Ⅰ P Quant 和 Q Quant 到底哪个是未来
q quant来自于q
measure，也就是风险中性测度。资产定价理论中最基本的原理，就是风险中性测度对应着无套利，无套利对应着可以完美对冲各种风险。所以q
quant主要是协助structuring desk和exotic trading desk来做衍生品定价。银行卖那些复杂的衍生品是为了赚手续费（1%左右），并不是与客户对赌。在q quant的协助下，银行把衍生品卖出去，对冲掉所有风险，收客户一笔手续费，这才是sell-side最本职的工作。
而
p quant来自于physical prob
measure，也就是“预测未来走势”，常见于买方和卖方的自营交易部。所谓预测未来走势，无非就是寻找under-priced
risks/over-priced risks（不好意思不会翻译），也就是所谓的“找alpha”，因此p quant也叫alpha quant。
所以，
q quant做的是“如何不承担风险”。
p quant做的是“承担哪些风险”。
这两类quant的界限其实可以很不明显。举个例子，volatility trading做的就是对冲掉股票价格风险（q measure），预测未来波动率走势（p measure）。
哪
类quant更有前途，要的是经济周期。所谓“乱世买黄金，盛世兴收藏”。那些奇奇怪怪的衍生品，由于收益率高，在市场流动性过剩的时候会很受欢迎，所以
前段时间银行们招了不少structured proct pricing quant。而p
quant的表现，通过量化投资的对冲基金的收益率就可以看出来（去年不太好）。
不过，q quant是cost centre，p quant是profit centre，这也就意味着两者的待遇必然不同。
Ⅱ 如何使用join quant 里的策略源码进行选股
Motivation
其实同一级别拆开来看，市场的状态无非就是两种，趋势和震荡。我们怎么在股票中赚钱呢？答：上涨趋势的时候死死拿着，震荡行情中高抛低吸，下跌趋势趁早收手。听上去好像不难？那为啥大家都不赚钱？
难点在于，你分不清当前是震荡还是趋势。没骗你，没说笑。真不好分，无数前人已经试过了。100%的分开是不可能的，能的话全市场的钱都是你的。比如今天突破了，你怎么知道明天是接着上涨呢？还是一棍子跌回去了？
所以，我们就换一种思路，从概率的视角下看待问题。只要发出趋势成立的信号，我就按照未来是趋势的假设来操作，跌破了，我就止损，到了合适的点位，我就止盈。那么只要上述信号带来的收益期望值大于0，我认为这些操作是会赚钱的。
动量效应（Momentum effect）呢，是捕捉趋势的一种方法论，一般又称“惯性效应”，由Jegadeesh和Titman（1993）提出。他们认为，股票的收益率有延续原来的运动方向的趋势，即过去一段时间收益率较高的股票，在未来依旧会取得高于平均的收益率。通俗说，今天涨了，明天大概率会接着涨，强者恒强嘛。
根据这种假设，我们构建的策略就叫动量策略。
Ⅲ quant是做什么的
quant的意思就是量化，所谓量化一般是用于外汇、期货、股票等投资行业的专用术语！量化就是软件自动操作的简称！！
Ⅳ 风险管理 和 Quant 的区别是什么
广义上讲一切金融活动的实质都是风险控制和管理，其核心总离不开回报与风险的平 。对于front office，risk几乎就是敏感度（sensitivities 也就是各种Greek letters,如delta, gamma,ration）等等的代名词。. 现在通常所说的风险管理，大体上分这么两大块：
1. Risk limit. 比如上面所说的Greek letters,还有VaR,以及各种exposure limit,这些风控度量主要是用来定量限制交易员的风险额度，防止他们take过大的风险头寸，超过了就要hedge。
2. Capital,也就是资本，包括经济资本和以贝塞尔协议为基准的监管资本。通常是通过对资产组合价值变化分布的场景模拟或统计解析，计算在一定置信度下分布的尾部统计量，最简单的例子就是Value-at-Risk. 根据风险因子的来源，可分为市场风险资本，信用风险资本，以及操作风险资本等等。
还有一些类型介于二者之间，如对手风险，既有资本的成份（如巴三协议的CVA RWA），又有交易对冲的成份。
总的来说和传统的Front Office相比,更注重统计和数据分析。基于portfolio的风险分析也较衍生品定价更强调宏观的直觉把握，这非常类型于科学中的宏观系统（生物/社会系统）与微观系统（分子，原子/个人）的差别。尺度不同，视角不同， 分析方法也不同。
补充一下，有人说risk quant是P-quant,个人感觉是P/Q混合。比如用蒙特卡罗计算资产组合的价值分布，其中对风险因子的模拟一般在P-measure下，而用模拟的风险因子来计算portfolio 中每个资产的价值则一般都是基于无风险套利的Q-measure. 这种混用的情形在银行里十分常见。
Ⅳ quant是什么意思
quant畅通词汇
英 [kwænt] 美 [kwænt]
n. 船桨；数量分析专家
v. 用篙撑
I have quant of happiness and wisdom.
