https://www.1point3acres.com/bbs/thread ... 5-1-1.html
聊一聊量化岗位求职和分类
花街躺学家01
===========
在地里潜水很久了，虽然地里大部分网友正在或者打算做SDE相关工作，但其实量化领域也很适合计算机基础和数理基础好的小朋友们。现在国际生就业越来越难了，这篇文章也给大家提供一些新思路。因为我本人兼职在做MFE的申请，所以对MFE不同学校的出路和需要的技能非常清楚，以下是我在行业上的一些观点。
①Quant的定义，如何理解量化分析这一工作 ..
首先，我们明确一点：Quant是一个形容词，指的是工作的属性是“量化”的。通常我们认为这样的工作需要大量的数理，统计，计算机的知识才可以胜任。
作为一个职业，Quant并不是一个名次（有别于律师、老师等）。故而，quant在不同的语境下可以代指不同的职位，所需要的能力也是非常不一的。
在下文的介绍中，我们把量化（作为一个形容词）分为两大块：①传统意义上的量化分析类职位；②广泛应用量化能力的非量化岗。我们把金融行业（传统投行和投资类业务，即institutional clients and those who serve them）从两个维度进行区分：买方vs卖方，一级vs二级。
②量化分析职位细分.
一级卖方：
Investment Banking Strat （GS特供）
Strat的主要工作内容是为investment banker 写接口，通常使用C++ & java + Excel 为工作的主体，常见的职责包括：如何把公司的财报信息写到自己的C++ library方便banker拉数据。
一级买方：无
二级卖方：
Desk Quant (Derivatives, Equity/Credit/Commodity/FX/Rates)
Desk quant 负责对衍生品进行定价，需要很强的数学功底(ODE, PDE, SDE, Black Scholes, Stochastic Calculus等) 。Desk quant 工作语言多为C++，是最传统的Quant类型，由于sit on the (trading) desk, work extensively with traders on pricing derivatives而得名desk quant。 街上的desk quant 多为来自俄中法印。2008金融危机后由于衍生品行业停止发展而就业需求变窄很多，已经不是金融工程学生的主要出路了。也正是因此，躺哥坚持这些课程重要性逐年下降。
Algo Trading (Usually cash equity)
由于cash equity报价机制非常简单，信息透明，所以cash equity trading 基本可以做到高度自动化了，（客户发送交易单问价，投行系统自动回复）所以在交易自动化就可以做到了，这个工作需要的是代码能力。需要注意的是，由于sell side trader还要 manage market impact,所以也会牵涉一些简单的统计模型。这个工作不牵涉随机积分和随机过程。
Quant Strategist (Non-equity research)
Equity research 更需要的是基本面分析，但是投行的sales & trading组也会招募一些desk strategist (也是提供市场观点，但是是算在trading 下的一部分，通常是研究FX，rates等。这样的position如果牵涉大量的数理建模则会称为quant strategist 。这里的quant 主要指的是统计学知识，即p-quant非q-quant。
Quant Developer / modeler(偏中后台)
这一类quant通常负责开发计算机程序，其开发的程序不一定直接参与交易流程，也有可能是风控，合规，法务，运营等需要的模型。其中风控类的巨多，这一类中后台的quant modeler, quant developers 才是 MFE 就业大规模出路所在。
二级买方：
Quant Researcher. From 1point 3acres bbs
这一类通常是sell side quant strategist出身的，负责对投资策略进行建模，同样的，需要很强的统计学基础，更重要的是对金融行业的理解！ 他们中很多会promote成为 quant Portfolio Manager。
Quant Portfolio Manager
其实就是基金经理，只是他们使用的投资策略是量化策略。. 1point3acres
Quant Developer
