量化金融分析師(AQF)|原來成為一名金融礦工(Quant)，也沒有那么難嘛!
就業(yè)形勢大好的Quant領(lǐng)域，也吸引了大批金融學(xué)和非金融學(xué)生想要分一杯羹，但是能做Quant的專業(yè)學(xué)生數(shù)量眾多，到底什么學(xué)歷背景才能脫穎而出?
曾經(jīng)刷遍朋友圈的Quant面試噩夢，聽起來似乎讓人望而卻步，但其實作為投行“專為”中國留學(xué)生打造的職位卻是給中國學(xué)生Sponsor最多的崗位之一。
在了解Quant需要哪些能力之前，你更應(yīng)該知道Quant是什么?
第一則Quant是做什么的?
Quant分析師設(shè)計和實施復(fù)雜的模型
，允許金融公司定價和交易證券。他們主要受投資銀行和對沖基金的雇用，但有時候還有商業(yè)銀行，保險公司和管理咨詢公司，除了財務(wù)軟件和信息提供商之外。
對于銀行和保險公司而言，工作重點更多的是風(fēng)險管理而非交易策略。前臺職位通常更加緊張和要求更高，但薪酬更好。
對Quant的需求很高，并受多種趨勢的驅(qū)動：
對沖基金和自動交易系統(tǒng)快速增長
同時增加的復(fù)雜性液體和非流動性證券
需要交易員，會計師和銷售代表訪問定價和風(fēng)險模型
持續(xù)尋求市場中立的投資策略
第二則Quant工作的領(lǐng)域
1)FX
FX就是外匯交易的簡寫.合同趨向于短期,大量的金額和簡單的規(guī)定.所以重點在于很快速度的建立模型.
2)Equities
Equities的意思是股票和指數(shù)的期權(quán).技術(shù)偏向于偏微分方程(PDE).它并不是一個特別大的市場.
3)FixedIncome
FixedIncome的意思是基于利息的衍生物.這從市值上來說可能是最大的市場.他用到的數(shù)學(xué)會更加復(fù)雜因為從根本上來說他是多維的.技術(shù)上的技巧會用的很多.他的收入比較高.
4)CreditDerivatives
CreditDerivatives是建立在那些公司債務(wù)還清上的衍生產(chǎn)品.他發(fā)展的非?？觳⒂写罅啃枨?所以也有很高的收入.盡管如此,他表明了一些當(dāng)前經(jīng)濟(jì)的泡沫因素.
5)Commodities
Commodities因為最近幾年生活用品價格的普遍漲價,也成為一個發(fā)展迅速的領(lǐng)域.
6)Hybrids
Hybrids是多于一個市場的衍生物市場,典型情況是利息率加上一些其它東西.它主要的優(yōu)勢在于可以學(xué)到多種領(lǐng)域的知識.這也是當(dāng)前非常流行的領(lǐng)域.
(點擊上圖了解課程詳情)
第三則Quant一般在哪些公司工作?
1)商業(yè)銀行(HSBC,RBC)
商業(yè)銀行對你要求少,也給的少.工作會比較穩(wěn)定.
2)投行(高盛,LehmanBrothers)
投行需要大量的工作時間但工資很高.不是很穩(wěn)定的工作.總的來說,美國的銀行收入比歐洲銀行高,但工作時間更長
3)對沖基金(CitadelGroup)
對沖基金需要大量的工作時間和內(nèi)容,他們也處在高速發(fā)展同時不穩(wěn)定的情況中.你可能會得到大量的回報,也可能幾個月后就被開除.
4)會計公司
大型會計公司會有自己的顧問quant團(tuán)隊.主要的劣勢在于你遠(yuǎn)離具體的行為和決策,而且厲害的人更愿意去銀行,所以你比較難找到人請教.
5)軟件公司
外包quant模型變得越來越流行.所以你去軟件公司也是一個選擇.劣勢和會計公司比較類似.
第四則Quant崗位需要知道?
