分类
期权市场

金融工程量化研究

行业配置将是二级市场的蓝海,目前主动型基金经理的优势是对于行业内一定数量的个股理解深刻,对底层持仓的股票在长时间内利润驱动的逻辑认识深刻,但缺乏行业配置能力。而量化投资可以做到这一点,与主动型投资经理求同存异,但是行业间跨行业比较的难度较大,量化投资要打穿底层逻辑与实体经济相联系,才能叫准确地把握调仓的时机与数量。随后,陈奥林较为详细的介绍了周期板块和金融板块的具体的基本面量化的策略构建方式,重点介绍了周期板块的上中下游和金融板块的银行、券商、保险公司以及和金融联系紧密的房地产行业的基本面量化投资策略,并总结了行业基本面量化的框架。

金融工程量化投资,想从蚂蚁金服跳槽去做量化投资,有何建议?

AdmitWrite,基于共享经济模式建立的知名互联网留学平台,留学届Uber。迄今为止,平台入驻世界顶级名校导师已超过1000名,实现美国TOP30,英国G5,澳洲八大等多个地区名校全覆盖。学术大牛?名校学霸?外籍名校导师?牛人汇集地,你想要的都在这里。人文社科/商科/工科?理科/艺术/法学?不管什么方向,我们都能为你匹配同专业名校学霸,申请so easy!中介价格不划算?线上模式,拒绝无谓成本,打造极致专业度,极具性价比服务,让每一分钱都花到实处。

大牛谈留学之申请硬知识可以关注专栏:

学霸谈美国申请:哥大学姐带你冲藤校

大牛谈英国留学:剑桥学姐带你申海外名校

海量名校实战申请经验:海外名校申请经验

金融专业分流,金融工程好些还是金融投资?

国内证券公司的金融工程组是一个怎样的组织?

Q1 究竟做什么样的东西?

Alpha 策略,择时策略以及股指期货,CTA套利都有涉及,也有涉及大数据分析、舆情分析之类的研究。具体可见各大券商研报。就我自己实习的情况看,此类研究和学术科研比较像,以我实习期间所作的某动量策略改进为例,首先所做的就是阅读国外最新的相关文献,找到逻辑通畅,见解独到的策略或者模型,然后将策略模型改进,使其适合中国市场的微观结构(比如T 1,融券制度,对冲标的种类等)。

专题报告:一般来说,比较复杂的策略或者产品研究成果可以写成专题报告,这也是凝聚研究员最多心血的东西。(有人黑研报水,至少我们组的每一份报告都是大家详细讨论,细心构建,回测,以及不停完善的成果)

周报:产品周报(搜集更新所追踪产品的市场信息,总结并提出对下周的展望建议,例如分级基金周报);策略周报(更新以往专题报告中模型最新的预测结果或者持仓收益等信息,最新有一些舆情策略、大数据相关信息的整理与更新)

路演:策略研报被辛辛苦苦写出来,就要去买方大爷那路演啦。所以卖方金工研究除了最基本的研究能力,还看着报告写作能力,以及一定的销售能力。路演的话,最集中的就是最近几个月,因为新财富开始了嘛,要拉票的嘛(公募,私募,险资等等)。

内部课题研究:在完成研究报告这些份内事情外,券商金工研究组有时也会接到来自买方(基金公司比较多)的课题委托。此类课题研究也有比较基础的,比如中证500指数投资价值与策略研究。

向买方报告策略情况:除了完成策略周报,有时也会向买方提供策略最新的持仓情况。当然,有时候买方也会打电话问问研究员对未来走势的看法。

的言论一个金工组,正在进行的研究方向不可能集中,因为每个研究员各有侧重,“统计多少只股票过了20/60日线”可能只是研究中某一个部分而已,该知友以此概括这一金工组的工作情况,是对他们工作极大的不尊重。用脚趾想想都知道,金工组是要新财富拉票的,虽说与买方客户的关系对投票影响大,但是如果自己做的跟shi一样,谁会投票啊,自己都不好意思去路演。毕竟是要和其他券商竞争的。

