做量化，去买方还是去卖方？

Quant的工作就是通过编程设计来实现金融的数学模型，有点类似码农和金融狗的结合体，也被戏称为“矿工”。Quant其实是很多量化（Quantitative）有关的职位的统称，包括数据处理（Data Processing），衍生品定价（Derivative Pricing），风险管理（Risk Management）和投资策略（Investment Strategy）等等。

很多和数据, 建模有关的职位都可以叫自已Quant。不过大家通常所说的Quant，也是这里主要介绍的，是指卖方（Sell Side）投行和买方（Buy Side）资产管理的Quantitative Researcher和Quantitative Developer。

Sell-Side Quant

卖方投行的Quant主要做衍生品定价，风险管理， Beta Strategy等等，大致分为以下几类：

在有的银行也叫Strats或者Desk Strategist。Desk Quant，顾名思义，就是在交易组（Trading Desk），帮助交易员做一些日常常用的工具，包括定价（Pricing），风险对冲（Hedging），Beta Strategy有关的工具/操作界面/电子表格（Tool/Dashboard/Spreadsheet）。Desk Quant对编程能力有一定要求，但是不会特别复杂，有些会涉及到一些前端的语言，比如Javascript。由于Desk上对时效的要求比较高，很多时候都是用Model原型修改一下马上投入使用。

Desk Quant的优势在于直接坐在Trading Desk上，平时和交易员的接触比较多，也会直接接触市场。缺点在于工作时间比较长，且压力大。由于工作是直接辅助交易员，工作内容就由交易员需求决定，如果需要做很多Dashboard，可能就会比较无趣。

值得注意的是，随着现在金融机构自动化程度的提高，一些简单产品的交易已经可以由Quant算法执行，比如简单的Equity或者FX的做市（Market Making），程序和算法已经可以直接取代交易员, 所以这些Quant自己就是前台（Front Desk）了，所以薪酬和对市场的接触会比一般的Desk Quant更好一些。

Research Quant 的工作主要是一些相对长期的项目，一般包括产品定价和风险管理的模型或者长期策略研究等等。比如Desk根据客户的需要，要交易新的产品，那这些复杂的产品如何定价、之后的风险参数如何监控就需要Quant进行研究并指导负责实施的Developer编入系统。

Research Quant的优势是比较有趣(当然是对喜欢这些人来说), 会用到一些比较深度的统计模型（Statistical Modeling）, 机器学习（Machine Learning）的技术方法，可以做一些 “真正” 的研究，并且可以学到很多东西。劣势是有时存在感可能会比较难以证明 （就像科学家一样, 在你一鸣惊人之前，可能没有什么人注意到你） ，而且Trading Desk一般常用的模型短期的偏多，长期的比较少，很多研究成果不一定能产生直接的收益。

相对于Front Office Quant，Mid Office Quant不直接辅助某个特定的Trading Desk，而是服务于其他中台（Middle Office）的部门，比如Market Risk Quant, Chief Investment Office Quant等等。优势是比较稳定，也算是个小金饭碗。工作内容也一般以长期的项目为主，工作时间比较自由，Life Style也会比较好，缺点是和市场的联系相对远一点。

在模型开发出来之后，需要有人进行实际操作（Implementation），建立基础框架（Develop Infrastructure），通俗的说就是把这些模型写到系统里来实现功能，本质还是Developer。优点是靠技术吃饭，收入一般不错而且需求比较稳定；缺点是可能一直在写代码, 或者调试其他人的大型系统。

Buy-Side Quant

买方的Quant和卖方大致相同，也是分为Quant Developer和Quant Researcher。

主要是实际执行策略（Implement Strategy），建立框架（Develop Infrastructure），和卖方比较类似，在此就不赘述了。

由于买方和卖方的功能不同，Quant Researcher在买方主要寻找Alpha (超出市场平均水平的收益)和预测市场变化，通过研究数据寻找一些自动交易策略。具体可以参见Asset Management里面的Quant。

随着聪明的中国人快速包围Quant行业，工作竞争越来越激烈。一个优秀的Quant经常要在高压下独立研究，解决复杂的问题、完成任务，非常具有挑战性，而且可以锻炼独立学习的能力。Quant工作涵盖的范围也会很广，包括研究，数学模型的开发和部署，数据分析，金融知识等等，所以可以学到很多东西。

Desk Quant和Front Office Quant Researcher需要支持Sales & Trading Desk，对培养市场的了解是很有帮助的。另外，在做出研究之后，Quant在很多项目中和Tech，风险管理等部门的接触也非常多，所以作为一个Quant，可以对银行系统有一个全面的认识，对培养自己的Project Management Skills也很有帮助。

Quant 无论是从脑力挑战上还是报酬方面都是非常具有吸引力的。由于Quant工作本身很有挑战性，对各种技能的要求都比较高，Quant的薪酬一般都是很不错的。一般研究生或者PhD毕业之后在银行/投行里可以直接做Associate。第一年的总收入几乎都可以达到六位数以上，这对刚毕业参加工作的同学们来说还是非常有吸引力的。