許多金融證券，如期權(quán)和敞篷證券，在概念上都很容易理解，但很難精確建模。由于這種隱藏的復(fù)雜性，定量中最有價值的技能是與數(shù)學(xué)和計算相關(guān)的技能，而不是金融。
這是一種定量構(gòu)建復(fù)雜問題的能力，使他們具有價值，而不是他們對公司或市場的具體了解。Quant應(yīng)該理解的包含以下。
1)數(shù)學(xué)概念
微積分(包括微分，積分和隨機(jī))
線性代數(shù)和微分方程
概率和統(tǒng)計
2)主要財務(wù)主題
投資理論
股票和利率衍生工具，包括外匯
信用風(fēng)險產(chǎn)品
一些數(shù)量將專門針對特定產(chǎn)品，如商品，外匯或資產(chǎn)支持證券。
3)計算機(jī)能力
軟件技能對工作績效也很重要。C 通常用于高頻交易應(yīng)用，離線統(tǒng)計分析將在Matlab，SAS，S-PLUS/R或類似軟件包中執(zhí)行。定價知識也可能嵌入在使用Java，NET或VBA創(chuàng)建的交易工具中，并經(jīng)常與Excel集成。蒙特卡洛技術(shù)是必不可少的。
4)教育和認(rèn)證
大多數(shù)公司至少在數(shù)學(xué)，經(jīng)濟(jì)學(xué)，金融或統(tǒng)計學(xué)等“定量”學(xué)科中尋找碩士學(xué)位或者較好是博士學(xué)位。在碩士學(xué)位金融工程或計算金融也是有效的切入點進(jìn)行定量的職業(yè)生涯。一般來說，MBA自身不足以獲得量化位置，除非申請人除了在現(xiàn)實世界中具有一定的實踐經(jīng)驗外，還具有非常強(qiáng)的數(shù)學(xué)或計算技能。
第五則Quant是職位都有哪些?
在Finance行業(yè)里，越靠近產(chǎn)生P&L的人賺的錢和權(quán)利越多(相對壓力和風(fēng)險也越大)，所以純粹按本職業(yè)發(fā)展前景(whatuwouldmakeinmid30s)來看，排名是：
buysidequantpm/strategist
sellsidequant/algotrader,sellsidestructurer
sellsidedeskquant,buysiderisk
sellsiderisk,sellsidemodelvalidation
AQF：量化金融分析師(簡稱AQF ，Analyst of Quantitative Finance)由量化金融標(biāo)準(zhǔn)委員會(Standard Committee of Quantitative Finance，SCQF)主考并頒證，是代表量化金融領(lǐng)域的專業(yè)水平證書。>>>點擊咨詢AQF證書含金量
AQF量化金融分析師實訓(xùn)項目學(xué)習(xí)大綱
1.1.1. 第一部分：前導(dǎo)及課程介紹
|
1.AQF核心課程 |
|
2.量化策略的Python實現(xiàn)和回測 |
|
3.整體代碼介紹 |
1.1.2. 第二部分：量化投資基礎(chǔ)
|
1.量化投資背景及決策流程 |
|
2.量化擇時 |
|
3.動量及反轉(zhuǎn)策略 |
|
4.基金結(jié)構(gòu)套利 |
|
5.行業(yè)輪動與相對價值 |
|
6.市場中性和多因子 |
|
7.事件驅(qū)動 |
|
8.CTA_1（TD模型） |
|
9.統(tǒng)計套利_低風(fēng)險套利 |
|
10.大數(shù)據(jù)和輿情分析 |
|
11.機(jī)器學(xué)習(xí) |
|
12.高頻交易和期權(quán)交易 |
|
13.其他策略和策略注意點 |
1.1.3. 第三部分：Python編程知識
|
Python語言環(huán)境搭建 |
1.Python語言環(huán)境搭建 |
|
Python編程基礎(chǔ) |
1.python數(shù)字運(yùn)算和Jupyter notebook介紹 |
|
2.字符串 |
|
|
3.Python運(yùn)算符 |
|
|
4.Tuple和List |
|
|
5.字典 |
|
|
6.字符串格式化 |
|
|
7.控制結(jié)構(gòu)_1.For循環(huán) |
|
|
8.函數(shù) |
|
|
9.全局和局部變量 |
|
|
10.模塊 |
|
|
11.Python當(dāng)中的重要函數(shù) |
|
|
Python編程進(jìn)階 |
1.Numpy數(shù)據(jù)分析精講 |
|
2.Pandas數(shù)據(jù)分析詳解 |
|
|
數(shù)據(jù)可視化 |
1.Pandas內(nèi)置數(shù)據(jù)可視化 |
|
2.Matplotlib基礎(chǔ) |
|
|