金融直觉:这一能力远比编程能力重要,因为每一个模型都有自己内在的投资逻辑,金融直觉有助于我们辨别模型好坏。

数学能力:这个不多说,大家都已经讨论很多了,就我自己来看,组合优化、多元统计和计量时间序列的东西用的比较多。

编程能力:由于是偏研究的岗位,主要还是matlab比较多,组里也有用sas和python的研究员。编程能力至少得达到能快速有效的实现某个想法的水平。比如突然灵感来了,能够有能力将这些逻辑思路转换为code和有效产出。

报告写作能力:这个属于卖方比较特殊的要求,因为再美好的结果都要转换为研究报告发布,写作能力直接影响到模型的理解容易度。

销售能力:因为要路演,所以要有能够将自己研报清楚传递给受众的语言表达能力,同时他还得被你说服。与此同时也要和买客户搞好关系。

实习、实习、实习。重要的事说三遍,楼主不要过分注意学校期间学了什么,学校学习知识教会了基础的东西,与市场还是有一定差距,一定要来组里实习,这样上述所说的几种能力可以一并锻炼,同时还能更了解这个职业的发展,重新思考自己的选择。其他诸如excel、Wind等,属于常识性要求,就不多提。

本科生如何得到量化投资方面的工作机会?

实习与实习不同,有些实习就是打杂刷简历,而有些实习则对你今后的职业生涯很有帮助,前者可以是后者的铺垫。好的实习与正式工作岗位都会重视你的个人能力与潜力,比如自学新东西、长时间保持专注等,但这些能力不是用嘴说出来的,需要相关经历来证明。刷简历的实习并不难找,公募、私募、券商的官网上都会有“加入我们”、“招贤纳士”之类的页面,并留HR邮箱。实习工资普遍在2k以下,多数公募还是九十年代实习工资水平,很多券商甚至没工资,个别私募叼得一笔。但这些低端实习实现了对人才的初选与教训,因此这种经历多少要有一两次。

接下来说说重视人才的何种能力。我目前是搞程序化交易的,仅针对量化方面发表些浅见。

1、专业相关。我青睐的专业依次是统计、计算机、数学、物理、金融工程。限定这些专业并排序,原因与工作的内容有关。我本人是金工出身,但金工却排得相对靠后,因为对实践而言其他专业甚至入门更快,金工知识可以中期再补。专业知识只是基础,重要的是将专业知识转化为实践工具。我之前见过一位统计学博士,理论水平很强但对金融实践很消极,因此只能被派去算各种因子。

2、从零开始的自学能力。诸如学习新知识能力、坚持钻研能力云云,可一言以蔽之。大家都是名校毕业生,教什么学什么这种能力并不稀罕,我本人也只是个万年二等奖学金的料。真正稀罕的是从实践角度出发,靠你自己有限的知识基础与学习能力,去搜索、学习、转化实践,最终形成可用成果——这才叫潜力。二级市场最看重实效,这要求对多元知识的综合应用,懂统计不懂计算机或反之,只能做专业性辅助工作,唯有同时掌握多门技能并转化为实践,才构成坚实的立身之本。不过不同机构需求不同,结构健全的机构更需要打杂的,而小机构对人才更加器重。

3、优良的人品。量化机构普遍人员精简,技术人才是最大的资源,道德风险是最大的风险。一方面是安全性,入职先想着离职,总想着偷点公司什么东西、拿点公司的技术到外边卖或者自己搞点小算盘什么的,是很恶心的行为。对于这种短视无能之人,首先就不可能告诉他太多有价值的东西,其次很可能会给点钱打发走人。另一方面是事业心,以部分平庸的程序员为例,总想着剪切黏贴别人的代码糊弄事,得过且过,不关注程序的效率性且代码凌乱。对这种不上进之人,你能指望对他委以重任甚至未来让其独当一面吗?不上进的人只能低级工作,然后面临不续签。

公司的招聘方案已正式发布,评论关闭,有事私信。

正式招聘方案: http:// yunpan.cn/cFcXtu2M25cSf (提取码:92e8)