我有快乐和智慧的桨。
The boat is equipped with handles, safe pulling rope, draw ring, quant and other relevant accessories.
船上设有把手、安全拉绳、牵引环、船桨等相关配件。
In the quant, only one inspection lot can be recorded.
在份中，只能记录一个检验批。
( Quant, Long/ Short, Global Macro, etc*)
（量化基金，做多／做空基金，全球宏观型基金等）
Ⅵ 在中国，做量化交易一天的工作是怎样的
做量化交易一天的工作：
8:00~9:00： 打开交易策略，设置一些运营参数
9:00~9:30： 观察策略运转，确保没有问题
9:30~15:30: 解决已有策略的问题并研究新策略，测试新想法
15:30~17:00: 分析交易记录， 确定第二天的交易计划
17:00~18:00: 运动
岗位职责：
分析金融市场（期货、股票等）数据，寻找可利用的机会；开发与维护量化交易策略；提供机器学习/数据挖掘相应的技术支持；
岗位要求：
1.熟练计算机编程能力，熟练掌握至少一门编程语言，python优先；
理工科背景，具有良好的数理统计、数据挖掘等相关知识储备，熟悉机器学习方法（分析科学问题和相应数据，建立模型和方法，验证模型和方法，应用模型和方法并分析结果，改进模型和方法）；
有处理分析大量数据的经验，并能熟练选择和应用数据挖掘和机器学习方法解决科研和工作中的实际问题；良好的自我学习和快速 学习能力，有工作激情，喜欢金融行业；两年及以上实验室研究经验或研发类工作经验优先；
(6)quant分析股票扩展阅读
量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，
极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
Ⅶ Quant 这个职业在国内的前景怎样
quant的工作就是设计并实现金融的数学模型（主要采用计算机编程），包括衍生品定价，风险估价或预测市场行为等。
所以quant更多可看为工程师，按中国的习惯性分类方法就是理工类人才，而不是文科人才，这个和金融有一定的区别（当然金融也有很多理工的内容）。
工作岗位
a.商业银行(汇丰银行,花旗银行)
商业银行对你要求少,也给的少. 工作会比较稳定.
b.投行(高盛,摩根士丹利)
投行需要大量的工作时间但工资很高. 不是很稳定的工作.
总的来说,美国的银行收入比欧洲银行高,但工作时间更长
c.对冲基金 (Citadel Group)
对冲基金需要大量的工作时间和内容,他们也处在高速发展同时不稳定的情况中. 你可能会得到大量的回报,也可能几个月后就被开除.
d.会计公司
大型会计公司会有自己的顾问quant团队. 有些还会送他们的员工去Oxford读Master. 主要的劣势在于你远离具体的行为和决策,而且厉害的人更愿意去银行,所以你比较难找到人请教.
e.软件公司
外包quant模型变得越来越流行. 所以你去软件公司也是一个选择. 劣势和会计公司比较类似.
