哪些，这些显然不是物理科研会直接涉及的。&br&&br&quant有很多种，buy side, sell side, front/mid/back desk, 还有 risk相关的。有直接写model的，也有model validation的。那些陪trader坐在trading desk上的quant，甚至直接写程序来trade的quant或者strategist要求相对较高，但也不妨从其他的职位开始入行。&br&&br&一些面试书&br&A Practical Guide to Quantitative Finance Interviews （个人觉得最有用的）&br&Quant Job Interview Questions And Answers, Mark Joshi&br&Heard on the Street
传统cs做quant的不多，因为cs本身也可以在银行或者hedge fund里直接找到工作，比如给hedge fund写low latency的trading。收入不比quant少。何况还有FLAG和很多startup等着cs的毕业生，并不一定要去金融界。 数学／统计和物理是做quant的主力。个人觉得学数…
对了，补个说明。这张图把PDE和SDE联系起来的东西叫&b&Feynman-Kac&/b&&br&&br&&br&我可耻的默认题主是金数方向&br&&br&如其他答主所说，完整学习几乎难入登天，鄙人过去两年里可耻的采取了&b&“面向目标”的学习路径，中间拉下太多相关知识计算基础。请数学专业童鞋随意鄙视，也请学习者在目标完成后切勿忘记回头补充&/b&&br&&br&正确天赋树：&br&&img data-rawwidth=&2448& data-rawheight=&2448& src=&/1c92a4bbc44_b.jpeg& class=&origin_image zh-lightbox-thumb& width=&2448& data-original=&/1c92a4bbc44_r.jpeg&&&br&&b&如果是面向目标（第一个阶段目标可以定为BSM）的学习方法，则每一层不用完全吃透，只需学到可以点出下一层的程度就可以。&/b&（比如我这个low人）&br&&b&&br&这个树里我没加整个计算机天赋和数学里的线性代数，但这两个是至关重要的。&br&&br&&/b&天赋树最奇葩的就是风险中性那个天赋，好多东西连在一起的。对，这个东西面试时被问到都要准备两套回答：more financial和more math的。&b&深究more math的答案需要死磕下面的鞅论 &/b&(涉及内容：Radon-Nikodym 导数，girsanov测度变换）&br&&br&这个天赋数只是一部分，后面博大精深我正在迷路。虽然怎么走因人而异，但是所有人都得乖乖点出BSM&br&补充一：我粗略的以为MC是利用了随机过程变量的统计特征，故没有专们加入&br&补充二：我把格林函数拉在复变下是因为PDE的解析解是在分离变量法解出三角级数之后再经过傅里叶变换猜得到传导方程格林函数的&br&不要问我是怎么知道的…全是泪&br&补充三：在开始接触随机过程之后，伊藤框架便附骨办伴随整个随机过程的学习
对了，补个说明。这张图把PDE和SDE联系起来的东西叫Feynman-Kac 我可耻的默认题主是金数方向 如其他答主所说，完整学习几乎难入登天，鄙人过去两年里可耻的采取了“面向目标”的学习路径，中间拉下太多相关知识计算基础。请数学专业童鞋随意鄙视，也请学习…
谢邀。我来告诉你们一点人生的经验。&br&&br&利益相关：本科纯数学，PhD运筹学。&br&先说结论：运筹学是招式，测度论是内功。&br&&br&运筹学和测度论是风格迥异的两门课。首先，运筹学是个非常广的领域，包含但不限于最优化和随机过程等。一门本科课程不可能深入讨论所有问题，因此一般只是简单介绍下线性规划，可能还有概率统计随机过程神马的。（我本科上过细分课程，线性规划，网络流，整数规划，但没有学过一门叫“运筹学”的课。）测度论则比较理论深入，专业性较强，也许上课听懂还可以，&b&写作业会很痛苦&/b&。&br&&br&学习测度论的好处是在本科阶段让你有足够时间去深入理解它，而这对将来较为深入地学习概率论是大有帮助的。