岗位1:软件工程师(实习),2-3人,月薪4000-8000元。

岗位2:定量分析师(实习),2-3人,月薪3500-7000元。

HR邮箱:[email protected]

备注:第一轮实习招聘截止日期为2015年10月30日,详见正式方案PDF。

PS:一个靠谱的公司应该“先谈待遇、再谈要求”,这是公司诚信与自信的自然流露见过不少公司招实习,岗位要求说的模模糊糊,仔细看去居然没提具体薪水,还一个劲画大饼。这说明首先公司对实习生缺乏规划,很可能就是用来打杂;其次说明潜在地想压榨学生,只吃不吐贪婪成性。金融公司的利润绝不源于压榨,对于有上述特征的公司建议趁早远离,以免恶心。

请问做量化在本科和研究生阶段需要做什么,本科金融工程,请问需不需要辅修数学?

然后计算机方面我觉得更需要注重一些吧,编程语言策略实现的选择上C 和python或C 和matlab是标配,我走的是C 和python,不知道为啥感觉matlab很笨。。完全没有jupyter用起来得心应手。

我现在C 水平很渣很渣刚起步,感觉真的难度有点大。。但照着c primer学应该不会错。python的话用的比较多,seaborn可视化啦,scrapy爬虫啦,策略回测啦,科学计算数值方法之类的。

其实还有一种路径,叫做EXCEL VBA编程。。说实话。。把这个东西炉火纯青了。我们老师说随便找都能找到好工作( . ? . )不知是真是假哈哈。

金融工程与量化投资就业方向,金融工程quant的行业是计算机更受欢迎还是统计的背景更受欢迎?

Quant的岗位无论是十年前还是现在都不乏竞争者,在HR面对成千上百的简历中,如果是top2/3名校毕业,通过初查的几率就很大。然后是简历中的经历,这就是题主说的是统计重要还是计算机重要。楼上有人说买方的话会更看重算法经历,卖方偏重统计。其实真的不完全是这样。最近Morgan Stanley和JP Morgan都更偏向招data scientist的quant,也就是算法研究员,然而一些比较大的fund在招数学统计更扎实的量化分析师。所以哪个更重要取决于你日后想成为什么样的quant。Quant其实有很多种,每个asset class的quant都会有所不同,各个strategy也有自己专门的quant,所以如果题主喜欢数据挖掘类型的quant,建议多研究算法,日后可以去纯做高频交易,和一些做市的fund公司或者投行的某些部门。如果题主喜欢研究市场模型,有一些主观的判断和想法,那我建议还是多研究下数学和统计,未来无论在买方还是卖方,也有很多机会。

至于CFA,如果是选择做算法,CFA锦上也填不了什么花。不过如果未来的职业发展是想成为portfolio manager的话,CFA可以循序渐进的考一个。CFA对我来说是打开金融知识大门的钥匙。之前一路工科学过来的我,对于经济学一片空白。自学CFA的过程让我从一片白纸变成了一张素描。所以还是建议有精力和打算以后不局限做quant 的同行们考一个。如果大家对我的面试经历感兴趣的话我会再更。

国内券商金融工程组职业发展和薪资水平都是一个怎样的情况呢?

工作具体就是衍生品 量化策略研究,写报告这些。薪资待遇我觉得在整个券商中也是非常不错的,如果能进入新财富组,那么研究生毕业2-3年 金融工程量化研究 年薪百万没问题。

机器学习 金融工程 量化投资

2018 年 3 月 25 号,在新加坡国立大学被 “一度AI” 邀请做了一个关于机器学习、金融工程和量化投资的演讲。进入“王的机器“公众号,在对话框回复 MFQ 可下载完整 PPT

机器学习

自学了 2 年,学习方式是上 Coursera, Udacity 公开课,看 Youtube 视屏,看大牛博客,写写代码。在写代码的时候,我发现其实在 Python 用模型是件非常简单的事情,比如 sklearn 里面的库调用起来太友好了,很多时候不同模型调用起来只是模型名称不同而已。但是当模型产出结果不好的时候,如何改进模型,知道误差出在哪里,甚至了解训练误差和真实误差的关系,这个就要精通计算学习理论。