买方Quant的薪酬往往会更好， Starting Package (基本工资 + 第一年保底年终奖 + 签约奖) 可能高达$200K，甚至更多。

软技能（Soft Skills）的话主要是解决问题和沟通的能力。很多人开玩笑说Quant需要会的语言是Python和中文。没错，我们勤劳勇敢的中国人目前已经占据了Quant界的大半壁江山，但对于沟通和解决问题的能力仍然不可小视。

沟通的话最重要的就是了解一个Project或者Trader的需求，明白要解决的问题。对于一个优秀的Quant，在明确需求之后要有大量的时间独立思考、研究、解决问题，这个过程中就需要对金融、编程、数学统计建模等等，十八般武艺，样样精通。

说到十八般武艺，到底有哪些呢？如果你想做Quant，这也正是你需要准备的Technical，下面如何为入行做准备的小节会为你细细讲来哦！

大多数的Quant一般都是在同一领域内，随着工作经验的增加，一般每过三四年左右的时间可以从Associate升职成VP，ED。还有些卖方Quant在工作几年，对所在行业有了充分了解之后会跳去买方。

如果是经常接触交易的Quant，在工作过程中可以对市场有比较多的了解，如果对交易比较感兴趣的话将来跳去做Sales & Trading也是有机会的。

除此之外，因为Quant对编程的要求很高，有的Quant积攒了几年的经验之后，培养出了出色的编程能力，跳去了Tech行业。

大多数Quant的工作时间都不会特别长，也不会要求周末加班，因此从压力和薪酬综合考量的话Quant的性价比还是很高的。另外，因为Quant需要的硬技能（Hard Skills）很多，相对Sales & Trading等一些起伏比较大的职位， Quant也更稳定一些。

矿工的收入还是很不错的。对于顶级投行（Bulge Bracket Investment Bank）来说，刚入职的起薪一般在$125K到$140K不等，之后逐年递增。年终奖（Bonus）根据公司和工作性质差别还是不小的，偏前台的职位可能会达到30%-50%，偏实际执行类（Implementation）的相对少一点，不同的组根据每年的业绩差别也有很大的区别。有的银行对刚毕业的学生还有$40K-$50K的签约奖（Signing Bonus）。

Quant的工作时间其实还是很不错的。如果是Desk Quant可能工作时间会长一些，需要每天七点半到晚上六七点。如果是不直接接触交易的Quant，每天八点半九点上班，到晚上六点左右下班就可以了。而且周末一般不需要加班。

由于Quant的定义比较广，任何沾上量化和金融的工作理论上都可以称为Quant，所以拥有“矿工”岗位的公司也不在少数。总体来说，Quant会出没于以下几个类别的公司。

总体来说，在商业银行Quant相关的职位都是偏向风险管理的，例如信用风险模型（Credit Modeling），CCAR Compliance等。这类工作的特点是比较稳定，也不需要有极强的Technical Skills，但是相对于买方的Quant来说薪酬没有那么高。这类的公司有CITI Bank，PNC Bank， Capital One等等。

相比于商业银行的Quant职位，投资银行的“矿工们”的工作时间会长一些，相对没有那么稳定，当然薪酬也会有所提升。投行里的Quant职位涉及面很广，有和交易定价相关的，有和建模估值相关的，也有和风险管理相关的。这类公司有JP Morgan, Bank of America, Morgan Stanley等。

身处于金融行业鄙视链最顶端的对冲基金也不乏有Quant的身影，尤其是量化类（Quantitative Funds）的基金里Quant尤其多。在对冲基金工作的“矿工”时间上虽然相对灵活一些，但工作量比较繁重，压力也比较大。如果业绩好的话，收入可以冲破天际，但要是一直亏钱的话，老板随时可能让你卷铺盖走人。这类的公司有D.E. Shaw， Two Sigma，Renaissance Technology等。

在Prop Shops工作的Quant和对冲基金非常的类似，工作累，但是有实力的人有机会赚大钱。而且由于自营交易公司都是用公司自己的资金来进行交易，所以理论上收入的潜力会更大（压力也更大）。这类的公司有Optiver， Hudson River Trading，Akuna Capital等。

Quant申请和其他很多金融方面的职位比较类似。

对于实习生的申请。一般的大行都会对Target School金融/金融工程方面的硕士以及STEM专业的PhD项目有校招的活动。感兴趣的同学可以通过校招申请, 也可以在网上提交你的简历。有一份Draft简历之后，一定要记得去找一些有经验的人来帮你修改（例如学校的Career Center，同学或者目标公司的员工；Offer帮的简历完善计划也会有专业的招聘官来帮你逐行逐句修改简历）。

简历通过筛选之后一般会有一轮在线的编程测试。接下来就是一轮电话面试，如果表现出色的话会被邀请到公司来进行Superday。这时候一般会有两三个组的七八个面试官对你进行全方位的考察，每轮面试一般在30-45分钟，这个过程会持续一天时间。Superday也是一个双方相互考察的过程，如果有好几个组的面试官对你感兴趣，你可以在这几个组里面选一个来进行实习。

