㈠ 在中国，量化交易员每天要做什么样的工作
随着量化投资的概念在国内逐渐流行，量化交易员这个听起来神秘又高大上的职业也逐渐走入人们的视野。量化交易员平常的工作其实没有固定的模式，但总结下来大都包括: 现有策略的管理维护，看盘（通常开N个窗口，大都是定制化的各种彩色表格、图、列表和滚动新闻的组合）以及查看策略有没有乱发单，开发新的策略，每日进行盘后处理，统计委托、持仓、波动率、滑点等等，这些工作听起来琐碎且机械，但真正开发出所谓的印钞机达到躺赢的境界可谓少之又少，大部分人仍然需要不断学习并且经历各种市场的考验：
1、灵感，在市场上策略逐渐趋同、逐渐失效的过程中是很重要的，自己绞尽脑汁更新了好几个版本的新策略回测时各种指标竟然远不如行业内正火热的几个“经典策略”，市场总是公平而又残酷的。
2、心理，投资讲求的是心理战，对于量化交易员来说，程序化交易的方式可以避免一部分人性的因素，但是否干预、何时干预模型（尤其是模型并不完备）一直是一个长期困扰交易员的问题
3、不确定性，个人认为，量化交易者同时也需要结合一些基本面，尤其是在国内金融市场信息不对称、噪声大以及监管因素变化下能够从市场调研中获得有效信息以减少不确定性是相当重要的。
㈡ 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；
(2)股票如何做量化交易员扩展阅读
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。
㈢ 量化程序化交易员程序员 这个是什么压力大吗
量化交易也叫程序化交易，是国内证券交易、期货交易快速发展的交易方式，欧美市场上60%-70%的证券、期货交易时通过程序化完成的。程序化交易讲究团队运营，资产管理公司一般设置策略研究员、量化交易程序员、交易员、风控等岗位。量化交易程序员的主要职责就是把策略研究员的交易逻辑、交易思想用计算机语言编程。编程完成以后还要做测试以及参数修改等工作。程序员最基本的要求你要懂得最常见的计算机语言，如C++,Python,最好懂AutoIt、MATLAB、R语言。程序化交易员对计算机语言的要求不太高，但是要有证券交易经验，会看K线图，懂得基本的技术分析理论、技术指标，这些是必须的。很多公司的程序化交易也不是完全计算机执行的，你需要懂得在什么样的市场行情使用怎样的交易策略，当一套策略系统一段时间运行表现不佳的时候要会分析市场机构的变化。正规的资产管理公司很少会聘期完全没有交易经验的交易员，不会聘请不懂计算机语言的程序员。如果你符合如上说的条件可以去应聘。至于压力，要比主观交易的操盘手要轻得多，是否加班主要取决于该公司投资的产品是国内还是境外的市场，如果是国内证券、期货产品，比较少加班吧，境外市场会有人上夜班。非交易时间外的加班，这得看工作需要与企业文化啦。不知我这样回答你清楚吗？
㈣ 如何成为一名量化交易员
量化交易是量化金融行业中最为尖端的一个领域，不论你是希望通过面试还是构建自己的交易策略，都会花费大量的时间与精力学习相关的知识。不仅如此，你还需要过关的编程技术，至少需要精通一门高级编程语言(如MATLAB、R或Python)，而且伴随着高频交易策略的日益盛行，技术层面对于策略执行效果越来越至关重要，精通C/C 也许是最佳的选择。
㈤ 量化交易如何入门要学习多长时间
很好入门，多学多看。
学习量化交易，一定要理解它的风险性从何而来。
首先是一二级市场“级差”风险，其次是交易员操作风险，最后是系统软件的风险。
第二种风险是交易员操作失误。这同时也牵扯到第三种风险，系统软件风险，每个交易员在系统中都有相应的交易权限，包括数量、金额。
有个业内资深人士带路会事半功倍，尤其对金融爱好者而言，一些理解上的细微偏差，都可能导致整体概念上的错误认识。
比如我就是通过资深人士带着入门的。除了学习量化收益，还学了很多投资理财方面的知识，有各种理财偏好，每个群体对应了不同的投资类型……推敲过后，我选择了无界财富，因为他们风控模式可以看出，比如国有金融机构风控、银行存管这些，比较稳健的方式。
所以说，他不仅是学我习量化交易的前辈，还是我理财的入门引导人，他多次提醒我们不要盲目跟风，以自己的风险承担能力来选择。如果偏好稳健的方式，同样可以选择无界财富这类稳健平台作为入门。