基于此,我从“计算学习理论”的角度来介绍机器学习。

注:该理论只适合机器学习里的模型,不适合深度神经网络,适合后者的理论是由 Tishby 在《Opening the Black Box of Deep Neural Network via Information》论文里提出,里面的信息瓶颈是被 Hinton 号称要读一万遍才能懂的知识点。

金融工程

这个领域是我的专长,有着 6 年校内学习和 10 年业内经验。借用在金融工程高度概览一贴里一首打油诗概括:

基于此,我从“系统框架”的角度来介绍金融工程。

注:2021 年 Libor 大概率会被启用,那么如何找它的替代品,如何来对 2021 年之前的和 Libor 挂钩的产品如何处理?难道 Q-quant 的春天又要来了?

量化投资

刚刚接触半年不到,也没有怎么花功夫在上面,基本上就是东看看西看看,从来没有系统的学它。学一个新东西最快的方式就是用一个具体的特例。我主要参照了华泰的研报 Python 实战那一期,用的是假数据,但是多加了一步机器学习调整超参数步骤 (GridSearchCV)。用的支撑向量机 (SVM) 加高斯核 (提高模型复杂度来处理高维数据) 和正则项 (减小模型复杂度来防止过拟合)。策略就是每期用 SVM 预测股票涨跌,但是关注的是涨跌的概率,将其排序,选出涨的概率最大 (涨幅不见得最大) 的若干股票。

基于此,我从“具体特例”的角度来介绍量化投资。

注:量化投资的评估标准就是策略赚钱的能力,赚钱的策略没人会分享,市面能讲的就是提供一些思路。所有的东西都要靠自己试,没人能帮你。

PPT Slides:

我见过机器学习非常厉害的人,也见过十分精通金融工程的人,也见过量化投资做的很溜的人,但很少见过在三个领域都很牛的人。Learning is a lifelong process. 就像下面这图一样,学习永无尽头!我想成为那种人!

美国现在学金融工程的人,就业情况如何?

先来说一下金融工程到底是学啥的?

再来聊一下在美国,金融工程专业的规模及申请人背景怎么样?

金融工程专业究竟属于哪个院系的?

最后,分享的一位Columbia金融工程学长在美帝找工作的经历:

首先,金融业分两大块:一块是IPO,MA,IBD等;另一块是salestrading,quantitative analysis, asset management, risk mgnt等。

所以说你申请的研究生类型MSF和MFE还是有很大不同的,MSF的knowledgeset多在accounting,corporate finance和capitalmarket那块,比较适合的工作是IPO,MA, IBD, ST,而MFE比较偏重数理,适合做quantitativeresearch, risk, portfolio之类的。

至于题主关心的就业情况如何?一般去哪里工作?做什么?其实我的看法是:这因人而异。

金融专业的学生怎么样才能在美国找到工作?

撇开以上的因人而异的因素以外,鄙人再来谈谈目前整个金融工程行业的总体情况:

香港ST的机会比较多,美国Quant(这里Quant不止是Quantresearch, 还包括Quanttrading, quant equity research之类各种对数学、统计、计算机要求比较高的职位)类机会比较多,这个结论主要基于我所了解到的信息。另外,compliance的需求量扩大的比较快,risk也一直有需求但竞争也激烈,传统意义上的quantitativeanalyst,尤其是大投行里的deskquant基本被Phd垄断,另外如果你对数据处理得心应手,尤其是能在patternrecognition、machinelearning方面做得出色,你也会非常marketable。

1、有decentlanguage skill。

2、也就是师弟师妹常常问到的skill set。

你需要的skill 金融工程量化研究 金融工程量化研究 set 包括:金融、数学、统计、计算机、市场。不需要在每个方面都是专家,但要都有所了解,要知道“木桶效应”,如果有个方面是零,那对整个的竞争力影响会比较大。如果你有4个方面非常强,恭喜你,你是top5%的candidate,硬实力基本没有问题了。