例如，学习σ-algebra让我明白了概率为什么要这样定义，学习Radon–Nikodym定理让我明白了为什么金融数学中P和Q可以相互转换。&br&&br&&a href=&/question//answer/& class=&internal&&P Quant 和 Q Quant 到底哪个是未来？ - 董可人的回答&/a&&br&&br&当然，测度论并不能帮助你找到工作。面试官也许会问你投硬币掷骰子，甚至问你什么是随机数，但假如他问你什么是可测集和不可测集，那他一定是在装B！（严格定义随机数需指出概率空间，这是我遇到和测度论最接近的面试题了。）因此，假如你选择的是测度论，则需靠自学或在研究生阶段补充更贴近应用的概率统计知识。&br&&br&至于运筹学，我本科没有上过这种概论课，不方便评价。但个人感觉是，由于本课广度大深度浅（推测），想靠它找工作则需要自己严格要求，把每个话题都学懂学透，做到在面试中可以对答如流。假如研究生读统计学或金融工程，到时候其实也会对本课涉及的（一些）话题深入展开。&br&&br&综上，急着找工作学运筹学，但要学透；读研则可以考虑测度论（可能会被虐），修炼好内功再学概率统计。
谢邀。我来告诉你们一点人生的经验。 利益相关：本科纯数学，PhD运筹学。 先说结论：运筹学是招式，测度论是内功。 运筹学和测度论是风格迥异的两门课。首先，运筹学是个非常广的领域，包含但不限于最优化和随机过程等。一门本科课程不可能深入讨论所有问题…
首先，对冲基金不等于数量化基金，数量化只是一种交易/投资风格。&br&&br&其次，价值投资或其他基本面投资流派确实有别于纯数量化，但却不等于拍脑袋选股，其艰深度完全不逊于纯数量分析。&br&&br&与题主想的恰恰相反，从资金控制量上看，纯数量化风格的基金只是所有基金里的少数派。在众多其他投资体系中，无法具象成数字的因素起着举足轻重的作用。10个玩Global Macro的人看一个宏观数据，各自都会有与众不同的独特解读。10个玩Distressed Securities的人看同一家公司，有的能看到大笔钞票，而有的只会看到无穷的陷阱。恰恰是这些观点的不同才促成了买卖双方的存在，也才有了交易。&br&&br&即使数量化基金里有D. E. Shaw和Renaissance这样的顶级玩家，做投资做到过世界首富的也只有那个做价值投资的文科生。&br&&br&所有流派都能找到佼佼者，交易/投资无圣杯。
首先，对冲基金不等于数量化基金，数量化只是一种交易/投资风格。 其次，价值投资或其他基本面投资流派确实有别于纯数量化，但却不等于拍脑袋选股，其艰深度完全不逊于纯数量分析。 与题主想的恰恰相反，从资金控制量上看，纯数量化风格的基金只是所有基金…
这个问题我思考了很久，尽量给你一个公允的答案，并给出一个折中的建议。&br&&br&你给的这个命题很大，我觉得对于每种方法，你至少有两个条件需要考虑：&br&1、你是否掌握了这个方法。&br&2、你所选用的这个方法是否适合你的所在的市场、投资的品种和资金规模。&br&&br&为了严谨，我把你所说的数量分析泛化为统计套利、图标技术分析等一系列尝试通过&b&程式化&/b&挖掘价格内部信息和其它可数量化（Quantify）信息的交易策略集合；把你说的基本面分析严格锁定为尝试通过挖掘财务报表等公开经营管理信息来做投资决策的交易策略集合。如果我的理解有谬误，欢迎指出。&br&&br&请注意，按照我给的这个框架，数量分析也可以利用基本面信息，特别是那些可以数量化的基本面信息，但其特点是“程式化”，基本不做各个案例各自分析的考虑。而基本面分析大量进行个例分析。&br&&br&对于第一点（是否掌握）：我觉得没有人可以否定，这两个流派都有大家，都有投资收益惊人的主体存在。基本面的巴菲特、林奇不必赘述，而数量化，根据我在美国观察的感受，文艺复兴（就是西蒙斯那家公司）、DE Shaw等顶级数量化对冲基金，也都是能保持长期盈利的。&br&当时一般人很难判断自己是否真的掌握一门技术的，基本面由于比较艰深，而且需要大量主观判断介入，一般投资者（特别是中国的股民）望而生畏，号称自己掌握了的人本身就不多。&br&&br&但是对于数量分析，尤其是所谓的图标技术分析，由于很多是标准化的公式或者“图形”，比如金叉、死叉等等，一般投资者总觉得自己摸到了点门道，如果自己试验几次，也有盈利的话，就觉得自己真的会了。