㈥ 量化交易员一天的工作是怎样的
看你是人工量化还是程序量化。人工量化其实就是下单员，根据总结出来的逻辑和思路，买卖点，到了点位就要下单，可能对手速和反应要求比较高。程序量化交易员一般需要懂得编程，写好程序交给电脑运行，人盯着就可以了。
㈦ 股票量化交易系统有用吗
股市是一门经济学，哲学，概率学，心理学的综合体，想要成功，需要不断去感悟去总结每一次的失败，这样才能走的更好更远。
第一个理念：
顺势而为
股市的大趋势决定个股的走势，当指数大涨时个股更容易爆发，这个时候适合重仓介入，当然要注意获利就出;当市场处于弱势时，就要考虑轻仓介入，不盲目追涨。
第二个理念：
选定有价值的公司
在投资中，选定有价值的公司很重要，因为这些公司有很强的上涨潜力，一旦市场有好的信号，或者公司有大利好时，股价就会飞速上涨，所以这样的公司更容易让普通股民赚到钱。
第三个理念：
分批建仓 坚持到底
在投资中，投资者要住的是要做好投资策略，一般的策略就是分批建仓，在市场下跌时以倒金字塔形态建仓，在市场上涨时，以金字塔形态减仓。如果股票短期被套，市场情况还可以的话，则要选择坚持持仓。
天字一号量化交易系统通过设定不同的各种指标条件，一旦市场交易情况满足这些条件时就自动弹出一些操作指示；设定值达到开仓条件，系统会弹出买入信号、设定值达到减仓条件卖出一半或者全部卖出等。
㈧ 量化交易员是策略研发要求高还是交易要求高
在整个量化交易策略的研发流程当中，买和卖是最为基本的量化交易策略组成部分，而这个部分的设定主要与收益情况相关。这里所说的相关，具体分为两种不同的情形，一种是总体的关联性，即基于买点、卖点的选择，买卖策略应该得到一个正的整体收益。另一种则来自于对交易资产未来收益的判断、或者说预测，即判断交易资产的未来收益为正时，就买入资产；判断交易资产的未来收益为负时，则卖出或卖空资产。实际操作中，这两种关联关系的情况可能更为复杂一些。有的时候，买和卖的具体操作也可能受到风险方面设置的影响，例如为了限制单次交易的最大损失而采取止损之类的操作时，用于清仓的买卖设置就会相应的变动，这也是作者将风险和买卖用虚线相连的原因。不过在大部分情况下，买卖这一最为基本的组成部分还是与收益的关系最大，研究者也应该在研发这一个组成部分时，着重考虑收益情况的具体影响。
对量化交易策略风险的控制可能会影响到量化交易策略中的买卖设置，但是在更普遍的情况下，风险这一因素主要影响的是交易仓位的设置。当然，前提条件还是需要买卖策略的总体收益为正，在这样的条件下再结合仓位的设置，才能够在合适的风险水平下取得达到要求的收益。通过对交易资产具体仓位的调整，交易者可以比较直接的控制单次交易以及整个交易策略的风险水平。例如在满仓交易的情况下，定量的判断了当前交易的风险之后，觉得风险过大无法承受，那么最为直接的处理方法就是在满仓的基础上相应的降低仓位的大小。在仓位降低之后，对于整体资金而言风险也就随之降低了。由于仓位本身具有量化、直观的特性，因此当交易者希望将风险处理到一个特定的水平时，调整仓位是一个比较方便的手段。
需要说明的是，前面已经提到了买和卖是量化交易策略最为基本的组成部分，实际上仓位的设定是根据买卖决策和风险两个因素共同形成的，不建立在买卖之上的仓位选择是空洞没有意义的。此外还有一个更为极端的情况，仓位的正确设定有助于进一步优化策略的整体收益，之后要介绍的凯利公式的意义正在于此。在图1中由买卖到仓位的箭头，实际上可以看作是收益、买卖这一个整体部分指向仓位的箭头。不过在实际使用中，凯利公式所导出的仓位设定往往过于偏激，超过正常风险控制下的最高仓位值，因此仓位仍然与风险的关系更为紧密。
在图1这个较为松散的量化交易策略研发流程中，交易成本是和买卖以及仓位具有同等地位的组成部分。在实际操作中，就是首先基于对收益和风险的判断得出合适的买卖和仓位选择，然后在买卖和仓位共同组成的量化交易策略当中考虑交易成本，也就是在建立仓位和退出仓位等操作中扣除所需要承担的交易成本。随后再次判断该量化交易策略所代表的收益和风险情况，只有这两个因素仍然在接受范围之内，才能确认这是一个可行的量化交易策略。虽然最后用来执行的组成部分只有买卖和仓位，但是交易成本作为对量化交易策略的一个实际化修正，也是策略研发流程中一个不可或缺的组成部分。
