㈠ 在中國，量化交易員每天要做什麼樣的工作
隨著量化投資的概念在國內逐漸流行，量化交易員這個聽起來神秘又高大上的職業也逐漸走入人們的視野。量化交易員平常的工作其實沒有固定的模式，但總結下來大都包括: 現有策略的管理維護，看盤（通常開N個窗口，大都是定製化的各種彩色表格、圖、列表和滾動新聞的組合）以及查看策略有沒有亂發單，開發新的策略，每日進行盤後處理，統計委託、持倉、波動率、滑點等等，這些工作聽起來瑣碎且機械，但真正開發出所謂的印鈔機達到躺贏的境界可謂少之又少，大部分人仍然需要不斷學習並且經歷各種市場的考驗：
1、靈感，在市場上策略逐漸趨同、逐漸失效的過程中是很重要的，自己絞盡腦汁更新了好幾個版本的新策略回測時各種指標竟然遠不如行業內正火熱的幾個「經典策略」，市場總是公平而又殘酷的。
2、心理，投資講求的是心理戰，對於量化交易員來說，程序化交易的方式可以避免一部分人性的因素，但是否干預、何時干預模型（尤其是模型並不完備）一直是一個長期困擾交易員的問題
3、不確定性，個人認為，量化交易者同時也需要結合一些基本面，尤其是在國內金融市場信息不對稱、雜訊大以及監管因素變化下能夠從市場調研中獲得有效信息以減少不確定性是相當重要的。
㈡ 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；
(2)股票如何做量化交易員擴展閱讀
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。
㈢ 量化程序化交易員程序員 這個是什麼壓力大嗎
量化交易也叫程序化交易，是國內證券交易、期貨交易快速發展的交易方式，歐美市場上60%-70%的證券、期貨交易時通過程序化完成的。程序化交易講究團隊運營，資產管理公司一般設置策略研究員、量化交易程序員、交易員、風控等崗位。量化交易程序員的主要職責就是把策略研究員的交易邏輯、交易思想用計算機語言編程。編程完成以後還要做測試以及參數修改等工作。程序員最基本的要求你要懂得最常見的計算機語言，如C++,Python,最好懂AutoIt、MATLAB、R語言。程序化交易員對計算機語言的要求不太高，但是要有證券交易經驗，會看K線圖，懂得基本的技術分析理論、技術指標，這些是必須的。很多公司的程序化交易也不是完全計算機執行的，你需要懂得在什麼樣的市場行情使用怎樣的交易策略，當一套策略系統一段時間運行表現不佳的時候要會分析市場機構的變化。正規的資產管理公司很少會聘期完全沒有交易經驗的交易員，不會聘請不懂計算機語言的程序員。如果你符合如上說的條件可以去應聘。至於壓力，要比主觀交易的操盤手要輕得多，是否加班主要取決於該公司投資的產品是國內還是境外的市場，如果是國內證券、期貨產品，比較少加班吧，境外市場會有人上夜班。非交易時間外的加班，這得看工作需要與企業文化啦。不知我這樣回答你清楚嗎？
㈣ 如何成為一名量化交易員
量化交易是量化金融行業中最為尖端的一個領域，不論你是希望通過面試還是構建自己的交易策略，都會花費大量的時間與精力學習相關的知識。不僅如此，你還需要過關的編程技術，至少需要精通一門高級編程語言(如MATLAB、R或Python)，而且伴隨著高頻交易策略的日益盛行，技術層面對於策略執行效果越來越至關重要，精通C/C 也許是最佳的選擇。
㈤ 量化交易如何入門要學習多長時間
很好入門，多學多看。
學習量化交易，一定要理解它的風險性從何而來。
首先是一二級市場「級差」風險，其次是交易員操作風險，最後是系統軟體的風險。
第二種風險是交易員操作失誤。這同時也牽扯到第三種風險，系統軟體風險，每個交易員在系統中都有相應的交易許可權，包括數量、金額。
有個業內資深人士帶路會事半功倍，尤其對金融愛好者而言，一些理解上的細微偏差，都可能導致整體概念上的錯誤認識。
