关于量化交易的种种疑惑与解答
Q1：什么是量化投资/量化交易/量化金融，这三个概念有什么区别吗？
这三个概念有个共同词，就是量化，而量化就是用计算机语言来实现数学和统计模型来解决金融问题，因此区分三个概念只需区分金融、投资和交易。
金融包括投资和交易，而两者广义上类似，但如果要细分，投资关注长期财富增长，手段是买入并持有；而交易关注短期获益，手段是频繁的买入和卖出。
但大家基本上就把量化投资和量化交易当做一个意思，指的在买方 (私募或对冲基金) 用计算机语言来实现数学和统计模型用来交易。
Q2：量化到底在研究什么？它的最终目的是什么？
研究定价和风控，目的就是把模糊的金融问题用数学表示出来，并用计算机语言实现出来。
Q3：国内和国外量化行业当前的现状以及之后的前景是怎样的呢？
国内和国外都是一样。卖家比如银行里的Q-quant 前景越来越黯淡，买家比如对冲基金里的P-Quant 前景越来越光明，如果又会 Q 和 P，那么无敌了。关于 Q-Quant，P-Quant 的区别，参考下图。
Q4：量化相关的工作方向都包含哪些呢？每个方向大概都是做什么事情的？哪些机构/平台会招聘这些不同方向的人员呢？
从大方向来说，量化方向包括 Q-quant 和 P-quant，前者主要研究衍生品定价和风险计量，后者主要研究程序化交易和做市策略等。前者是由银行前台和中台招人，后者是由私募和基金招人。
Q5：客观的来讲，国内和国外的不同级别的量化人员的薪资待遇是怎样的呢？
国内我不太清楚，新加坡这边我也只知道银行的薪资待遇，博士 (貌似现在只招博士了) 起薪大概是一个月 6K – 9K 新币 (1新币 = 5人民币)，花红 3 到4 月，如果是银行前台更多，做的好可以拿 12 个月。
Q6：您是如何走向量化这条道路的呢？
喜欢数学、金融和计算机，而当时新加坡国立大学的量化金融专业就是这样的一个混合型专业，就很自然的选了，毕业也很自然从事量化的工作了。
Q7：对于金融行业的人来说，如果想做量化，您有什么建议呢？
有了金融知识，还要学数学和计算机。
Q8：对于程序人员来说，如果想做量化，您有什么建议呢？
有了计算机知识，还要学金融和数学。
Q9：对于算法工程师来讲，如果想做量化，您有什么建议呢？
和 8 一样。
Q10：一名优秀的量化人员需要必备哪些素质或者技能？怎样能成为一名优秀的量化人员，职业规划是怎样的呢？最后的出路都有哪些？
必要素质是懂金融原理、懂基本数学、会编程，但要变得优秀那还需要在工作上锤炼。职业规划通常都是读个量化金融本硕，或者数学/计算机/工程本科 + 硕士。
Q11：量化相关的从业人员基本都需要依赖于机构/平台吗？有没有一个人单独去做一些量化相关工作的情况呢？
是的。单独做很难，数据这一块就没法解决。
Q12：做量化工作最大的困难有哪些？
要求较高，基本要是个全才，数学、编程、金融三者缺一不可，数学是思想，金融是原理，编程是手段。有时对英文阅读能力也有要求，很多前沿的理论知识都是英文，编程知识也是对英语友好。
Q13：做量化工作最容易犯的错误有哪些？
一味追求数学的美和模型的严谨，但不去理解背后的金融含义。
Q14：量化需不需要考取一些相关的证书？为什么？
不需要，金融机构招聘主要还是看大学专业。要不就是自学自己交易，用收益曲线说话。
Q15：在实际工作中，量化研究员到底在做什么事情？会用到哪些算法以及策略呢？
对 Q-quant 类型量化研究员来说，日常就是读研报、建模型、做压力测试、评估模型风险等，用的是随机微分过程那套，算法有数值积分、偏微分有限差分和蒙特卡洛方法等。
对 P-quant 类型量化研究员来说，日常就是读研报、建交易策略、评估回测指标等，用的是传统时间序列和机器学习那套，算法有Kalman-Filter、线性回归、随机森林等。
Q16：与传统策略相比，深度学习在量化中的应用有哪些呢？
传统的机器学习模型在传统的结构化数据上表现还可以，但是对于海量的非结构化数据或另类数据 (Alternative Data) ，深度学习模型才是唯一王道。
CV在量化的应用案例（CNN用在图像类数据）
• Advan Research 提供交易个股时用手机记录的地理位置数据 (根据人流量预测零售)
• RS Metrics 提供交易个股时用无人机拍的停车场和仓库图像数据 (根据车位占满率预测员工)
NLP在量化的应用案例（LSTM，attention用在文本类数据）
• iSentium 提供交易股票时用到的Twitter 上的情绪数据指标
• RavenPack 提供交易债券、外汇和股票时用到的新闻情绪数据指标
据我所知，国内的幻方也采用了CNN和LSTM等深度模型做量化交易策略。
来源：Al派 摘选
拓展阅读：