从5000万天价年终奖,到万籁俱寂,量化行业到底怎么了?
Offer帮官网:offerbang.io
如果你是即将毕业的金融人,2022年想在纽约有一份薪酬较高的工作,你会选择入行哪里?
◽ 投行的薪酬是💲17-23W;
◽ 中等规模对冲基金是💲19-32万W;
◽ Facebook、Apple、Amazon、Netflix、Google等互联网科技公司是💲25-30W。
而在顶级对冲基金或自营做量化分析师,则可以获得💲30-40W的总薪金!
顶级对冲基金Citadel认为,在整个薪酬体系中,对冲基金(买方)向量化分析师支付高于投资银行(卖方)的薪酬, 有助于从事买方交易的量化分析师能从其PnL中获得最多50%的提成。
过去两年,有关量化的财富故事分外出圈。比如曾引发哗然的“5000万天价年终奖”事件,曾有一位博主在社交媒体上发帖称:“同事的同班同学做量化,今年奖金超过5000万元……”
量化行业规模越来越大,过去100亿的私募,一年赚4-5个亿,个人轻松发个400-500万,而千亿私募,头部基金经理发到4000-5000万都不算特别稀奇。
01
量化走向万籁俱寂,将会一蹶不振?
随着量化行业规模陡增、交易策略拥挤、监管的影响,行业困境也随之到来。突然而来的好行情,导致很多机构饱和吸收,在规模急速膨胀的同时,收益也迎来前所未有的大回撤。规模的激增也带来策略的失效。一家头部量化机构负责人表示:
“在一个渐趋开放的市场,随着很多策略和数据的迅速被使用,红利期较高的收益会快速下降并回归到正常收益水平”,因此“每当量化管理的资产规模扩大2到3倍的时候,模型、策略、执行都需要升级优化。如果资产管理规模大于公司原有的策略容量,且没有及时更新,策略本身会失效。”
面对整个市场的萧条,很多量化机构都出现明显缩水,特别是濒临千亿规模的头部量化机构,有的甚至缩水了50%。迅速崛起、规模快速放大、又飞快衰落消失,这仿佛是量化行业的死循环,像悬在量化人头上的达摩克利斯之剑。
但正是因为惨烈的竞争,也让量化投资在抢人、硬件方面的军备竞赛蔚为壮观。由于规模上涨迅速,要支撑这么大的规模,必然需要技术、投研的人才,而且薪酬待遇都是对标甚至超越互联网巨头。在国内应届生甚至可以达到100、200万年薪,这还不包括奖金,北上深户口任选。
02
从0到入门,需要学什么?
无论量化行业如何起起伏伏,但高薪依旧是不变的事实。而且入门量化交易,门槛并没有那么高。总的来说,做量化交易需要掌握的知识体系可以分为三大块:统计、编程、面试能力。
统计知识
量化交易需要用数据堆积出来,设计模型一定是需要回测的,想要更科学的处理大量交易数据,就需要掌握统计知识。具体包括:
✔️数据
量化中的数据可以大致分为三种:Time-Series Data,Cross Sectional Data,Panel Data。
◽ Time-Series(时间序列数据),指的是同一对象在不同时间的数据,比如同一只股票过去几年的每日收盘价;
◽ Cross Sectional(横截面数据),指的是不同对象在同一时间的数据,比如上证指数的所有股票在同一天的收盘价;
◽ Panel Data(面板数据),指的是不同对象在不同时间的数据,比如上证指数的所有股票在过去几年的每日收盘价。
对于不同的数据类型,可选择的模型和数据处理的方式均不同。
✔️模型
线性回归模型是量化最常用的模型,OLS模型(又叫最小二乘法模型)的方程表达是多元一次方式,模型拟合的过程是将数据点都画在坐标系中,画一条直线,使得每个点与这条线的距离的平方和最小。这条直线的斜率是Beta,截距是Alpha。它需要满足四个重要的条件:
◽ 解释变量是确定变量,不是随机变量;
◽ 随机误差项具有零均值、同方差何不序列相关性;
◽ 随机误差项与解释变量之间不相关;
◽ 随机误差项服从零均值、同方差、零协方差的正态分布。
将数据代入模型前,应当确保你的数据遵守了以上四个假设,如果偏差较大,那么需要对数据处理或者选择更复杂的模型来解决问题。
✔️数据处理
在量化交易中,常见的数据处理方式有:
◽ Log:适用于正数,如果数据有负数,可以考虑将全部数据加上一个较大的正;
◽ Normalization:(数据-均值)/标准差,可以反复前面的操作直到数据的均值为0,标准差为1;
◽ Winsorization:在Normalization的基础上将1百分位以左和99百分位以右的数值进行缩尾,就是两边的极值等于1百分位或99百分位的数值;
◽ Box-Cox:主要对因变量进行变换,使得因变量接近正态分布。
编程能力
编程可以说是量化交易的工具,它本身不生产策略或者价值,但它可以帮助你快速有效实现策略和价值。因此,编程能力是不可或缺的。
量化交易常见的编程语言有R,Python,Matlab等。大部分的量化交易首选Python,因为它不仅免费,而且界面比R更美观,也能实现更多功能,在数据可视化方面更胜一筹。
Python作为免费的程序语言,学习起来可以找到很多免费的资料,也有专门的网站给用户提供一个自由分享、交流代码的平台,比如Github,可以看别人的策略代码。
面试准备
无论是毕业生还是转行量化的求职者都要面临找工作面试。对于量化金融分析师来讲,在面试的时候应该注意哪些问题?