多数是投行desk quant, quant modeler转过来的，负责买方的程序开发。躺哥读金工之前就是干这个的。也是地里CS major的本科硕士小朋友们去买方公司最常做的。.--
Quant Trading
也有些是卖方quant trader转过来的，也有卖方desk quant转过来的例子,从事的还是交易，只是从market making 变成了 risk management.工作本质差距不大。
③广泛使用量化分析的非量化职位介绍
Exotic derivative trader (Equity, FX, Rates, Commodity, Credit 均有)
因为衍生品交易员需要非常清晰的了解衍生品的价格和隐含的风险，而desk quant正好是这方面的专家，所以作为衍生品交易员，quant能力是非常重要的，躺哥认识的大部分亚男交易员都是干这个的。
Derivative Structurer
理论上structurer算一个technical sales。通过设计不同的衍生品，并进行定价以帮助获客。Structuring和trading最大的区分在于前者只负责产品的设计和定价，后者会管一个trading book。换言之，trader是有PnL风险的，structurer没有这个风险。需要很强的沟通技能和较强的quant技能。
Macro/FICC Researcher
因为宏观研究需要大量的数据整合，所以这个岗位也需要一定的数理技能，但是更重要的是写作技能和客户管理技能。相对来说，MFE毕业干这个是最少的。如果写作不能做到near-native是干不了这个的。 需要很强的写作技能，较强的沟通技能，和基础的代码数理能力。.google и
Risk management
具体不表了，我觉得“算得清楚数字“也是有量化能力的一种体现，很多人脑子不行，根本算不清楚，做风控真的是灾难。需要比较细心且愿意进行重复工作的人，有一定的数理sense
聊一聊量化岗位求职和分类
版主： SOD
Re: 聊一聊量化岗位求职和分类
从数理博士入行量化：舍本逐末的一条路 |只看干货
花街躺哥
===============
上个帖子收到了很多好评，所以继续来更新了（写上个帖子的号是用朋友的邮箱注册的，现在换了一个邮箱，以后会在这个号上更新。。。）
原贴指路：https://www.1point3acres.com/bbs/thread ... 5-1-1.html（聊一聊量化岗位求职和分类）
正文开始.
众所周知，量化入门难度很高，尤其是顶尖的quant fund，近年招master越来越少，那么目标top quant的学生，有没有必要先拿下一个Ph.D.学位增加竞争力？
做quant读Ph.D.属于本末倒置。
理工科博士和Top Quant之间存在statistical correlation但不存在causation
在本文框架下，我们的Quant只包括Quant Research,并且只包含buy-side的量化研究岗，这么定义是因为别的quant position：诸如 risk quant / quant developer 对Ph.D.的重视程度更低，买方量化研究通常是量化类工作中对“独立研究”能力要求最高的，而这样的能力正是Ph.D.教育所培养的。躺哥认为对于别的quant来说，Ph.D.的意义更小，故而本文只讨论buy-side quant research对MFE / Ph.D.的偏好程度。
1. Quant需要什么样的人？什么特质对于Quant类工作有价值？
买方量化研究通常需要工作者对一个问题进行反复和深入的探讨，以找到一个简单 (human-comprehensible)，符合逻辑(make economic sense)，能解释通（self-explanatory），的数学模型去解释波动。这本身就是自相矛盾的：简单的模型一般因为因子太少而不能有explanatory power。而且简单地模型通常也已经被挖光价值（你能想到的别人也想到了），所以需要反复来回的思索，需要耐住寂寞。
研究者对数据进行深入，详尽的了解，对不同的变量和可能的组合进行穷举（或者是由一个天才的想法引申而出的idea亦可）。当你面对失败时，要可以做到锲而不舍，在结果成形前看不到意义， 这样的研究和博士学习性质上接近。这是top quant shops会愿意招Ph.D.的原因。另一方面是，Ph.D.候选人在几年的博士生涯中锻炼了非常扎实的数理基本功，这对于quant research类工作也是加分的。
总结：quant需要以下特质：
a)聪明，对数学有高的悟性
b) 耐得住寂寞
c)擅长独自进行深入研究
d)强数理基本功.
2. 为什么Ph.D. 和Top MFE 毕业生都可以从事量化类工作.