Ⅷ 为什么金融工程师叫 quant
写这篇文章主要是因为现在很多本科生对金融工程都很有兴趣，但具体怎么一回事却不甚了解，有的甚至把他与金融和经济混淆一谈。所以这篇文章也算是给所有对这个行业有兴趣的朋友一个参考吧。
1.quant是做什么的？
quant的工作就是设计并实现金融的数学模型（主要采用计算机编程），包括衍生物定价，风险估价或预测市场行为等。所以quant更多可看为工程师，按中国的习惯性分类方法就是理工类人才，而不是文科人才，这个和金融有一定的区别(当然金融也有很多理工的内容)。
2.有哪几种quant？
a. desk quant
desk quant 开发直接被交易员使用的价格模型. 优势是接近交易中所遇到的money和机会. 劣势是压力很大.
b. Model validating quant
model validating quant 独立开发价格模型,不过是为了确定desk quant开发的模型的正确性. 优势是更轻松,压力比较小. 劣势是这种小组会比较没有作为而且远离money.
c. Research quant
Research quant 尝试发明新的价格公式和模型,有时还会执行blue-sky research(不太清楚是什么). 优势是比较有趣(对喜欢这些人来说),而且你学到很多东西. 劣势是有时会比较难证明有你这个人存在(跟科学家一样,没有什么大的成果就没人注意你)
d. quant developer
其实就是名字被美化的程序员,但收入很不错而且很容易找到工作. 这种工作变化很大. 它可能是一直在写代码,或者调试其他人的大型系统.
e. Statistical arbitrage quant
Statistical arbitrage quant 在数据中寻找自动交易系统的模式(就是套利系统). 这种技术比起衍生物定价的技术有很大的不同, 它主要用在对冲基金里. 而且这种位置的回报是极不稳定的.
d. capital quant
capital quant 建立银行的信用和资本模型. 相比衍生物定价相关的工作,它没有那么吸引人,但是随着巴塞尔II银行协议的到来,它变的越来越重要. 你会得到不错的收入(但不会很多),更少的压力和更少的工作时间.
人们投资金融行业就是为了赚钱, 如果你想获得更多的收入,你就要更靠近那些钱的"生产"的地方. 这会产生一种接近钱的看不起那些离得比较远的人的现象. 作为一个基本原则, 靠近钱比远离钱要来得容易.
3.quant工作的领域
a.FX
FX就是外汇交易的简写. 合同趋向于短期,大量的金额和简单的规定.所以重点在于很快速度的建立模型.
b.Equities
Equities的意思是股票和指数的期权. 技术偏向于偏微分方程(PDE). 它并不是一个特别大的市场.
c.Fixed income
Fixed income的意思是基于利息的衍生物. 这从市值上来说可能是最大的市场. 他用到的数学会更加复杂因为从根本上来说他是多维的. 技术上的技巧会用的很多. 他的收入比较高.
d.Credit derivatives
Credit derivatives是建立在那些公司债务还清上的衍生产品.他发展的非常快并有大量需求,所以也有很高的收入. 尽管如此,他表明了一些当前经济的泡沫因素.
e.Commodities
Commodities因为最近几年生活用品价格的普遍涨价,也成为一个发展迅速的领域.
f.Hybrids
Hybrids是多于一个市场的衍生物市场,典型情况是利息率加上一些其它东西.它主要的优势在于可以学到多种领域的知识.这也是当前非常流行的领域.
4.quant一般在哪些公司工作
a.商业银行 (HSBC, RBS)
商业银行对你要求少,也给的少. 工作会比较稳定.
b.投行 (高盛,Lehman Brothers)
投行需要大量的工作时间但工资很高. 不是很稳定的工作.
总的来说, 美国的银行收入比欧洲银行高,但工作时间更长
c.对冲基金 (Citadel Group)
对冲基金需要大量的工作时间和内容,他们也处在高速发展同时不稳定的情况中. 你可能会得到大量的回报,也可能几个月后就被开除.
d.会计公司
大型会计公司会有自己的顾问quant团队. 有些还会送他们的员工去Oxford读Master. 主要的劣势在于你远离具体的行为和决策,而且厉害的人更愿意去银行,所以你比较难找到人请教.
e.软件公司
外包quant模型变得越来越流行. 所以你去软件公司也是一个选择. 劣势和会计公司比较类似.