其实这个真的掌握差距很大，我不否认民间智慧，但是我想说说DE Shaw和文艺复兴的招聘标准，很简单，只有一句话：不管你是研究什么的，只要你是业内最好的，我们都会考虑。我很清楚的知道，文艺复兴有顶级的物理学家、数学家、统计学家，还有人类语言学家，历史学家、哲学家等你觉得跟数量分析没有关系的专业人士。比如人类语言学家，他们就参与利用微博（Twitter）上的数据流，进行自然语言识别，然后统计推断股市的变化（逻辑：人对市场的看法——》他们在Twitter上的发言，反过来，Twitter上的发言——》人对市场的看法——》人对于自己仓位的决策）。从这个标准来看，又有几个人真的符合标准呢？如果你真的对于数量分析精深到这个地步，我觉得获得超额收益只是时间问题。&br&&br&对于第二点（是否适合），我提到了三点，市场、品种和资金规模。这里不展开，尽量简单的说。基本面分析主要适用于并购、重组和股票、债券投资等基本资产种类，这个相信也是大家的共识。&br&&br&对于数量化分析来说，差异很大，你可以用KDJ、MACD等等去判断大盘之流，也有美国这边的主流主要应用数量化分析到衍生产品（期权、期货、互换等等）上（当然也有很多是投资股票、债券的）。&br&&br&之所以大量用在衍生产品上，我觉得可以这样来理解，衍生产品本身对应的资产的价格，其运行相当于行星公转，而衍生产品相当于此行星众多的卫星。因此你可以通过行星的速度（资产价格）去计算对应的卫星（衍生产品）价格，这是一个相对速度。理论情况下，卫星的速度相对于行星的速度有一个较稳定的关系，如果这个关系破坏（或破坏到一定程度）了，这个卫星相对于其它众多卫星的相对速度也改变了，这被认为是不合理的，因此会存在套利机会。而数量化的交易对于侦查这种大量相对速度的变化，具有先天性的优势。而且这个决定这个相对速度，比决定行星的绝对速度（资产价格）来说有数学关系得多。&br&&br&中国本身衍生产品就很少，股指期货也是刚刚开放，而期权更是数量少的可怜，这种方法在国内应用价值有限。加上对于股票做空的高门槛，因此我觉得数量化分析在中国这个市场本身就有先天性不足。&br&&br&在美国，数量化分析尤其强调对冲。所谓对冲，通俗的讲，就是采用某些金融产品，把你原有资产组合的风险转移、或者减少。这里的“某些金融产品”，以衍生产品为主。风险减少的代价是你的最大绝对收益会要削弱。这也对于市场金融产品的丰富度、流动性有着非常高的要求。同时，虽然每一单绝对收益小了，但是很多对冲基金采用高杠杆来弥补，这也很难在国内市场实现。&br&&br&至于资金规模，我认为如果你是小额资金，那么基本面分析和图标类技术分析，都没有问题，完全看你的兴趣。如果要应用严谨的数量化分析，考虑对冲、做空等等因素，资金量不能太小。如果太大，可能由于一单交易量太大，也许这个世界上没有一个市场的流动性可以满足你的要求。所以美国大规模的基金，很多是共同基金（类似于国内的公募基金），做基本面为主，如果是数量化的，也是分仓后应用于多个不同的市场和策略，防止单个基金对市场冲击太大导致原本的策略无法生效。尤其是对于高频交易（一秒钟交易数单），一般都是具有交易所席位资格的基金公司才会考虑接入，不然高额的交易费用完全不可行。&br&&br&&b&最后：&/b&如果你觉得自己掌握了一种，并且找到了适合的市场、品种，更好的是，你有对应的资金规模，我觉得你如何选择都会成功。反之，只能说赢面&50%。&br&&br&我个人的建议是，对于个人投资者，如果不是职业投资人，可以考虑买指数，或者杠杆类指数基金，长期持有，如果中国股市长期是趋向理性的话，至少你可以稳定的分享中国经济成长的红利。如果追求一定的超额收益，可以考虑买基金。如果坚持要自己操盘，那一定做好风险控制。&br&&br&如果你立志走这个专业，我觉得不用急，先学知识，经历两次股灾再说把！
这个问题我思考了很久，尽量给你一个公允的答案，并给出一个折中的建议。 你给的这个命题很大，我觉得对于每种方法，你至少有两个条件需要考虑： 1、你是否掌握了这个方法。 2、你所选用的这个方法是否适合你的所在的市场、投资的品种和资金规模。 为了严谨…
已有帐号？
无法登录？
社交帐号登录
3121 人关注
145 条内容
2201 人关注
459 条内容
2686 人关注
1570 条内容
2669 人关注