比如我就是通過資深人士帶著入門的。除了學習量化收益，還學了很多投資理財方面的知識，有各種理財偏好，每個群體對應了不同的投資類型……推敲過後，我選擇了無界財富，因為他們風控模式可以看出，比如國有金融機構風控、銀行存管這些，比較穩健的方式。
所以說，他不僅是學我習量化交易的前輩，還是我理財的入門引導人，他多次提醒我們不要盲目跟風，以自己的風險承擔能力來選擇。如果偏好穩健的方式，同樣可以選擇無界財富這類穩健平台作為入門。
㈥ 量化交易員一天的工作是怎樣的
看你是人工量化還是程序量化。人工量化其實就是下單員，根據總結出來的邏輯和思路，買賣點，到了點位就要下單，可能對手速和反應要求比較高。程序量化交易員一般需要懂得編程，寫好程序交給電腦運行，人盯著就可以了。
㈦ 股票量化交易系統有用嗎
股市是一門經濟學，哲學，概率學，心理學的綜合體，想要成功，需要不斷去感悟去總結每一次的失敗，這樣才能走的更好更遠。
第一個理念：
順勢而為
股市的大趨勢決定個股的走勢，當指數大漲時個股更容易爆發，這個時候適合重倉介入，當然要注意獲利就出;當市場處於弱勢時，就要考慮輕倉介入，不盲目追漲。
第二個理念：
選定有價值的公司
在投資中，選定有價值的公司很重要，因為這些公司有很強的上漲潛力，一旦市場有好的信號，或者公司有大利好時，股價就會飛速上漲，所以這樣的公司更容易讓普通股民賺到錢。
第三個理念：
分批建倉 堅持到底
在投資中，投資者要住的是要做好投資策略，一般的策略就是分批建倉，在市場下跌時以倒金字塔形態建倉，在市場上漲時，以金字塔形態減倉。如果股票短期被套，市場情況還可以的話，則要選擇堅持持倉。
天字一號量化交易系統通過設定不同的各種指標條件，一旦市場交易情況滿足這些條件時就自動彈出一些操作指示；設定值達到開倉條件，系統會彈出買入信號、設定值達到減倉條件賣出一半或者全部賣出等。
㈧ 量化交易員是策略研發要求高還是交易要求高
在整個量化交易策略的研發流程當中，買和賣是最為基本的量化交易策略組成部分，而這個部分的設定主要與收益情況相關。這里所說的相關，具體分為兩種不同的情形，一種是總體的關聯性，即基於買點、賣點的選擇，買賣策略應該得到一個正的整體收益。另一種則來自於對交易資產未來收益的判斷、或者說預測，即判斷交易資產的未來收益為正時，就買入資產；判斷交易資產的未來收益為負時，則賣出或賣空資產。實際操作中，這兩種關聯關系的情況可能更為復雜一些。有的時候，買和賣的具體操作也可能受到風險方面設置的影響，例如為了限制單次交易的最大損失而採取止損之類的操作時，用於清倉的買賣設置就會相應的變動，這也是作者將風險和買賣用虛線相連的原因。不過在大部分情況下，買賣這一最為基本的組成部分還是與收益的關系最大，研究者也應該在研發這一個組成部分時，著重考慮收益情況的具體影響。
對量化交易策略風險的控制可能會影響到量化交易策略中的買賣設置，但是在更普遍的情況下，風險這一因素主要影響的是交易倉位的設置。當然，前提條件還是需要買賣策略的總體收益為正，在這樣的條件下再結合倉位的設置，才能夠在合適的風險水平下取得達到要求的收益。通過對交易資產具體倉位的調整，交易者可以比較直接的控制單次交易以及整個交易策略的風險水平。例如在滿倉交易的情況下，定量的判斷了當前交易的風險之後，覺得風險過大無法承受，那麼最為直接的處理方法就是在滿倉的基礎上相應的降低倉位的大小。在倉位降低之後，對於整體資金而言風險也就隨之降低了。由於倉位本身具有量化、直觀的特性，因此當交易者希望將風險處理到一個特定的水平時，調整倉位是一個比較方便的手段。
