Ⅰ P Quant 和 Q Quant 到底哪個是未來
q quant來自於q
measure，也就是風險中性測度。資產定價理論中最基本的原理，就是風險中性測度對應著無套利，無套利對應著可以完美對沖各種風險。所以q
quant主要是協助structuring desk和exotic trading desk來做衍生品定價。銀行賣那些復雜的衍生品是為了賺手續費（1%左右），並不是與客戶對賭。在q quant的協助下，銀行把衍生品賣出去，對沖掉所有風險，收客戶一筆手續費，這才是sell-side最本職的工作。
而
p quant來自於physical prob
measure，也就是「預測未來走勢」，常見於買方和賣方的自營交易部。所謂預測未來走勢，無非就是尋找under-priced
risks/over-priced risks（不好意思不會翻譯），也就是所謂的「找alpha」，因此p quant也叫alpha quant。
所以，
q quant做的是「如何不承擔風險」。
p quant做的是「承擔哪些風險」。
這兩類quant的界限其實可以很不明顯。舉個例子，volatility trading做的就是對沖掉股票價格風險（q measure），預測未來波動率走勢（p measure）。
哪
類quant更有前途，要的是經濟周期。所謂「亂世買黃金，盛世興收藏」。那些奇奇怪怪的衍生品，由於收益率高，在市場流動性過剩的時候會很受歡迎，所以
前段時間銀行們招了不少structured proct pricing quant。而p
quant的表現，通過量化投資的對沖基金的收益率就可以看出來（去年不太好）。
不過，q quant是cost centre，p quant是profit centre，這也就意味著兩者的待遇必然不同。
Ⅱ 如何使用join quant 里的策略源碼進行選股
Motivation
其實同一級別拆開來看，市場的狀態無非就是兩種，趨勢和震盪。我們怎麼在股票中賺錢呢？答：上漲趨勢的時候死死拿著，震盪行情中高拋低吸，下跌趨勢趁早收手。聽上去好像不難？那為啥大家都不賺錢？
難點在於，你分不清當前是震盪還是趨勢。沒騙你，沒說笑。真不好分，無數前人已經試過了。100%的分開是不可能的，能的話全市場的錢都是你的。比如今天突破了，你怎麼知道明天是接著上漲呢？還是一棍子跌回去了？
所以，我們就換一種思路，從概率的視角下看待問題。只要發出趨勢成立的信號，我就按照未來是趨勢的假設來操作，跌破了，我就止損，到了合適的點位，我就止盈。那麼只要上述信號帶來的收益期望值大於0，我認為這些操作是會賺錢的。
動量效應（Momentum effect）呢，是捕捉趨勢的一種方法論，一般又稱「慣性效應」，由Jegadeesh和Titman（1993）提出。他們認為，股票的收益率有延續原來的運動方向的趨勢，即過去一段時間收益率較高的股票，在未來依舊會取得高於平均的收益率。通俗說，今天漲了，明天大概率會接著漲，強者恆強嘛。
根據這種假設，我們構建的策略就叫動量策略。
Ⅲ quant是做什麼的
quant的意思就是量化，所謂量化一般是用於外匯、期貨、股票等投資行業的專用術語！量化就是軟體自動操作的簡稱！！
Ⅳ 風險管理 和 Quant 的區別是什麼
廣義上講一切金融活動的實質都是風險控制和管理，其核心總離不開回報與風險的平 。對於front office，risk幾乎就是敏感度（sensitivities 也就是各種Greek letters,如delta, gamma,ration）等等的代名詞。. 現在通常所說的風險管理，大體上分這么兩大塊：
1. Risk limit. 比如上面所說的Greek letters,還有VaR,以及各種exposure limit,這些風控度量主要是用來定量限制交易員的風險額度，防止他們take過大的風險頭寸，超過了就要hedge。
2. Capital,也就是資本，包括經濟資本和以貝塞爾協議為基準的監管資本。通常是通過對資產組合價值變化分布的場景模擬或統計解析，計算在一定置信度下分布的尾部統計量，最簡單的例子就是Value-at-Risk. 根據風險因子的來源，可分為市場風險資本，信用風險資本，以及操作風險資本等等。
還有一些類型介於二者之間，如對手風險，既有資本的成份（如巴三協議的CVA RWA），又有交易對沖的成份。
總的來說和傳統的Front Office相比,更注重統計和數據分析。基於portfolio的風險分析也較衍生品定價更強調宏觀的直覺把握，這非常類型於科學中的宏觀系統（生物/社會系統）與微觀系統（分子，原子/個人）的差別。尺度不同，視角不同， 分析方法也不同。
補充一下，有人說risk quant是P-quant,個人感覺是P/Q混合。比如用蒙特卡羅計算資產組合的價值分布，其中對風險因子的模擬一般在P-measure下，而用模擬的風險因子來計算portfolio 中每個資產的價值則一般都是基於無風險套利的Q-measure. 這種混用的情形在銀行里十分常見。
Ⅳ quant是什麼意思
quant暢通詞彙
英 [kwænt] 美 [kwænt]
n. 船槳；數量分析專家
v. 用篙撐
I have quant of happiness and wisdom.