Fulltime的申请就没有这么程序化了，一般是通过网申或者猎头来推荐，也可以通过自己Networking。差不多按下图所示：

由于Quant是门技术活，因此Technical是重中之重，具体包括下面几部分：

可以说，对于Quant/矿工而言，如何强调编程能力都不过分，尤其是在买方，当然卖方对编程要求也不低。Quant使用的主要编程语言包括Python, C++, Matlab, C#, R, Java以及 Scala。

近年有许多码农都走上了Quant这条路。尽管对码农而言在Tech公司工作可能有更好的基本收入，但是除非码农有很吸引人的Package，否则优秀矿工的收入常常有更高的潜力。当然，这完全取决于你的能力。

统计和传统的时间序列分析，虽然已经不是很多量化对冲基金或投行最看重的技能了，但对于资管公司和还是相当重要。很多团队都要从事一些数据清洗和建立交易的Infrastructure的工作。时间序列分析和计量经济学在这里可以派上用场。当时间尺度放大的时候，这些技术仍然十分有效。

尽管现在Quant越来越看重编程和机器学习相关的技能，但金融工程/随机分析对于很多岗位仍是必备技能。现在在金融工程（MFE）项目求学的人越来越多，所以竞争十分激烈，并且和你比拼的都是我们聪明能干的中国小伙伴。所以并不是说有了MFE的文凭就能找到Quant Trader的工作，想要脱颖而出，一定要有自己的特点或者绝招。

Risk Quant和Model Validation Quant的工作机会有很多。而这一类工作对随机分析和衍生品模型仍然有着较高的要求。如果你想做Quant，也可以关注Model Validation或者风控/风险管理方面工作的准备，而不要仅仅专注于Quant Trader。

并不是所有的Quant都要处理复杂的模型，以及用C++写程序。现在有些入门级Quant职位要求员工会做数据清理。一些量不大，对速度要求不高的工作，如单个衍生品的定价，用Excel就可以完成。熟练掌握Excel和VBA技能会大大提高工作效率，所以也因此被雇主所看重。数据库技能则是另一个加分项，一般的要求是SQL，如果你会使用Pandas的话，也会非常加分。

机器学习无疑是现在最火热的话题之一，在金融数据分析中，机器学习有重要的应用。对矿工的雇主而言，机器学习可以说是最有吸引力的技能之一。除了传统的机器学习之外，深度学习的重要性因其预测的有效性越来越得到认可。

量化对冲基金对机器学习和深度学习的研究和应用早已开始。例如Kernel模型，树模型和回归等机器学习方法已经得到了广泛应用。由于近几年机器学习的飞速发展，各大金融公司也纷纷加大了对机器学习和数据科学（Data Science）方向的投入，想要用机器学习模型取代传统的金融模型。因此，如果你有相关的知识，能够对一些常用的工具有基本的了解，对面试以及之后的实际工作都是很有帮助的。

综上所述，相信大家从Quant需要的技能可以看出，Quant比较适合对建模和编程比较感兴趣的同学。Quant每天至少有50%-60%的时间都花在编程和建模上，如果对编程完全没有兴趣，Quant可能并不是一个很合适的选择。

Quant的面试准备主要是以Technical为主。当然Behavioral也不能忽视, 很多时候面试都是以“Tell Me about Yourself”这类问题开始的，最起码要做到语言通顺流畅，给面试官留下一个良好的第一印象。

1. 基本的算法和数据结构

了解一些基本的算法和数据结构，比如:

· Sorting/Order Statistics

· Greedy

· Dynamical Programming

· Stack/Queue/Priority Queue

· Binary Tree

· Hash Table/Set and Map in C++

· Graphs (Usually Not Necessary)

可以通过LeetCode和TopCoder进行准备。下面是比较推荐看的一本书：

2. Programming

有一门熟练掌握的语言即可。推荐 Python，部分对运行速度要求高的工作（以前台为主）会对C++有要求。

面试题可以刷Leetcode Interview Questions。数学题可以参考Project Euler 。此外TopCoder上有Coding Competition，可以用来估计自己的水平。

3. 概率统计

熟悉基本的概率分布和他们的性质，了解Goodness of Fit， Confidence Interval, Central Limit Theorem, Linear Regression, 等等。以下两本书推荐大家看一下：

4. Machine Learning

推荐下面两本书：

· The Elements of Statistical Learning or An Introduction to Statistical Learning: with Applications in R

· Coursera Deeplearning.AI with Andrew Ng and Machine Learning Course @ Stanford

5. 金融和交易

了解什么是Trading and Exchanges Book自己开户，试着做实际交易。

在线算法交易平台有：

· Quantopian in Python

· Quantconnect in C# （也有Python）

6. Brain Teaser

刷一下面试书和Brain Teaser也是必不可少的，推荐以下三本书：

想做Quant工作，需要系统梳理数理、金融、编程Technical知识点，科学刷题，了解各类考点难点易错点，理清解题思路。即使在面试高压环境下，也要学会自如应对。祝大家早日拿到心仪Offer！