需要說明的是，前面已經提到了買和賣是量化交易策略最為基本的組成部分，實際上倉位的設定是根據買賣決策和風險兩個因素共同形成的，不建立在買賣之上的倉位選擇是空洞沒有意義的。此外還有一個更為極端的情況，倉位的正確設定有助於進一步優化策略的整體收益，之後要介紹的凱利公式的意義正在於此。在圖1中由買賣到倉位的箭頭，實際上可以看作是收益、買賣這一個整體部分指向倉位的箭頭。不過在實際使用中，凱利公式所導出的倉位設定往往過於偏激，超過正常風險控制下的最高倉位值，因此倉位仍然與風險的關系更為緊密。
在圖1這個較為鬆散的量化交易策略研發流程中，交易成本是和買賣以及倉位具有同等地位的組成部分。在實際操作中，就是首先基於對收益和風險的判斷得出合適的買賣和倉位選擇，然後在買賣和倉位共同組成的量化交易策略當中考慮交易成本，也就是在建立倉位和退出倉位等操作中扣除所需要承擔的交易成本。隨後再次判斷該量化交易策略所代表的收益和風險情況，只有這兩個因素仍然在接受范圍之內，才能確認這是一個可行的量化交易策略。雖然最後用來執行的組成部分只有買賣和倉位，但是交易成本作為對量化交易策略的一個實際化修正，也是策略研發流程中一個不可或缺的組成部分。
上面提到的對量化交易策略收益和風險情況的判斷，實際上是一個綜合性的評價問題。一個最為重要的參考依據應該是策略在整個交易過程中的凈值走勢，通過對策略凈值走勢的分析，就可以建立起該量化交易策略運行情況的全面判斷。但是凈值走勢本身由於細節過多，因此無法簡單的用來進行策略之間的橫向對比。這時就需要精煉凈值走勢中所包含的信息，選取合適的部分形成量化的評價指標，從而進行量化交易策略的進一步判定。就作者看來，評判一個策略的標准中最重要的仍然是策略在整個交易過程下的收益情況，一個負收益的量化交易策略根本無需考慮其風險即可排除。而當收益為正時，再結合風險的度量進行具體的取捨，就可以直觀的給出量化交易策略是否合格的評判標准了。作者心目中最重要的風險指標是策略凈值的回撤水平，在後面的案例分析中也會重點查看回撤的結果。
於此同時，一些量化交易策略在進行收益和風險情況的判斷時，僅僅針對策略自身的凈值走勢進行研究是不夠的，給出一個合理的基準來進行對比往往是更為有效的判別方法。例如後面的案例中會涉及到的量化選股策略，當交易選擇僅限為對具體的股票進行持倉，而不考慮空倉或者賣空時，選取一個特定的基準進行對比就會是一個更為有效的判別方法。這主要是由於量化選股策略的倉位始終為多頭，因此不論如何配置，策略所持倉位都含有資本資產定價模型中所提到的市場成分。而選股策略本身的意義在於選擇更好的股票、不在於獲取市場收益，因此將市場走勢作為對比、或者在策略收益中剔除掉市場成分就是一個更合理的做法。
上述所有的操作，都需要建立在對歷史數據的分析之上，在量化交易領域當中一般稱之為回溯測試，或者簡稱回測。所謂回溯，也就是將交易的過程在歷史數據上復現一遍，這裡麵包含了一個假設，即歷史數據在量化交易策略中展現出的樣本特徵在未來的交易中依然存在，否則回溯測試就失去了意義。關於這一假設的分析其實在諸多技術分析著作中均有涉及，一般被稱為「歷史會重演」，這里不再繼續展開。不同於傳統技術分析的是，量化交易策略的研發過程更加深入具體，在涉及到策略的參數設定、模型設置等具體問題時，需要採用數量化的方法、也就是最優化等技術手段進行解決。例如如何設置買點和賣點可以使得相應的總體收益最大等等，都是很典型的最優化數學問題，那麼找到合適的最優化技術和演算法並加以應用，就能夠確定量化交易策略的最終形式，用以進行實際交易。