5.成为一个quant需要看哪些书?
现在有非常多的关于quant的书.基础书籍包括
- Hull - Options future and other derivatives. 这本书被称为bible. 缺点是这本书的内容主要面向MBA而不是quantitative专家
- Baxter and Rennie – 主要介绍一些手法和诀窍,但主要面向原理而不是实际操作.
- Wilmott (Derivatives) – 对PDE介绍的非常不错,但其他方面一般
推荐其他几本原作者的书(广告啊...但的确很好,大牛来的)
- The concepts and practice of mathematical finance
这本书的目标在于覆盖一个优秀quant应该知道的知识领域. 其中包括强列推荐你在应聘工作之前看的一些编程项目.
- C++ design patterns and derivatives pricing
这本书是为了告诉大家如何使用C++来做quant的工作.
随机微积分虽然在第一眼看上去不是很重要,但的确非常有用的. 我建议大家先看一些基本理论的书,类似Chung’s books. 一些这方面我推荐的书:
- Williams, Probability with martingales. 一本很容易让人了解account of discrete time martingale theory的书.
- Rogers and Williams, particularly Volume 1.
- Chung and Williams
6. 成为quant,我需要知道一些什么?
根据你想工作的地方不同,你需要学习的知识变化很大. 在写着篇文章的时间(1996),我会建议将我的书全部学会就可以了.很多人错误的把学习这些知识看作仅仅看书而已.你要做的是真正的学习,就像你在准备参加一个基于这些书内容的考试. 如果你对能在这个考试里拿A都没有信心的话,就不要去面试任何的工作.
面试官更在乎你对基本知识的了解是否透彻,而不是你懂得多少东西. 展示你对这个领域的兴趣也很重要. 你需要经常阅读Economist, FT 和Wall Street Journal. 面试会问到一些基本微积分或分析的问题,例如Log x的积分是什么. 问到类似Black-Scholes公式怎么得出的问题也是很正常的. 他们也会问到你的论文相关的问题.
面试同样也是让你选择公司的一个机会. 他们喜欢什么样的人,他们关心的是什么之类的答案可以从他们的问题中得出. 如果问了很多关于C++语法的问题,那么要小心选择除非那是你想做的工作. 一般来说, 一个PhD对得到quant的offer是必需的.
有一个金融数学的Master学位会让你在银行风险或交易支持方面却不是直接quant方面的工作. 银行业变得越来越需要数学知识,所以那些东西在银行的很多领域都有帮助.
在美国, 读了一个PhD之后再读一个Master变得越来越普遍. 在UK这依然比较少见.
8. 编程
所有类型的quant都在编程方面花费大量时间(多于一半).尽管如此,开发新的模型本身也是很有趣的一件事. 标准的实现方法是用C++. 一个想成为quant的人需要学习C++. 有些其他地方使用Matlab所以也是一个很有用的技能,但没C++那么重要. VBA也用的很多,但你可以在工作中掌握它.
10. 收入
一个quant能赚多少? 一个没有经验的quant每年大概会挣到35000-50000磅. 我所见过最低的是25000,最高的是60000加奖金. 如果你的工资超出这个范围,你要问自己why? 收入会迅速的增长. 奖金也是总收入中一个很大的组成部分. 不要太在乎开始的工资是多少,而是看重这个工作的发展机会和学习的机会.
11. 工作时间
一个quant工作的时间变化很大. 在RBS我们8:30上班,6pm下班. 压力也是变化很大的, 一些美国银行希望你工作时间更长. 在伦敦有5-6个星期的假期. 而在美国2-3个是正常的.