我有快樂和智慧的槳。
The boat is equipped with handles, safe pulling rope, draw ring, quant and other relevant accessories.
船上設有把手、安全拉繩、牽引環、船槳等相關配件。
In the quant, only one inspection lot can be recorded.
在份中，只能記錄一個檢驗批。
( Quant, Long/ Short, Global Macro, etc*)
（量化基金，做多／做空基金，全球宏觀型基金等）
Ⅵ 在中國，做量化交易一天的工作是怎樣的
做量化交易一天的工作：
8:00~9:00： 打開交易策略，設置一些運營參數
9:00~9:30： 觀察策略運轉，確保沒有問題
9:30~15:30: 解決已有策略的問題並研究新策略，測試新想法
15:30~17:00: 分析交易記錄， 確定第二天的交易計劃
17:00~18:00: 運動
崗位職責：
分析金融市場（期貨、股票等）數據，尋找可利用的機會；開發與維護量化交易策略；提供機器學習/數據挖掘相應的技術支持；
崗位要求：
1.熟練計算機編程能力，熟練掌握至少一門編程語言，python優先；
理工科背景，具有良好的數理統計、數據挖掘等相關知識儲備，熟悉機器學習方法（分析科學問題和相應數據，建立模型和方法，驗證模型和方法，應用模型和方法並分析結果，改進模型和方法）；
有處理分析大量數據的經驗，並能熟練選擇和應用數據挖掘和機器學習方法解決科研和工作中的實際問題；良好的自我學習和快速 學習能力，有工作激情，喜歡金融行業；兩年及以上實驗室研究經驗或研發類工作經驗優先；
(6)quant分析股票擴展閱讀
量化交易是指以先進的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，
極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。
Ⅶ Quant 這個職業在國內的前景怎樣
quant的工作就是設計並實現金融的數學模型（主要採用計算機編程），包括衍生品定價，風險估價或預測市場行為等。
所以quant更多可看為工程師，按中國的習慣性分類方法就是理工類人才，而不是文科人才，這個和金融有一定的區別（當然金融也有很多理工的內容）。
工作崗位
a.商業銀行(匯豐銀行,花旗銀行)
商業銀行對你要求少,也給的少. 工作會比較穩定.
b.投行(高盛,摩根士丹利)
投行需要大量的工作時間但工資很高. 不是很穩定的工作.
總的來說,美國的銀行收入比歐洲銀行高,但工作時間更長
c.對沖基金 (Citadel Group)
對沖基金需要大量的工作時間和內容,他們也處在高速發展同時不穩定的情況中. 你可能會得到大量的回報,也可能幾個月後就被開除.
d.會計公司
大型會計公司會有自己的顧問quant團隊. 有些還會送他們的員工去Oxford讀Master. 主要的劣勢在於你遠離具體的行為和決策,而且厲害的人更願意去銀行,所以你比較難找到人請教.
e.軟體公司
外包quant模型變得越來越流行. 所以你去軟體公司也是一個選擇. 劣勢和會計公司比較類似.