圖1中所展示的是一個較為鬆散的一般性框架，用來總領性的說明量化交易策略的基本研發流程。在具體的策略研發過程中，這個框架經常會因為具體研發設置和策略設置的不同而產生變化。例如當量化交易策略的主要作用不是在時間軸上選擇具體的買賣時點，而是在同一個時間點上對多個資產進行選擇和配置時，圖1中的一些說明就顯得有些含混不清。量化選股策略就是這一類策略中最為常見的形式，因此這里在整體框架不變動的情況下，針對圖1進行了文字上的調整，用以說明量化選股策略的運行框架與研發流程。當然，使用選股策略的框架體系來處理多個資產甚至多個策略的挑選、配置也是可以的，在不復雜的情況下只需要稍作聯想即可。
買賣和倉位雖然是更為通用的說法，但是更適合於描述擇時策略，放在選股策略的研發框架中會顯得比較突兀，因此圖2將買賣換成了選股，倉位則換成了配比，這樣更容易讓讀者領會該研發流程的含義。實際上，對於每一期的選股而言，如果選擇了原先沒有倉位的股票，那麼對應的操作就是買入該股票，如果已經建倉的股票沒有被選入這一期的股票池，那麼對應的操作就是賣出該股票。而配比則是在買賣的基礎上，通過倉位大小的變化來實現具體配置。因此，選股和配比實際上可以算作是買賣和倉位選擇的特殊情況，只是這種說法更為貼合量化選股策略本身。
略有不同的，是風險在量化選股策略研發流程中的具體含義。由於選股策略的倉位操作涉及到多個股票之間的配比問題，因此這里的風險不僅包括單支股票的風險，也涉及到多支股票之間的風險程度，後一種風險一般採用股票收益之間的相關性來進行描述。例如在一般性的最優投資組合理論當中，經常使用協方差矩陣來刻畫整個資產組合的風險水平。雖然從實際情況來看，相關性這一度量方式與風險的直觀感受之間有一定的差距，但是在多資產環境下，一般都將資產間的相關性視為風險的來源之一，這是一個偏學術的、約定俗成的做法。
上面的例子是針對選股策略進行的文字上的變動，實際上量化交易策略研發流程的變化更多來自於各個研發組成部分不同的結合方式。而不同的結合方式，對應的是策略研發過程中不同的目標和需求。例如圖1所介紹的鬆散的研發流程，是在確定好買賣行為和倉位設定之後，再針對實際交易中所產生的交易成本進行二次測試。這樣的做法雖然簡便易行，但是忽視了交易成本本身對於收益的影響，以及更進一步對於買點和賣點的影響。因此，在確定買賣設置的步驟中就考慮交易成本的影響，應該是一個更貼近於實際的研究框架。圖3給出了相應的流程刻畫，如圖所示，在判斷收益因素時，同時考慮交易成本對於收益的影響，從而優化出更為實際的買賣設置。再根據相應的風險控制，結合買賣點的選擇，得出最後的倉位設置。在確定了買賣和倉位這兩個部分之後，就獲得了一個完整的量化交易策略。
圖4給出了一個更緊湊、更貼合實際操作的量化交易策略研發流程。在該流程中，買賣和倉位的設置是同時作為參數進行優化的，優化的目標函數也進行了唯一化，即量化交易策略的風險調整後收益。而在確定需要優化的目標函數時，交易成本也如同上一個研發流程一樣同時被考慮進去，從而保證買賣和倉位優化結果的准確性。毫無疑問，相較於上面所涉及到的研發流程、特別是圖1中較為鬆散的研發流程，該量化交易策略研發流程的各個組成部分更為緊密，因此在優化過程中所產生的與實際操作的偏離也就越小，買賣和倉位設置的准確度也就更高。但是在實際工作中，如果想參照這一流程進行研發，那麼就需要比較強的計算能力，數據量的大小也要達到一定要求，同時優化方法和目標函數的設定要能夠同時覆蓋買賣和倉位的所有參數，因此往往也只有極為簡單的策略思路可以採用這樣的流程框架進行研發。
在實際的量化交易策略相關工作中，研發只是整個工作流程的一部分，還有兩個組成部分需要著重強調。基於此，圖5在圖1所示的研發流程的基礎上給出了一個更為完整的工作流程。如圖所示，需要增加的部分包括處於研發過程之前的數據准備工作以及處於研發過程之後的策略執行工作。這兩項工作與前面所論述的研發流程具有很強的邏輯關聯性與內在依賴性，三者結合起來形成的一個整體，基本上可以涵蓋量化交易策略具體工作的絕大部分內容。