3、其实是最关键的一点:personality。

公司最看重的不是你会什么、你懂什么,而是你这个人能不能和这个公司这个团队融洽相处,尤其是对于freshgraduate。很多雇主招entry-level的人,都只对skillset有个最基本的要求,这个要求往往是很多人都能达到的,接下来看什么,我在这里引用两句话,第一句是一个校友谈及他们面试招聘时说的“Wemay 金融工程量化研究 ask about anything related to the job and try to assess your ability. Butmost of the time, we just take the person that we like”,第二句是我在某处面试快结束时问面试官的问题:你们对这个职位的人有什么期望,他给的回答”金融工程量化研究 Wedon’t expect you to know anything specific. We will teach you in the future ifyou don’t know. Personality is what we look for. We want to have someone thatcould get along with the team”

最后,我不建议大家去改变自己的“personality”,其实我觉得除了极少数骄傲自负、专横跋扈的人之外,绝大多数人的都是拥有一个正常的personality的。总会有一些group适合你,还有一些不适合你,如果在面试的时候就发现不够适合是一件幸运的事,试想如果你本来就是比较内向的性格,如果入职后每天让你跟客户交流,应对客户的询问甚至质疑,你能一辈子都装成excellentin communication, passion for serving the client的样子吗?

明汯投资2022量化金融校园招聘

上海明汯投资管理公司于2014年成立于上海市虹口区对冲基金产业园。 公司专注于量化投资领域,投资范围涵盖股票、期货、期权等,在研究中大量运用数理统计、机器学习、深度学习等方法,不断实践创新,取得了优异的投资业绩;拥有经验丰富的金融产品管理团队,核心成员均有着资深的国内外资产管理和量化基金的投资管理经历;目前管理规模达百亿,位居中国万家私募证券投资基金前列;随着海外市场的进一步布局,公司将继续围绕国际化和科技驱动发展,力争成为国际一流量化私募。

北大经院“金工首席谈量化”讲座 | 行业基本面量化:策略框架与应用

首先,陈奥林从自己理解的证券的本质开始讲起,他认为证券投资就是整合信息、感知市场预期、寻找拐点、用逻辑进行交易的过程,同时在这个过程中要注意处理好宏观信息、资金流动等外生变量的冲击。陈奥林认为基本面量化是从基本面信息出发,根据特定的经济、金融学逻辑集成量化策略的投资方式,其特点是基本面数据源、逻辑强度高、标准化设计。他还强调基本面量化的核心是找到利润的核心驱动要素指标,进行后续的策略设计。

行业配置将是二级市场的蓝海,目前主动型基金经理的优势是对于行业内一定数量的个股理解深刻,对底层持仓的股票在长时间内利润驱动的逻辑认识深刻,但缺乏行业配置能力。而量化投资可以做到这一点,与主动型投资经理求同存异,但是行业间跨行业比较的难度较大,量化投资要打穿底层逻辑与实体经济相联系,才能叫准确地把握调仓的时机与数量。随后,陈奥林较为详细的介绍了周期板块和金融板块的具体的基本面量化的策略构建方式,重点介绍了周期板块的上中下游和金融板块的银行、券商、保险公司以及和金融联系紧密的房地产行业的基本面量化投资策略,并总结了行业基本面量化的框架。