Ⅷ 為什麼金融工程師叫 quant
寫這篇文章主要是因為現在很多本科生對金融工程都很有興趣，但具體怎麼一回事卻不甚了解，有的甚至把他與金融和經濟混淆一談。所以這篇文章也算是給所有對這個行業有興趣的朋友一個參考吧。
1.quant是做什麼的？
quant的工作就是設計並實現金融的數學模型（主要採用計算機編程），包括衍生物定價，風險估價或預測市場行為等。所以quant更多可看為工程師，按中國的習慣性分類方法就是理工類人才，而不是文科人才，這個和金融有一定的區別(當然金融也有很多理工的內容)。
2.有哪幾種quant？
a. desk quant
desk quant 開發直接被交易員使用的價格模型. 優勢是接近交易中所遇到的money和機會. 劣勢是壓力很大.
b. Model validating quant
model validating quant 獨立開發價格模型,不過是為了確定desk quant開發的模型的正確性. 優勢是更輕松,壓力比較小. 劣勢是這種小組會比較沒有作為而且遠離money.
c. Research quant
Research quant 嘗試發明新的價格公式和模型,有時還會執行blue-sky research(不太清楚是什麼). 優勢是比較有趣(對喜歡這些人來說),而且你學到很多東西. 劣勢是有時會比較難證明有你這個人存在(跟科學家一樣,沒有什麼大的成果就沒人注意你)
d. quant developer
其實就是名字被美化的程序員,但收入很不錯而且很容易找到工作. 這種工作變化很大. 它可能是一直在寫代碼,或者調試其他人的大型系統.
e. Statistical arbitrage quant
Statistical arbitrage quant 在數據中尋找自動交易系統的模式(就是套利系統). 這種技術比起衍生物定價的技術有很大的不同, 它主要用在對沖基金里. 而且這種位置的回報是極不穩定的.
d. capital quant
capital quant 建立銀行的信用和資本模型. 相比衍生物定價相關的工作,它沒有那麼吸引人,但是隨著巴塞爾II銀行協議的到來,它變的越來越重要. 你會得到不錯的收入(但不會很多),更少的壓力和更少的工作時間.
人們投資金融行業就是為了賺錢, 如果你想獲得更多的收入,你就要更靠近那些錢的"生產"的地方. 這會產生一種接近錢的看不起那些離得比較遠的人的現象. 作為一個基本原則, 靠近錢比遠離錢要來得容易.
3.quant工作的領域
a.FX
FX就是外匯交易的簡寫. 合同趨向於短期,大量的金額和簡單的規定.所以重點在於很快速度的建立模型.
b.Equities
Equities的意思是股票和指數的期權. 技術偏向於偏微分方程(PDE). 它並不是一個特別大的市場.
c.Fixed income
Fixed income的意思是基於利息的衍生物. 這從市值上來說可能是最大的市場. 他用到的數學會更加復雜因為從根本上來說他是多維的. 技術上的技巧會用的很多. 他的收入比較高.
d.Credit derivatives
Credit derivatives是建立在那些公司債務還清上的衍生產品.他發展的非常快並有大量需求,所以也有很高的收入. 盡管如此,他表明了一些當前經濟的泡沫因素.
e.Commodities
Commodities因為最近幾年生活用品價格的普遍漲價,也成為一個發展迅速的領域.
f.Hybrids
Hybrids是多於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.它主要的優勢在於可以學到多種領域的知識.這也是當前非常流行的領域.
4.quant一般在哪些公司工作
a.商業銀行 (HSBC, RBS)
商業銀行對你要求少,也給的少. 工作會比較穩定.
b.投行 (高盛,Lehman Brothers)
投行需要大量的工作時間但工資很高. 不是很穩定的工作.
總的來說, 美國的銀行收入比歐洲銀行高,但工作時間更長
c.對沖基金 (Citadel Group)
對沖基金需要大量的工作時間和內容,他們也處在高速發展同時不穩定的情況中. 你可能會得到大量的回報,也可能幾個月後就被開除.
d.會計公司
大型會計公司會有自己的顧問quant團隊. 有些還會送他們的員工去Oxford讀Master. 主要的劣勢在於你遠離具體的行為和決策,而且厲害的人更願意去銀行,所以你比較難找到人請教.
e.軟體公司
外包quant模型變得越來越流行. 所以你去軟體公司也是一個選擇. 劣勢和會計公司比較類似.
5.成為一個quant需要看哪些書?