首先論述數據准備的工作，循著圖5中的箭頭可以看到，在量化交易策略的整體工作中，既要為研發過程准備相應的研究數據，也要為策略執行准備相應的實時數據。在研究數據方面，由於尋找合適的量化交易策略需要不斷重復研發流程，因此對於數據的要求更偏重於准確性和覆蓋能力。同時，對數據的清洗和轉換也是一項重點工作，在大部分的數據科學研究、包括量化交易策略的研發當中，數據特徵的合理抽取對於整體效果提升的重要性有時甚至要高於精巧的模型，當然很多時候數據的轉換和模型的構造是相互融合的，針對具體情況應當採取具體的分析和處理。而在策略執行數據方面，則更應該關注於數據獲取的及時性。至於數據的清洗和變換，只需要完全復制研發得到的量化交易策略下的數據准備工作即可。另外，為了保證數據的及時性，最終進行的數據清洗工作對時間消耗存在一定的要求。
然後討論策略執行的工作。策略執行，是在量化交易策略研發完成之後，最終產出實際效能的組成部分。執行時應該遵循盡量貼近研發完成的量化交易策略的原則，與量化交易策略所確定的買賣、倉位等設置盡可能的保持一致，這樣才能最真實的反映出前面量化交易策略的研發結果。同時，策略執行的結果也可以用來反向支持具體的研發流程，通過對策略執行所得到的收益、風險情況的判斷，實時的重新進行研發，對量化交易策略進行修改，從而使得策略能夠及時的得到現實的反饋，增強自身的穩健程度。值得一提的是，後面將要介紹的推進分析是一種模擬策略執行的回溯測試技術，讀者可以在運行推進分析時有限度的了解到量化交易策略實際執行時的種種狀態。
㈨ 股票量化是什麼
股票量化即「量化交易」有兩層含義：一是狹義的，指量化交易的內容，將交易條件轉化為程序，自動下單；第二，廣義上是指系統交易方式，是一個綜合的交易系統。也就是說，根據一系列的交易條件，一個智能的輔助決策系統，將豐富的經驗與交易條件相結合，在交易過程中管理風險控制。
通過量化交易制定策略的方法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。
具體如何理解股票量化交易，量化交易至少應該包括五個方面的要素：
(1)買入和賣出的信號系統。
(2)牛市還是熊市的方向指引，比如用200天移動平均線分辨熊市中系統風險的規避。
(3)頭寸管理以及資金管理。
(4)風險控制，運用信號源來確定止損位置，利用資產曲線和權益曲線來加以判定和管理。
(5)投資組合，不一樣的投資品種、不相同的交易系統(不同功能和參數，有快有慢)以及不相同時間周期組合，現分散組合，讓交易賬戶波動更加穩定。以上就是關於如何理解股票量化交易的全部講解。
量化投資和傳統的定性投資本質上是一樣的，都是建立在低效或弱有效市場的理論基礎上。兩者的區別在於：量化投資管理是「定性思維的定量應用」，更強調數據。
從量化交易的角度來看，目前國內多採用監督式機器學習。例如，我們將投資交易比作裝配廠。手工交易就像工人手工完成的傳統裝配工作。量化交易就像把工廠改造成全自動裝配車間。雖然在整個，組裝過程中沒有人的參與，但是設計師應該指定機器在頂級設計中應該在什麼時候做什麼。
㈩ 在投行內部做量化交易與獨立出去做量化交易有何不同
這里我們只說量化交易，不討論量化研究和量化定價這一塊的業務。
量化交易是分兩個階段的。第一個階段是2008年以前，或者說Dodd-Frank法案以前，投行內部林立著各樣的很多對沖基金或者類對沖基金的實體，比如Morgan Stanley的PDT（Process Driven Trading）和高盛的Global Alpha，而很多投資銀行的自營交易業務也很像對沖基金。在這一階段，這些類對沖基金的實體和外面的對沖基金是沒有啥區別的，業務很類似——賭方向、做部分對沖（Partial Hedging）、跨市場套利，也非常敢於承擔風險。
