2023-05-190次浏览来源：网络
看到网上说做量化最好是CS博士或者统计学博士，那金融学博士是否可以做量化策略呢？ 基本没看到。除非编程和统计很牛 只要你有知识储备，有一颗热爱的心，有什么不可以的？ 你的研究方向是什么？ 很多时候博士的专业只是头衔，如果你研究相关方向做quant没问题，毕竟博士的研究concentration是可以自己选择的。 另外，事实上计算机与数学专业的毕业生在quant领域内所取得的阿尔法并没有在统计上显著高于传统投资形式。 最后，金融学博士的商业直觉一般而言是高于传统理工科的，因此在建模上可能有自己现实的考量。 总之，限制金融学博士quant的，一般是编程而不是统计，毕竟现代金融学研究已经离不开统计学了，核心期刊上随处可见各种金融量化建模。 要问能不能做，我们首先得看量化是一件什么事，这里引用另一个问题下的回答高频交易与量化交易到底有什么区别？我觉得已经对量化交易做了非常完善的定义，如果用我粗浅的理解来描述，就是量化交易可以借助计算机的运算能力来挖掘普通人难以识别的交易信号，用程序化的交易把情绪的影响降到最低。 如此看来，我设计一个策略“遍历所有昨天涨停的股票，今天开盘买入，明天卖出（我胡扯的策略）”就是在做量化，“计算股票池中任意两只的相关性，挑选出趋势高度一致的股票对，当价格出现偏离的时候，买入价低者卖出价高者（PairsTrading）”这也算是量化，“利用超高速计算机系统直连交易所数据通道下单”也叫量化交易…… 所以和计算机领域一样，量化交易也是分层次的，并不是一个把菜鸡拒之门外的行业，就像我稍微懂一点HTML和JS做前端和熟练运用汇编语言做操作系统级的开发，都可以说从事IT行业，但难度不一样嘛。 所以我们都能做呀，那我们再来看怎么做—— 最开始的时候我觉得量化交易是个很高端的玩意儿，需要对于金融市场有很深入的理解，还需要了解建模和算法。于是我从Wind接口爬A股数据，从NASDAQ爬美股数据，然后学pandasnumpy各种库，照着python的ReferenceManual复现论文里描述的策略，然后自己写回测系统，在这个阶段，我以为最难的就是写代码…… 后来，当我看到了joinquant、ricequant这些平台，才发现我做的这些工作早有人替我完成了，还比我做得更好。在这样的平台上，数据是清洗好的，API文档很详细，我们只需要照着文档把模型翻译成代码，自动回测，这就不难了吧，甚至像worldquant这样的公司还公布了他们使用的（部分……人家毕竟靠这个赚钱，决不会把值钱的因子拿出来呀……）因子，而在国内市场上，国泰君安也公布了他们发现的191个短周期因子，在A股市场上的表现比worldquant的更好，毕竟是本土化了。然后我就开始愉快地试验各种策略，然而回测总是低于benchmark，就很发愁，我也不知道各种因素会怎么影响股票价格，以及影响到什么程度。这个时候，我发现最难的是思想…… 后面怎么做，我就不知道了，希望高人指点…… ############################################### 所以我们可以看到，quant这玩意儿任何人都可以尝试，但要盈利就很难了，当你都觉得没有门槛的时候，其实门槛已经提高了。我认为在这个过程中，金融学的东西比计算机更重要，因为我身边学金融的同学大都会一点编程（毕竟据说我校法学院都要学python……），就这么一点python或者R已经足够他们实现策略了，而如果仅仅是码代码，那也算不上CS。进一步要是再用一些现成的平台，那就连编程的工作都可以大大简化了，最后的核心还是金融学的模型。 当然了，搞CS的人们总觉得哪里都可以插一脚，似乎任何行业用了我们的技术都可以脱胎换骨，既然搞金融的人觉得写代码也没什么难度，那我们就用机器学习搞量化吧，或者，我们可以研究一下高频交易，具体怎么样，我看看再跟您说~~ ############################################### 金融的学长前段时间在某个公司的量化比赛上拿了个奖，我凑上去聊了两句—— “学长你们的策略大概是什么样的呀？” “当前价格比前一分钟高，我们就买入……（后面记不清了）” “那你们用的什么平台呀？” “公司自己的回测系统，有API，换个函数就行。” PQuant这行本身博士不太多，见过几个大佬是海龟博士，绝大多数是硕士。专业以工科，运筹，统计居多~ QQuant见过很多博士，期权对随机数学要求比较高~ 如果做主流的多因子，CTA乃至高频，个人认为金融学博士没有丝毫优势
扫一扫，关注我们
沪公网安备 31010402005810号