量化投资研究院 上财金融专硕B组量化投资与金融工程|一战三跨成功上岸学长分享备考历程

戴国强《货币金融学》这本书非常厚,覆盖了整个金融学的大部分知识,但很多是浅尝辄止,在复习时应着重学习货币理论与货币政策,国金部分可直接跳过;奚君羊《国际金融学》这本书理论色彩并不浓厚适合非金融专业学生学习,复习时以前6章为主,其中汇率相关计算重点掌握;郭丽虹《公司金融学》这本书非常言简意赅,建议跨专业学生看完罗斯《公司理财》后再来学习,这本书上的例题与习题集全部要掌握,这是上财431计算题的基石,如果学有余力还可以买一本刘淑莲《公司理财习题集》来作为公司金融的习题补充,但由于这本习题集偏会计难度较大可适当取舍;上财教研组《投资学教程》这本书前10章需要重点看,尤其是传统的定价模型写得很清楚需要重点掌握,这本书的课后题题量很大重点做单选和计算答题,实务相关的题可不做;张亦春《金融市场学》这本书虽然不是上财出的但却非常非常重要,这本书以前是金融联考的规定参考书,以至于很多学校的431都会从中抽原题考,这本书至少看3遍课后题也多做几遍,它可以加深对其他几本教材的理解。在5本基础教材过至少3遍以后需要去结合真题去学习一下商业银行管理相关知识,每年都会有1-2道这方面的计算题,到9月份以后知识点已经掌握后,重点就在真题和热点了,热点我看得是金程《金融硕士MF知识点汇总及热点专题》。,帮助我以专题的形式系统学习了热点。大题论述可以在最后两个月挑一些真题练一练,注意不能看书,要调用自己的知识框架去回答,这对答题能力提高非常明显。最后需要提醒的是从19年真题来看大大加深了对投资学的考察,建议买一本博迪的《 投资学 》来学习。

英语最重要的还是词汇量,重要是重复与坚持。在单词的基础上语法底子差的同学可以看一下 何凯文 长难句,考研除了词汇外最难的就是长难句了,读懂长难句能让阅读实力提升不少。在单词和 句式语法 达标后就可以开始做真题了,建议考英语二的同学先从英语一的真题开始,精读两遍,把不懂的词查出来用本子记下来不断地回忆,据有关机构统计,真题单词重复率可以达到80%。注意阅读技巧,技巧和单词过关后,就可以英语二的真题模拟了,这时候重在培养做阅读的效率,与此同时大概可以在10月开始准备作文了,作文需要一定的背诵与积累建议多背多练,至于翻译部分如果要求不高的话可以不需要特别的训练,如果想考很高的话需要做一些精翻的工作。

政治:建议学习顺序是马原、史纲、毛中特、思修当代,马原部分是政治最先需要啃的硬骨头,建议马原部分找一些视频来辅助学习,以理解记忆为主,之后先学史纲后学毛中特,就19考研政治来看,史纲和毛中特有很大一部分重复,先学史纲之后学毛中特会很轻松,中后期刷完1000题后可以开始背选择题,建议 风中劲草 或者徐涛小黄书,简答题到11月中下旬跟着一个老师走就好,不管跟着谁走,最后一定要背肖4,19年压中3题,往年也是押题无数。总之政治是一门性价比极高的课,可以在短时间突击到还不错的分数,在考研后期需要重视。

三、复试经验

题型分布是10道不定项选择题(可单选可多选),填空5道,改错2个,简答1道,编程1道,部分选择题有难度重在细节需要重复看书,改错题和填空题较简单,简答题范围比较广不太好准备重在积累比如今年考得就是new delete和malloc free的区别这在书上只有一小段文字介绍更详细的区别需要通过查阅博客才能知晓,编程题考察解决问题的思路和算法是一道能拉开差距的题目重在平常多多思考多多练习代码,今年考察的是递归思想。

参考书是《C++程序设计》第2版.谭浩强. 清华大学出版社 ,这本书前7章主要讲C,后7章讲C++面向对象的编程,因为有很多细节的语法点所以整本书最好看3遍,课本上所有例题最好全部掌握(非计算机相关专业 10.13.金融工程量化研究 14这三个章节不需太深究),课后题大多是编程题能很好的培养编程思维,最好过两遍,第一遍以学习和模仿为主,第二遍尽量独立编程。除了参考书以外,最好再找一本C++习题册,我用的是《C++程序设计习题与解析》刘君瑞.清华大学出版社,这本书有选择题填空题改错题程序结果题,比较符合真题题型,难度高于真题,此外可以去网上找一些大学C++期末考试题以及 计算机二级 的题目来做,最后就是课本学习和习题练习最好交叉着来这样学习效果较好。