當時在投行內做對沖基金類型的量化交易有著非常大的優勢，因為兩點——第一是銀行有著非常良好的融資渠道，融資成本顯著地低於當時的對沖基金，如果你嘗試去組建過一個基金，你就知道資金成本對於一個對沖基金的影響多麼大——巴菲特這么多年的成功是離不開長期1.6倍的財務杠桿和其低於中央銀行存款准備金率的資金渠道的（詳細內容參見AQR的論文——Buffet's Alpha）。 炒股需要經常總結，積累，時間長了就什麼都會了。為了提升自身炒股經驗，新手前期可以私募風雲網那個直播平台去學習一下股票知識、操作技巧，對在今後股市中的贏利有一定的幫助。
第二是銀行有著一個灰色的信息流——客戶的交易記錄。這個交易信息，就是今天，也是非常有用的內部消息。幾周前Bill Gross從PIMCO離開時，所有投行的Sales都瘋了，不停地研究之前PIMCO在自己銀行的倉位，然後分析那些債券最有可能最先被清盤，從而給其它客戶交易建議。而當年文藝復興多次更迭合作的投行，就是因為其大獎章基金的交易記錄得不到妥善的保密，很多合作銀行的自營交易桌跟著交易。
這兩個優勢造成了當時的自營交易極其暴利，而且管理層為了做大業績，全力支持明星交易員放大杠桿——而實際上，金融危機期間很多的CEO都是靠著自營交易的暴利業績從交易大廳升職到管理層的——比如Citi的前任CEO Pandit和摩根斯坦利的前任John Mack。
這也造成了，為什麼很多高盛離職的自營交易員在金融危機後，當銀行不能做自營交易後出來自立門戶開設對沖基金，卻完全無法復制當年的業績——因為他們是因為整個組織的強大而獲得超額收益，當失去了資金優勢和信息優勢後，一切都成為了浮雲。
2008年，准確說是2009年後，一切都變了。
首先是政府明令規定自營交易不讓幹了，於是各種投行旗下的基金，放入資管部的放入資管部（比如Goldman Sachs Global Alpha進入GSAM），獨立營業的獨立營業（比如PDT從摩根斯坦利分離），要不直接就關門大吉了（比如UBS、德銀）。
還有一些碩果僅存的，一般是在股票交易部門，打著對沖為名，通過會計手法，維持著極小的自營規模，這種類似的團隊很多投行都有。但是不成氣候了，也不會造成任何系統性的風險——當然，各種馬路傳奇故事也銷聲匿跡了。
銀行內部還有沒有量化交易了，其實還有——那就是隨著計算機技術進步的自動化做市交易。做市在國內這個概念剛剛出現——因為期權做市商制度的引入。但是在美國這個是從華爾街開始就有的交易體系了。簡單來說，就是假設你經營一家買可樂的小店，你有兩個主要的交易——一是從總經銷商那裡拿貨，用的價格是Bid，二是分銷給街邊下象棋和夕陽下奔跑的孩子們，這是Ask。Bid是你的進價，Ask是你的出貨價格，Bid一般小於Ask（除非你是搞慈善的）。你持續的維持報出這兩個價格，同時根據你的存貨來調整報價或者對應報價的數量——比如你的存貨太多，大爺不出來下象棋了，你就降低Bid，這樣很難進到貨了，而保持Ask，等待有人來消耗你的庫存。
這個過程就是基本的做市商交易流程，在金融中，由於沒有實際的總經銷商供貨，你的報價（Bid-Ask）是基於你對於對應資產的Fair Price的估計來決定的，通常是你算出來的均衡價格加減一個值構造成Bid-Ask組合。在很長的時間內，這個報價都是靠人來完成，這個過程是枯燥的，而且很容易出錯——而對於期權類產品（非線性價格）也很難快速報價。我之前和期權交易員合作過很長時間，他們的工作不一定智力上很難，但是對於人得耐力絕對是一種挑戰——因為在開市後他們要注意力高度集中的報價，一quote兩quote，一quote兩quote，似爪牙，似魔鬼的步伐，報價，報價，在這交易大廳報價... ...