聪明：也许顶尖学校的Ph.D.学生对数学的悟性会更高，但
是躺哥倾向于认为 top tier MFE的学生的“聪明“程度不会次于排名50左右学校的博士生。
耐得住寂寞：能从数理Ph.D.项目毕业的学生一定是耐住了几年的寂寞，退一步说，如果这些人功利些，他们也完全可以进FAANG然后提早几年在美国获得更好的生活质量。从这个角度来看，以耐得住寂寞作为要求来评断，Ph.D.学生优于MFE毕业生。
擅长独自进行深入研究：Ph.D.明显优于MFE。现在MFE很多小组作业，还要花费大量时间求职。MFE并没有着重培养“独立研究”
很强的数理基本功：Ph.D.优于MFE。Ph.D.候选人的数理基础经过至少4-5年的磨练，而MFE只有1-2年的时间，时间差直接导致的基本功的高低区分。
结论：如果仅以eligibility来论，数理Ph.D.和top MFE都可以从事quant类工作，在校招阶段，前者更能会略占优势。
3. 以量化为求职目标，躺哥为什么不推荐Ph.D.
我们的计算中漏了非常重要的一个变量：时间。 MFE毕业生比Ph.D.毕业生至少小3-4岁。
其实，更公平的对比是：有3年买方量化研究工作经验的MFE毕业生 对比 没工作经验的Ph.D.毕业生，谁的竞争力更强？
我认为前者更有优势，毕竟，前者是3-4年的直接“Fin数据”研究经验，而后者只是“3-4年”的无关研究经验（只是这些经验间接证明了“合适quant”）。这么对比，高下立判。
另一个非常重要的思考是：Ph.D.学生确实更适合量化。但是这些人是“本质上、性格上、天资上“更适合Quant，而不是博士教育把他们变成了适合quant的人。换句话说，正是因为他们耐得住寂寞，擅长独立研究，对数学有天赋，他们才可以获得博士学位。这样的人即便是读了MFE，也可以轻松入行。
Ph.D.和量化没有因果关系，只有统计学相关性
总结一下：1. 适合quant的人不需要用Ph.D.去锻炼自己的匹配性 2. 3年工作经验比数学博士教育价值更高。故而，MFE是一条更高效率的出路
4. 进不了Top MFE, 是否应该退而求其次，以时间换空间，用Ph.D.作为入行利器？
. Waral dи,
还是时间！时间是最重要的变量。一方面，MFE毕业生年轻三岁，三年的经验足以让他们超过 fresh grad Ph.D.
更重要的是另一个角度：当你MFE毕业工作2年发现自己志向不在量化，你还有机会在金融行业内转行 （届时，你应该是27岁）。而Ph.D.毕业2年发现自己不适合量化，转行的机会成本会非常高昂，（已经31岁了）
与此同时，如果你进不了Top MFE,我合理怀疑 一个decent的Ph.D. program会录取你，如果去的是排名很低的学校读博士， top fund 也不会要你的，最多是去到一些fidelity, BlackRock这样的大AM（而非quant fund）。这样的公司pay并没有非常高，鉴于时间成本和你的天资局限性，躺哥建议这样的候选人不适合走quant的道路，也许做点别的可以发展的更好（譬如，留学中介？）
Key Takeaway:
数理博士背书了你和quant的适配性，但是这个背书时间成本非常高。另一方面，真正适合的人也并不需要这样的背书，完全可以通过top MFE 入行。而申请不到top MFE的学生，躺哥坦率的说，你也不需要考虑top fund buy-side quant了，踏踏实实在投行找个中前台量化类工作我觉得才是头等大事。
与此同时，如果你已经入学了博士项目，突然发现自己对quant很有兴趣也非常擅长，则完全可以考虑半路出家，也会非常成功的。
. Waral dи,
其实，是否适合quant的几个核心characteristics都和博士或MFE无关，你是一个怎么样的人决定了你能做什么工作，很多天性、性格的东西本就不易培养。何况工作那么多，完全没必要改变自己的性格逼迫自己从事一个不适合的工作。
花街躺哥
===============
上个帖子收到了很多好评，所以继续来更新了（写上个帖子的号是用朋友的邮箱注册的，现在换了一个邮箱，以后会在这个号上更新。。。）
原贴指路：https://www.1point3acres.com/bbs/thread ... 5-1-1.html（聊一聊量化岗位求职和分类）
正文开始.