3.Seaborn |
|
|
金融數(shù)據(jù)處理實戰(zhàn) |
1.數(shù)據(jù)獲取_1.本地數(shù)據(jù)讀取 |
|
1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_1 |
|
|
1.數(shù)據(jù)獲取_2.網(wǎng)絡(luò)數(shù)據(jù)讀取_2.tushare |
|
|
1.數(shù)據(jù)獲取_2_網(wǎng)絡(luò)數(shù)據(jù)讀取_3.文件存儲 |
|
|
2.金融數(shù)據(jù)處理_1.同時獲取多只股票 |
|
|
2.金融數(shù)據(jù)處理_2.金融計算 |
|
|
2.金融數(shù)據(jù)處理_3.檢驗分布和相關(guān)性 |
|
|
3.金融時間序列分析_1.Python下的時間處理 |
|
|
3.金融時間序列分析_2.Pandas時間格式 |
|
|
3.金融時間序列分析_3.金融數(shù)據(jù)頻率的轉(zhuǎn)換 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例1 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標(biāo)條件選股分析_1 |
|
|
4.金融數(shù)據(jù)處理分析實戰(zhàn)案例_案例2_多指標(biāo)條件選股分析_2 |
1.1.4. 第四部分：量化交易策略模塊
|
三大經(jīng)典策略 |
1.三大經(jīng)典策略_1.SMA |
|
1.三大經(jīng)典策略_2.動量Momentum |
|
|
1.三大經(jīng)典策略_3.均值回歸 |
|
|
配對交易策略 |
2.配對交易 |
|
技術(shù)分析相關(guān)策略 |
3.量化投資與技術(shù)分析_1.技術(shù)分析理論 |
|
3.量化投資與技術(shù)分析_2.CCI策略的Python實現(xiàn) |
|
|
3.量化投資與技術(shù)分析_3.布林帶策略的Python實現(xiàn)_1 |
|
|
3.量化投資與技術(shù)分析_4.SMA和CCI雙指標(biāo)交易系統(tǒng) |
|
|
3.量化投資與技術(shù)分析_5.形態(tài)識別和移動止損策略 |
|
|
大數(shù)據(jù)輿情分析策略 |
4.大數(shù)據(jù)輿情分析策略_基于谷歌搜索的大數(shù)據(jù)輿情分析 |
|
CTA交易策略 |
5.CTA交易策略_Aberration趨勢跟蹤系統(tǒng) |
|
量化投資與機(jī)器學(xué)習(xí) |
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_2_邏輯回歸原理 |
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_3_SVM算法原理 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_4_決策樹算法原理 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_5_KNN算法原理 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_6_神經(jīng)網(wǎng)絡(luò)算法了解 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_1_機(jī)器學(xué)習(xí)算法原理_7_K-means算法原理和算法總結(jié) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_1_數(shù)據(jù)集生成原理 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_2_數(shù)據(jù)集可視化 |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_3_邏輯回歸算法的python實現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_4_DT_KNN_NB算法的python實現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_2_機(jī)器學(xué)習(xí)算法實現(xiàn)_5_SVM算法的python實現(xiàn) |
|
|
6.量化投資與機(jī)器學(xué)習(xí)_3_機(jī)器學(xué)習(xí)算法實戰(zhàn)_6_基于邏輯回歸和SVM的股市趨勢預(yù)測 |