於是，從簡單的資產起，從交易所級別開始支持API交易了。什麼是簡單的資產，就是Vanilla類別的，比如個股、指數、外匯、國債等等。因此投行由於本來就是大量資產的做市商，開始把原來這套過程通過計算機來完成。後面大家發現計算機是完美勝任這項工作的，因為計算機能夠高速計算庫存來調整報價，還能報出很多復雜的單類型。因此從2000年開始個股、指數開始逐步被自動化做市來包攬，2005年後個股期權自動化做市大熱，而2008年後外匯自動化做市也相當成熟了，2010年開始國債自動化做市也在美國興起——這也是我目前在工作的內容。
那麼對沖基金呢，除了傳統的量化Alpha，他們難道不能也做這個業務嗎？實際上，很多對沖基金的自動化做市業務比投行還要好——比如Citadel，比如KCG。但是區別何在？區別在於兩點，第一是很多對沖基金不是專屬做市商（Designated market maker）。DMM的特權是其有專屬席位——在美國這樣高度商業化的國家，DMM也是非常稀有的。原因在於，DMM是有責任的，那就是在各種大型金融危機中，當流動性極差的時候，DMM還是要持續的報價，一quote兩quote，一quote兩quote，似爪牙，似魔鬼的步伐... ... 在流動很差的時候這是非常危險的，因為大家丟給你的都是不好的資產，比如大跌的時候，都在賣，你的Bid反復被Hit，然後又沒人來hit你的Ask，浮動虧損可以非常大。那麼DMM的特權呢，DMM可以獲得非常高比例的rebate，也就是說，傭金返點非常高。這是對於其承擔的義務的回報。
第二就是絕大多是對沖基金不是Broker，也是你一般想買股票不會去找他們報價。在外匯和債券這類市場中，有兩級市場，一個是B2C市場，也就是零售市場，裡面基本都是Broker-Client，而第二級就是B2B市場，都是Broker-Broker。一般來說，B2B市場的Bid Ask Spread要低一些。一個形象的例子就是，我小時候去批發書的商店買書，一個商店有本習題集沒有，於是老闆去隔壁家拿了一本，賣給我，最後肯定這個老闆要把一部分價格還給隔壁家，我付的價格和老闆付給隔壁家的價格就是B2C到B2B市場的差價。
這里投行又耍流氓了，他們有著B2C市場的接入優勢，因此只要客戶量夠大，基本都能把自動化做市實現盈利——因為根據大數法則，一定時間內，買賣雙方的交易量應該是均衡的。
那麼對沖基金靠什麼——靠更好的策略。對沖基金如果要做高頻做市的，基本在B2B市場參與，他們不是DMM，但是也自己去報價，然後靠著對於價格走向的准確判斷，來調整報價，實現拿到多數對自己有利的單，或者持有更久符合預測方向的單，來達到盈利。這種不是DMM卻自發去做做市商的行為，叫做Open Market Making。
Citadel是期權自動化做市的王者，頂峰時期一年的利潤可以到1 Billion（2009），而整個市場那年的利潤也就是7 Billion左右。因此如果策略逆天，沒有客戶流，也能靠做市賺錢的。
此外，做市業務之外，對沖基金還多了很多機會。因為很多業務銀行做起來不劃算——比如商品。考慮一個金融類公司，不能光討論交易策略，宏觀上你一定要思考資金成本等問題，這才是投資之道在投資之外。商品這些之前銀行幹了很多壞事的業務（詳細參加高盛的銅交易和JP的風電交易）都被監管方克以了極高的資本罰金。這是Basel III裡面的規定，也就是你拿著1元的股票和1元的監管資產過夜受到的處罰是完全不同的，具體演算法參見Basel對於RWA（Risk Weighted Asset）計算的細則。這一系列監管，造成了對沖基金有了大量的新業務——因為投行退出。而大量銀行的人才也流向了對沖基金。
現在門徑這么清晰，那麼投行和對沖基金做量化交易的工作差別就很明顯了——投行主要以自動化做市為中心的高頻信號、客戶流分析、報價博弈論等研究為主。而對沖基金主要是傳統的量化Alpha、量化資產配置為主——當然還有公開市場自動化做市了。
希望可以幫助到你，祝投資愉快！