众所周知，量化入门难度很高，尤其是顶尖的quant fund，近年招master越来越少，那么目标top quant的学生，有没有必要先拿下一个Ph.D.学位增加竞争力？
做quant读Ph.D.属于本末倒置。
理工科博士和Top Quant之间存在statistical correlation但不存在causation
在本文框架下，我们的Quant只包括Quant Research,并且只包含buy-side的量化研究岗，这么定义是因为别的quant position：诸如 risk quant / quant developer 对Ph.D.的重视程度更低，买方量化研究通常是量化类工作中对“独立研究”能力要求最高的，而这样的能力正是Ph.D.教育所培养的。躺哥认为对于别的quant来说，Ph.D.的意义更小，故而本文只讨论buy-side quant research对MFE / Ph.D.的偏好程度。
1. Quant需要什么样的人？什么特质对于Quant类工作有价值？
买方量化研究通常需要工作者对一个问题进行反复和深入的探讨，以找到一个简单 (human-comprehensible)，符合逻辑(make economic sense)，能解释通（self-explanatory），的数学模型去解释波动。这本身就是自相矛盾的：简单的模型一般因为因子太少而不能有explanatory power。而且简单地模型通常也已经被挖光价值（你能想到的别人也想到了），所以需要反复来回的思索，需要耐住寂寞。
研究者对数据进行深入，详尽的了解，对不同的变量和可能的组合进行穷举（或者是由一个天才的想法引申而出的idea亦可）。当你面对失败时，要可以做到锲而不舍，在结果成形前看不到意义， 这样的研究和博士学习性质上接近。这是top quant shops会愿意招Ph.D.的原因。另一方面是，Ph.D.候选人在几年的博士生涯中锻炼了非常扎实的数理基本功，这对于quant research类工作也是加分的。
总结：quant需要以下特质：
a)聪明，对数学有高的悟性
b) 耐得住寂寞
c)擅长独自进行深入研究
d)强数理基本功.
2. 为什么Ph.D. 和Top MFE 毕业生都可以从事量化类工作.
聪明：也许顶尖学校的Ph.D.学生对数学的悟性会更高，但
是躺哥倾向于认为 top tier MFE的学生的“聪明“程度不会次于排名50左右学校的博士生。
耐得住寂寞：能从数理Ph.D.项目毕业的学生一定是耐住了几年的寂寞，退一步说，如果这些人功利些，他们也完全可以进FAANG然后提早几年在美国获得更好的生活质量。从这个角度来看，以耐得住寂寞作为要求来评断，Ph.D.学生优于MFE毕业生。
擅长独自进行深入研究：Ph.D.明显优于MFE。现在MFE很多小组作业，还要花费大量时间求职。MFE并没有着重培养“独立研究”
很强的数理基本功：Ph.D.优于MFE。Ph.D.候选人的数理基础经过至少4-5年的磨练，而MFE只有1-2年的时间，时间差直接导致的基本功的高低区分。
结论：如果仅以eligibility来论，数理Ph.D.和top MFE都可以从事quant类工作，在校招阶段，前者更能会略占优势。
3. 以量化为求职目标，躺哥为什么不推荐Ph.D.
我们的计算中漏了非常重要的一个变量：时间。 MFE毕业生比Ph.D.毕业生至少小3-4岁。
其实，更公平的对比是：有3年买方量化研究工作经验的MFE毕业生 对比 没工作经验的Ph.D.毕业生，谁的竞争力更强？
我认为前者更有优势，毕竟，前者是3-4年的直接“Fin数据”研究经验，而后者只是“3-4年”的无关研究经验（只是这些经验间接证明了“合适quant”）。这么对比，高下立判。
另一个非常重要的思考是：Ph.D.学生确实更适合量化。但是这些人是“本质上、性格上、天资上“更适合Quant，而不是博士教育把他们变成了适合quant的人。换句话说，正是因为他们耐得住寂寞，擅长独立研究，对数学有天赋，他们才可以获得博士学位。这样的人即便是读了MFE，也可以轻松入行。
Ph.D.和量化没有因果关系，只有统计学相关性
总结一下：1. 适合quant的人不需要用Ph.D.去锻炼自己的匹配性 2. 3年工作经验比数学博士教育价值更高。故而，MFE是一条更高效率的出路
4. 进不了Top MFE, 是否应该退而求其次，以时间换空间，用Ph.D.作为入行利器？
. Waral dи,
还是时间！时间是最重要的变量。一方面，MFE毕业生年轻三岁，三年的经验足以让他们超过 fresh grad Ph.D.