上面提到的对量化交易策略收益和风险情况的判断，实际上是一个综合性的评价问题。一个最为重要的参考依据应该是策略在整个交易过程中的净值走势，通过对策略净值走势的分析，就可以建立起该量化交易策略运行情况的全面判断。但是净值走势本身由于细节过多，因此无法简单的用来进行策略之间的横向对比。这时就需要精炼净值走势中所包含的信息，选取合适的部分形成量化的评价指标，从而进行量化交易策略的进一步判定。就作者看来，评判一个策略的标准中最重要的仍然是策略在整个交易过程下的收益情况，一个负收益的量化交易策略根本无需考虑其风险即可排除。而当收益为正时，再结合风险的度量进行具体的取舍，就可以直观的给出量化交易策略是否合格的评判标准了。作者心目中最重要的风险指标是策略净值的回撤水平，在后面的案例分析中也会重点查看回撤的结果。
于此同时，一些量化交易策略在进行收益和风险情况的判断时，仅仅针对策略自身的净值走势进行研究是不够的，给出一个合理的基准来进行对比往往是更为有效的判别方法。例如后面的案例中会涉及到的量化选股策略，当交易选择仅限为对具体的股票进行持仓，而不考虑空仓或者卖空时，选取一个特定的基准进行对比就会是一个更为有效的判别方法。这主要是由于量化选股策略的仓位始终为多头，因此不论如何配置，策略所持仓位都含有资本资产定价模型中所提到的市场成分。而选股策略本身的意义在于选择更好的股票、不在于获取市场收益，因此将市场走势作为对比、或者在策略收益中剔除掉市场成分就是一个更合理的做法。
上述所有的操作，都需要建立在对历史数据的分析之上，在量化交易领域当中一般称之为回溯测试，或者简称回测。所谓回溯，也就是将交易的过程在历史数据上复现一遍，这里面包含了一个假设，即历史数据在量化交易策略中展现出的样本特征在未来的交易中依然存在，否则回溯测试就失去了意义。关于这一假设的分析其实在诸多技术分析著作中均有涉及，一般被称为“历史会重演”，这里不再继续展开。不同于传统技术分析的是，量化交易策略的研发过程更加深入具体，在涉及到策略的参数设定、模型设置等具体问题时，需要采用数量化的方法、也就是最优化等技术手段进行解决。例如如何设置买点和卖点可以使得相应的总体收益最大等等，都是很典型的最优化数学问题，那么找到合适的最优化技术和算法并加以应用，就能够确定量化交易策略的最终形式，用以进行实际交易。
图1中所展示的是一个较为松散的一般性框架，用来总领性的说明量化交易策略的基本研发流程。在具体的策略研发过程中，这个框架经常会因为具体研发设置和策略设置的不同而产生变化。例如当量化交易策略的主要作用不是在时间轴上选择具体的买卖时点，而是在同一个时间点上对多个资产进行选择和配置时，图1中的一些说明就显得有些含混不清。量化选股策略就是这一类策略中最为常见的形式，因此这里在整体框架不变动的情况下，针对图1进行了文字上的调整，用以说明量化选股策略的运行框架与研发流程。当然，使用选股策略的框架体系来处理多个资产甚至多个策略的挑选、配置也是可以的，在不复杂的情况下只需要稍作联想即可。
买卖和仓位虽然是更为通用的说法，但是更适合于描述择时策略，放在选股策略的研发框架中会显得比较突兀，因此图2将买卖换成了选股，仓位则换成了配比，这样更容易让读者领会该研发流程的含义。实际上，对于每一期的选股而言，如果选择了原先没有仓位的股票，那么对应的操作就是买入该股票，如果已经建仓的股票没有被选入这一期的股票池，那么对应的操作就是卖出该股票。而配比则是在买卖的基础上，通过仓位大小的变化来实现具体配置。因此，选股和配比实际上可以算作是买卖和仓位选择的特殊情况，只是这种说法更为贴合量化选股策略本身。
略有不同的，是风险在量化选股策略研发流程中的具体含义。由于选股策略的仓位操作涉及到多个股票之间的配比问题，因此这里的风险不仅包括单支股票的风险，也涉及到多支股票之间的风险程度，后一种风险一般采用股票收益之间的相关性来进行描述。例如在一般性的最优投资组合理论当中，经常使用协方差矩阵来刻画整个资产组合的风险水平。虽然从实际情况来看，相关性这一度量方式与风险的直观感受之间有一定的差距，但是在多资产环境下，一般都将资产间的相关性视为风险的来源之一，这是一个偏学术的、约定俗成的做法。