Ⅸ 什么是quant analysis
是定量分析的意思。
这里quant是quantitative的意思。
A quantitative analyst（定量分析家） or, in financial jargon（用行话说）, a quant（金融工程师） is a person who specializes in（专攻） the application（应用） of mathematical （数理的）and statistical methods（统计分析方法）
– such as （例如研究）numerical（数值的）or quantitative(数量的) 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 应该学习哪些 Python 知识
Python是非常适合做quant类工作的语言，本身就是科学计算方面的统治级语言，现在加入了IPython，pandas等重量级神器，为Quant类工作量身定做，而且仍在飞速发展中，以后会越来越重要。
关于其他语言，首先介绍一下我自己最喜欢的一个比较小众的组合，Mathematica+Java/Scala。
Mathematica的优点在于：本身提供函数式的编程语言，表达能力非常强大，比如Map/Rece是标配，很多时候不需要去做烦人的for循环或下标控制，排版经常可以直接照数学公式原样输入，即直观又不容易写错；代码和输出混排的排版方式使得建模时的演算和推理过程非常流畅，甚至还可以直接生成动画，对于找直观理解非常有帮助（这几点分别被IPython和R偷师了一部分）。Mathematica的缺点在于对金融类的时间序列数据没有很好的内建支持，使得存储和计算都会比较低效，因此需要用内嵌Java的方式来补足，对于数据格式或性能敏感的操作都可以用Java/Scala实现。这个组合在我心目中无出其右，不论是快速建模，还是建模转生产，都远远领先于其他选择。但Mathematica的商用授权很贵，如果公司本身不认可的话很难得到支持，这是最致命的缺陷。另外随着Python系的逐渐成熟，领先优势在逐渐缩小，长远看Python的势头更好一些。
其他答案里也列举了不少其他语言，我自己既做Quant的工作，也做软件开发的工作，这里想从一个软件工程师的角度，说说我的理解。平时工作中会和一些偏Quant背景的人合作，很容易发现建模能力好的人往往在计算机方面基础比较薄弱（因为以前的训练重点不在这里）。他们也可以快速学习掌握一种像C++，Java这样的语言，实现很多必要的功能。但是一方面这些语言陡峭的学习曲线和繁琐的开发步骤会给他们真正要做的工作增加不必要的负担，另一方面一旦涉及到性能敏感的情景，他们对计算机体系结构缺乏理解的缺点就容易暴露，比如说很可能他们没有计算复杂度，内存碎片，cache
miss，甚至多线程等概念，导致写出的程序存在相当大的隐患。
即使是计算机功底扎实，如果每天的工作需要在C++，Python，R/Matlab，甚至一众脚本语言之前来回切换，思维负担也会非常重，人的精力是有限的，很难同时兼顾数学建模和底层代码调试这种差距巨大的工作。长期发展下去最可能的结果就是要么远离建模，专心做生产环境开发，要么远离生产环境，专心建模。这种局面显然不论对个人还是团队都是有很大弊端的。
如果深入思考这个问题，相信不难得出结论，对于Quant来说，C++这种相当面向机器的语言肯定不是最佳选择。的确在历史上，它比更面向机器的C已经友好了很多，但是在计算机技术飞速发展的今天，如果还需要Quant大量使用C++做建模类的工作显然是很遗憾的事情。设想一下你拿到一份股票数据，不论你是想分析价格走势，成交量分布，还是波动性，第一件要做的事一定是画出图来看看，有一个直观认识。如果你的工具是C++，肯定有很多时间花在编译，调试，再编译的过程上，好容易能解析文件了，接下来怎么算移动平均？怎么算波动性？全都要自己写代码。再然后怎么画图？这整个工作流简直惨不忍睹，这些问题浪费掉你大部分精力，而他们全部和你真正感兴趣的工作毫无关系。所以如果你是一个数理金融等背景的新人打算开始Quant生涯，在决定是否要投资到这项重量级技术上时需要慎重，即便它目前的市场定价可能仍在峰值。相比之下我认为Python会是更理想的选择，即能很好的完成建模工作，也可以训练一定的编程技巧，使你在必要时也能胜任一些简单的C++工作。