更重要的是另一个角度：当你MFE毕业工作2年发现自己志向不在量化，你还有机会在金融行业内转行 （届时，你应该是27岁）。而Ph.D.毕业2年发现自己不适合量化，转行的机会成本会非常高昂，（已经31岁了）
与此同时，如果你进不了Top MFE,我合理怀疑 一个decent的Ph.D. program会录取你，如果去的是排名很低的学校读博士， top fund 也不会要你的，最多是去到一些fidelity, BlackRock这样的大AM（而非quant fund）。这样的公司pay并没有非常高，鉴于时间成本和你的天资局限性，躺哥建议这样的候选人不适合走quant的道路，也许做点别的可以发展的更好（譬如，留学中介？）
Key Takeaway:
数理博士背书了你和quant的适配性，但是这个背书时间成本非常高。另一方面，真正适合的人也并不需要这样的背书，完全可以通过top MFE 入行。而申请不到top MFE的学生，躺哥坦率的说，你也不需要考虑top fund buy-side quant了，踏踏实实在投行找个中前台量化类工作我觉得才是头等大事。
与此同时，如果你已经入学了博士项目，突然发现自己对quant很有兴趣也非常擅长，则完全可以考虑半路出家，也会非常成功的。
. Waral dи,
其实，是否适合quant的几个核心characteristics都和博士或MFE无关，你是一个怎么样的人决定了你能做什么工作，很多天性、性格的东西本就不易培养。何况工作那么多，完全没必要改变自己的性格逼迫自己从事一个不适合的工作。
+20.00 积分 [版主 StillWandering 发放的奖励]
此生无悔入华夏，家住加利福利亚
Re: 聊一聊量化岗位求职和分类
本帖最后由 3939199 于 2023-8-3 17:17 编辑
即使是数理phd找quant也是要准备很多东西的，买方quant 我就没见过我任何一个同学直接进，有人先去jpm干了两年再去的。唯二两个直接进买方quant的，一个ucb cs jordan的学生，一个普林orfe的phd。真找这个起码提前一年就得脱产准备，还得是对口方向，做运筹概率的，如果是几何拓扑这种那就。。。
现在早就不是10几年前“数理的做quant如猛虎下山，overkill”， 现在是被overkill还差不多。
前面的总是说对本质的理解，建模什么的，这完全就是对工具的熟练度而已（理论，软件）。稍微做过科研的就知道，科学只是描述现象 不解释本质 就像人对光的理解 贯穿人类科学史 每隔100年就会有颠覆。.
You dont understand math, you just get used to them ---John von Neumann
即使是数理phd找quant也是要准备很多东西的，买方quant 我就没见过我任何一个同学直接进，有人先去jpm干了两年再去的。唯二两个直接进买方quant的，一个ucb cs jordan的学生，一个普林orfe的phd。真找这个起码提前一年就得脱产准备，还得是对口方向，做运筹概率的，如果是几何拓扑这种那就。。。
现在早就不是10几年前“数理的做quant如猛虎下山，overkill”， 现在是被overkill还差不多。
前面的总是说对本质的理解，建模什么的，这完全就是对工具的熟练度而已（理论，软件）。稍微做过科研的就知道，科学只是描述现象 不解释本质 就像人对光的理解 贯穿人类科学史 每隔100年就会有颠覆。.
You dont understand math, you just get used to them ---John von Neumann
此生无悔入华夏，家住加利福利亚
Re: 聊一聊量化岗位求职和分类
https://www.1point3acres.com/bbs/thread ... 4-3-1.html
这个行业是有圈子的，亲身经验就是学校去Quant的人集中在几家公司，这些公司会在学校开event介绍工作内容，并且搞brain teasers一类的小比赛。校友类似背景的人简历容易过，进来面试松一点也是完全有可能的。
这个行业是有圈子的，亲身经验就是学校去Quant的人集中在几家公司，这些公司会在学校开event介绍工作内容，并且搞brain teasers一类的小比赛。校友类似背景的人简历容易过，进来面试松一点也是完全有可能的。
此生无悔入华夏，家住加利福利亚