現在有非常多的關於quant的書.基礎書籍包括
- Hull - Options future and other derivatives. 這本書被稱為bible. 缺點是這本書的內容主要面向MBA而不是quantitative專家
- Baxter and Rennie – 主要介紹一些手法和訣竅,但主要面向原理而不是實際操作.
- Wilmott (Derivatives) – 對PDE介紹的非常不錯,但其他方面一般
推薦其他幾本原作者的書(廣告啊...但的確很好,大牛來的)
- The concepts and practice of mathematical finance
這本書的目標在於覆蓋一個優秀quant應該知道的知識領域. 其中包括強列推薦你在應聘工作之前看的一些編程項目.
- C++ design patterns and derivatives pricing
這本書是為了告訴大家如何使用C++來做quant的工作.
隨機微積分雖然在第一眼看上去不是很重要,但的確非常有用的. 我建議大家先看一些基本理論的書,類似Chung』s books. 一些這方面我推薦的書:
- Williams, Probability with martingales. 一本很容易讓人了解account of discrete time martingale theory的書.
- Rogers and Williams, particularly Volume 1.
- Chung and Williams
6. 成為quant,我需要知道一些什麼?
根據你想工作的地方不同,你需要學習的知識變化很大. 在寫著篇文章的時間(1996),我會建議將我的書全部學會就可以了.很多人錯誤的把學習這些知識看作僅僅看書而已.你要做的是真正的學習,就像你在准備參加一個基於這些書內容的考試. 如果你對能在這個考試里拿A都沒有信心的話,就不要去面試任何的工作.
面試官更在乎你對基本知識的了解是否透徹,而不是你懂得多少東西. 展示你對這個領域的興趣也很重要. 你需要經常閱讀Economist, FT 和Wall Street Journal. 面試會問到一些基本微積分或分析的問題,例如Log x的積分是什麼. 問到類似Black-Scholes公式怎麼得出的問題也是很正常的. 他們也會問到你的論文相關的問題.
面試同樣也是讓你選擇公司的一個機會. 他們喜歡什麼樣的人,他們關心的是什麼之類的答案可以從他們的問題中得出. 如果問了很多關於C++語法的問題,那麼要小心選擇除非那是你想做的工作. 一般來說, 一個PhD對得到quant的offer是必需的.
有一個金融數學的Master學位會讓你在銀行風險或交易支持方面卻不是直接quant方面的工作. 銀行業變得越來越需要數學知識,所以那些東西在銀行的很多領域都有幫助.
在美國, 讀了一個PhD之後再讀一個Master變得越來越普遍. 在UK這依然比較少見.
8. 編程
所有類型的quant都在編程方面花費大量時間(多於一半).盡管如此,開發新的模型本身也是很有趣的一件事. 標準的實現方法是用C++. 一個想成為quant的人需要學習C++. 有些其他地方使用Matlab所以也是一個很有用的技能,但沒C++那麼重要. VBA也用的很多,但你可以在工作中掌握它.
10. 收入
一個quant能賺多少? 一個沒有經驗的quant每年大概會掙到35000-50000磅. 我所見過最低的是25000,最高的是60000加獎金. 如果你的工資超出這個范圍,你要問自己why? 收入會迅速的增長. 獎金也是總收入中一個很大的組成部分. 不要太在乎開始的工資是多少,而是看重這個工作的發展機會和學習的機會.
11. 工作時間
一個quant工作的時間變化很大. 在RBS我們8:30上班,6pm下班. 壓力也是變化很大的, 一些美國銀行希望你工作時間更長. 在倫敦有5-6個星期的假期. 而在美國2-3個是正常的.
Ⅸ 什麼是quant analysis
是定量分析的意思。
這里quant是quantitative的意思。
A quantitative analyst（定量分析家） or, in financial jargon（用行話說）, a quant（金融工程師） is a person who specializes in（專攻） the application（應用） of mathematical （數理的）and statistical methods（統計分析方法）
– such as （例如研究）numerical（數值的）or quantitative(數量的) techniques(方法) – to financial and risk management problems. Similar work of instrial mathematics is done in most other modern instries, but the work is not always called quantitative analysis.[1]
Although the original quantitative analysts were "sell side quants" from market maker firms, concerned withderivatives pricing and risk management, the meaning of the term has expanded over time to include those indivials involved in almost any application of mathematics in finance, including the buy side.[2] Examples include statistical arbitrage, quantitative investment management, algorithmic trading, and electronic market making.