✔️根据岗位职责展现自己优势
公司招聘肯定是希望能够找到一个能干好活的求职者,所以应该重视招聘内容里面的岗位JD,从中找出公司理想目标的特点。
量化分析师的工作内容由不同性质单位决定,如果是公募、保险、银行机构,这类机构有稳定的业务盈利模式,你就尽可能体现你的Label,名校背景、海龟硕士等等。
✔️从岗位要求里寻找共同点
研究岗位要求,看看有哪些软技能和硬技能,尽量把你相关的履历在简历中体现出来,而且要写具体的项目,越具体越好。不要笼统的概述,因为哪些笼统的概述是很难吸引别人,尽量工作成果细化和量化,通过特别具体的项目经历体现出你很适合这个岗位。
要适当的把面试官带进你“熟悉的世界”,把你“熟悉的世界”好好总结,让面试官更加清晰的感受这个世界。你需要通过刷题来熟悉基础知识,只有基础扎实了,才能更好展现自己的亮点。
《量化Quant刷题冲刺班》
高阶知识技能 + 真题实训 + 面试技巧全覆盖一站搞定
///
九大投行导师、清华奥赛金牌学长带你全面梳理Quant知识点考点,1遍刷完4大经典求职圣经!
关于课程
刷题冲刺班针对量化/交易/资产管理/风险管理/对冲基金等面试,由横扫九大投行、对冲基金的大牛合力研发,结合面试经验和历年高频真题,系统梳理数理、金融、编程Technical知识点,全面覆盖各类考点难点易错点,并配合题库课后练习,帮你理清解题思路,告别死记硬背!
课程收获
✅ 系统梳理量化/交易/资产管理/风险管理/对冲基金面试知识点
✅ 高频真题解析,及变形题答题思路,举一反三,活学活用
✅ 直播课现场答疑,业界考题详解
✅ Offer帮精选题库,让你刷题快人一步
适合人群
正在或准备申请Quant岗位
梳理重点知识点的同学
已经收到Quant岗位面试
想刷题备战的同学
通过Quant面试题
进阶练习的同学
扫码了解课程详情
Dianna
Offer帮课程顾问
名企导师天团
刷题班由教研组结合历年投行、买方面试真题合力研发,全面覆盖考点难点易错点,确保同学们Technical面试不踩坑。
David
Goldman Sachs量化组校招官
Jack
JP Morgan结构化产品
Steven
JP Morgan资产管理
Peter
Morgan Stanley量化组
每周我们都安排了相应的答疑时间,大家可以在答疑课上和老师互动,及时解决问题。如果课前有将问题整理好,也可以发在交流群或发给班主任/助教,我们会整理后反馈给老师课上答疑。
课程大纲
面试考点 + 高阶知识点全面覆盖,助你面试速成,斩获Offer!
第一讲 | 脑筋急转弯面试题解析 |
第二讲 | 概率论面试题解析 |
第三讲 | 脑筋急转弯、概率论面试题答疑 |
第四讲 | 统计学原理面试题解析 |
第五讲 | C++、Python面试题解析 |
第六讲 | 脑筋急转弯、概率论、统计学原理高阶真题解析 |
第七讲 | 脑筋急转弯、概率论高阶题/统计学原理面试题及高阶题答疑 |
第八讲 | 数据结构面试题解析 |
第九讲 | 编程算法面试题解析 |
第十讲 | 数据结构,编程算法面试题答疑 |
第十一讲 | 机器学习面试题解析 |
第十二讲 | 随机过程面试题解析 |
第十三讲 | 金融及衍生品面试题解析 |
第十四讲 | 数据结构、编程算法、机器学习、随机过程、金融及衍生品高阶真题解析 |
第十五讲 | 数据结构、编程算法高阶题/机器学习、随机过程、金融及衍生品面试题及高阶题答疑 |
创新自主学习平台
课程由录播与直播相结合,课程有效期内,Offer帮为你提供免费无限次课程回放,帮助你补课或者反复复习,满足你的时间弹性和多次学习需要。
现在报名还可获得
寒假限时特惠
$100优惠
报名单门课程即可享受
$500优惠
报名2门及以上课程可享受
💎现在报名还有额外惊喜福利
0元领原价$199求职入门课
限时优惠 名额有限
赶快扫描小助手二维码
咨询活动&课程详情吧
Offer帮
近期学员Offer榜
金融、咨询、数据等多个领域的Offer展示
能展示出的Offer只是冰山一角,这一份份实打实、沉甸甸的Offer,让我们团队的每一个人都倍感自豪。在未来的道路上,Offer帮会继续脚踏实地,用专业、诚信、用心的原则,助力所有学员的求职之路!
(点击图片即可查看大图)
微信扫码关注该文公众号作者