1.1.5. 第五部分：面向?qū)ο蠛蛯嵄P交易
|
1.模塊內(nèi)容整體介紹 |
|
2.面向?qū)ο?、類、實例、屬性和方?/p> |
|
3.創(chuàng)建類、實例、方法 |
|
4._init_初始化方法 |
|
5.面向?qū)ο蟪绦驅(qū)嵗?/p> |
|
6.繼承的概念及代碼實現(xiàn) |
|
7.面向?qū)ο罄^承的實戰(zhàn)案例 |
|
8.多繼承和量化交易平臺的面向?qū)ο箝_發(fā)思路 |
|
9.用面向?qū)ο蠓椒▽崿F(xiàn)股債平衡策略 |
1.1.6. 第六部分 實盤模擬交易
|
基于優(yōu)礦平臺的面向?qū)ο蟛呗?/p> |
1.優(yōu)礦平臺介紹 |
|
2.優(yōu)礦平臺回測框架介紹 |
|
|
3.優(yōu)礦框架之context對象、account和position對象 |
|
|
4.優(yōu)礦其它重要操作 |
|
|
5.優(yōu)礦之小市值因子策略 |
|
|
6.優(yōu)礦之雙均線策略 |
|
|
7.優(yōu)礦之均值回歸策略 |
|
|
8.優(yōu)礦之單因子策略模板 |
|
|
9.優(yōu)礦之多因子策略模板 |
|
|
10.優(yōu)礦之因子數(shù)據(jù)處理：去極值和標(biāo)準(zhǔn)化 |
|
|
面向?qū)ο髮嵄P交易之Oanda |
1.Oanda平臺介紹和賬戶配置 |
|
2.Oanda賬戶密碼配置和交易框架原理 |
|
|
3.Oanda鏈接賬戶并查看信息 |
|
|
4.Oanda API獲取歷史數(shù)據(jù) |
|
|
5.Oanda市價單和交易狀態(tài)查詢 |
|
|
6.Oanda高級交易訂單 |
|
|
7. Oanda其它高級功能 |
|
|
8. Oanda實戰(zhàn)ADX策略全講解：策略邏輯、數(shù)據(jù)讀取、歷史數(shù)據(jù)處理、可視化、實時數(shù)據(jù)和實時交易 |
|
|
9. Oanda通過實時數(shù)據(jù)API調(diào)取實時數(shù)據(jù)、resample |
|
|
面向?qū)ο髮嵄P交易之IB |
1.IB實戰(zhàn)平臺介紹及API安裝調(diào)試 |
|
2.IB實戰(zhàn)平臺請求和響應(yīng)遠(yuǎn)離、線程控制 |
|
|
3.IB響應(yīng)函數(shù)wrapper講解 |
|
|
4.IB請求函數(shù)及合約定義 |
|
|
5.IB程序化下單、倉位及賬戶查詢 |
|
|
6.IB三均線交易_金字塔倉位下單控制模型實盤交易之策略原理、線程控制原理、策略結(jié)構(gòu)總覽、響應(yīng)函數(shù)、交易信號、策略展示等全講解。 |
1.1.7. 第七部分：基于優(yōu)礦的進(jìn)階學(xué)習(xí)
|
1.1回測與策略框架 |
|
1.2評價指標(biāo) |
|
1.3.1量化策略設(shè)計流程簡介 |
|
1.3.2擇時策略舉例（雙均線） |
|
1.3.3量化投資模板1.0選股和擇時 |
|
2.1基于技術(shù)分析的量化投資 |
|
2.2.1技術(shù)指標(biāo)簡介 |
|
2.2.2 MACD擇時策略 |
|
2.2.3 WVAD擇時策略 |
|
2.2.4 RSI擇時策略 |
|
2.2.5 MFI擇時策略 |
|
2.2.6 CCI擇時策略 |
|
2.2.7技術(shù)指標(biāo)總結(jié) |
|
2.3通道技術(shù) |
|
3.1.1日期效應(yīng) |
|
3.1.2動量效應(yīng) |
|
3.2.1格雷厄姆成長投資 |
|
3.2.2積極投資策略 |
|
3.2.3價值投資策略 |
|
3.2.4小型價值股投資策略 |
|
3.3.1交易系統(tǒng)設(shè)計的一般原理 |
|
3.3.2均線排列系統(tǒng) |
|
3.3.3金肯納特交易系統(tǒng) |
|
3.3.4海龜交易法系統(tǒng) |
相關(guān)閱讀：
●AQF量化考試報名入口是哪里?量化金融分析師AQF核心課程有哪些?
●量化交易python培訓(xùn)學(xué)什么內(nèi)容？AQF量化分析師可以自己報名嗎？
.jpg)
金程推薦： AQF是什么意思 量化金融分析師年薪 AQF考試流程
備注：（AQF備考資料包含：1、AQF專用公式表2、AQF模擬習(xí)題 3、AQF前導(dǎo)課程 4、AQF報名流程指引圖5、AQF電子版資料 6、AQF考綱 7、AQF筆記）
聲明|本文由金程AQF綜合采編自網(wǎng)絡(luò)。我們尊重原創(chuàng)，重在分享。部分文字和圖片來自網(wǎng)絡(luò)。