THE ABOVE IS EXTRACTED FROM
Wikipedia, the free encyclopedia
Ⅹ Quant 應該學習哪些 Python 知識
Python是非常適合做quant類工作的語言，本身就是科學計算方面的統治級語言，現在加入了IPython，pandas等重量級神器，為Quant類工作量身定做，而且仍在飛速發展中，以後會越來越重要。
關於其他語言，首先介紹一下我自己最喜歡的一個比較小眾的組合，Mathematica+Java/Scala。
Mathematica的優點在於：本身提供函數式的編程語言，表達能力非常強大，比如Map/Rece是標配，很多時候不需要去做煩人的for循環或下標控制，排版經常可以直接照數學公式原樣輸入，即直觀又不容易寫錯；代碼和輸出混排的排版方式使得建模時的演算和推理過程非常流暢，甚至還可以直接生成動畫，對於找直觀理解非常有幫助（這幾點分別被IPython和R偷師了一部分）。Mathematica的缺點在於對金融類的時間序列數據沒有很好的內建支持，使得存儲和計算都會比較低效，因此需要用內嵌Java的方式來補足，對於數據格式或性能敏感的操作都可以用Java/Scala實現。這個組合在我心目中無出其右，不論是快速建模，還是建模轉生產，都遠遠領先於其他選擇。但Mathematica的商用授權很貴，如果公司本身不認可的話很難得到支持，這是最致命的缺陷。另外隨著Python系的逐漸成熟，領先優勢在逐漸縮小，長遠看Python的勢頭更好一些。
其他答案里也列舉了不少其他語言，我自己既做Quant的工作，也做軟體開發的工作，這里想從一個軟體工程師的角度，說說我的理解。平時工作中會和一些偏Quant背景的人合作，很容易發現建模能力好的人往往在計算機方面基礎比較薄弱（因為以前的訓練重點不在這里）。他們也可以快速學習掌握一種像C++，Java這樣的語言，實現很多必要的功能。但是一方面這些語言陡峭的學習曲線和繁瑣的開發步驟會給他們真正要做的工作增加不必要的負擔，另一方面一旦涉及到性能敏感的情景，他們對計算機體系結構缺乏理解的缺點就容易暴露，比如說很可能他們沒有計算復雜度，內存碎片，cache
miss，甚至多線程等概念，導致寫出的程序存在相當大的隱患。
即使是計算機功底扎實，如果每天的工作需要在C++，Python，R/Matlab，甚至一眾腳本語言之前來回切換，思維負擔也會非常重，人的精力是有限的，很難同時兼顧數學建模和底層代碼調試這種差距巨大的工作。長期發展下去最可能的結果就是要麼遠離建模，專心做生產環境開發，要麼遠離生產環境，專心建模。這種局面顯然不論對個人還是團隊都是有很大弊端的。
如果深入思考這個問題，相信不難得出結論，對於Quant來說，C++這種相當面向機器的語言肯定不是最佳選擇。的確在歷史上，它比更面向機器的C已經友好了很多，但是在計算機技術飛速發展的今天，如果還需要Quant大量使用C++做建模類的工作顯然是很遺憾的事情。設想一下你拿到一份股票數據，不論你是想分析價格走勢，成交量分布，還是波動性，第一件要做的事一定是畫出圖來看看，有一個直觀認識。如果你的工具是C++，肯定有很多時間花在編譯，調試，再編譯的過程上，好容易能解析文件了，接下來怎麼算移動平均？怎麼算波動性？全都要自己寫代碼。再然後怎麼畫圖？這整個工作流簡直慘不忍睹，這些問題浪費掉你大部分精力，而他們全部和你真正感興趣的工作毫無關系。所以如果你是一個數理金融等背景的新人打算開始Quant生涯，在決定是否要投資到這項重量級技術上時需要慎重，即便它目前的市場定價可能仍在峰值。相比之下我認為Python會是更理想的選擇，即能很好的完成建模工作，也可以訓練一定的編程技巧，使你在必要時也能勝任一些簡單的C++工作。