上面的例子是针对选股策略进行的文字上的变动，实际上量化交易策略研发流程的变化更多来自于各个研发组成部分不同的结合方式。而不同的结合方式，对应的是策略研发过程中不同的目标和需求。例如图1所介绍的松散的研发流程，是在确定好买卖行为和仓位设定之后，再针对实际交易中所产生的交易成本进行二次测试。这样的做法虽然简便易行，但是忽视了交易成本本身对于收益的影响，以及更进一步对于买点和卖点的影响。因此，在确定买卖设置的步骤中就考虑交易成本的影响，应该是一个更贴近于实际的研究框架。图3给出了相应的流程刻画，如图所示，在判断收益因素时，同时考虑交易成本对于收益的影响，从而优化出更为实际的买卖设置。再根据相应的风险控制，结合买卖点的选择，得出最后的仓位设置。在确定了买卖和仓位这两个部分之后，就获得了一个完整的量化交易策略。
图4给出了一个更紧凑、更贴合实际操作的量化交易策略研发流程。在该流程中，买卖和仓位的设置是同时作为参数进行优化的，优化的目标函数也进行了唯一化，即量化交易策略的风险调整后收益。而在确定需要优化的目标函数时，交易成本也如同上一个研发流程一样同时被考虑进去，从而保证买卖和仓位优化结果的准确性。毫无疑问，相较于上面所涉及到的研发流程、特别是图1中较为松散的研发流程，该量化交易策略研发流程的各个组成部分更为紧密，因此在优化过程中所产生的与实际操作的偏离也就越小，买卖和仓位设置的准确度也就更高。但是在实际工作中，如果想参照这一流程进行研发，那么就需要比较强的计算能力，数据量的大小也要达到一定要求，同时优化方法和目标函数的设定要能够同时覆盖买卖和仓位的所有参数，因此往往也只有极为简单的策略思路可以采用这样的流程框架进行研发。
在实际的量化交易策略相关工作中，研发只是整个工作流程的一部分，还有两个组成部分需要着重强调。基于此，图5在图1所示的研发流程的基础上给出了一个更为完整的工作流程。如图所示，需要增加的部分包括处于研发过程之前的数据准备工作以及处于研发过程之后的策略执行工作。这两项工作与前面所论述的研发流程具有很强的逻辑关联性与内在依赖性，三者结合起来形成的一个整体，基本上可以涵盖量化交易策略具体工作的绝大部分内容。
首先论述数据准备的工作，循着图5中的箭头可以看到，在量化交易策略的整体工作中，既要为研发过程准备相应的研究数据，也要为策略执行准备相应的实时数据。在研究数据方面，由于寻找合适的量化交易策略需要不断重复研发流程，因此对于数据的要求更偏重于准确性和覆盖能力。同时，对数据的清洗和转换也是一项重点工作，在大部分的数据科学研究、包括量化交易策略的研发当中，数据特征的合理抽取对于整体效果提升的重要性有时甚至要高于精巧的模型，当然很多时候数据的转换和模型的构造是相互融合的，针对具体情况应当采取具体的分析和处理。而在策略执行数据方面，则更应该关注于数据获取的及时性。至于数据的清洗和变换，只需要完全复制研发得到的量化交易策略下的数据准备工作即可。另外，为了保证数据的及时性，最终进行的数据清洗工作对时间消耗存在一定的要求。
然后讨论策略执行的工作。策略执行，是在量化交易策略研发完成之后，最终产出实际效能的组成部分。执行时应该遵循尽量贴近研发完成的量化交易策略的原则，与量化交易策略所确定的买卖、仓位等设置尽可能的保持一致，这样才能最真实的反映出前面量化交易策略的研发结果。同时，策略执行的结果也可以用来反向支持具体的研发流程，通过对策略执行所得到的收益、风险情况的判断，实时的重新进行研发，对量化交易策略进行修改，从而使得策略能够及时的得到现实的反馈，增强自身的稳健程度。值得一提的是，后面将要介绍的推进分析是一种模拟策略执行的回溯测试技术，读者可以在运行推进分析时有限度的了解到量化交易策略实际执行时的种种状态。
㈨ 股票量化是什么
股票量化即“量化交易”有两层含义：一是狭义的，指量化交易的内容，将交易条件转化为程序，自动下单；第二，广义上是指系统交易方式，是一个综合的交易系统。也就是说，根据一系列的交易条件，一个智能的辅助决策系统，将丰富的经验与交易条件相结合，在交易过程中管理风险控制。
通过量化交易制定策略的方法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。
具体如何理解股票量化交易，量化交易至少应该包括五个方面的要素：
(1)买入和卖出的信号系统。
(2)牛市还是熊市的方向指引，比如用200天移动平均线分辨熊市中系统风险的规避。
(3)头寸管理以及资金管理。
(4)风险控制，运用信号源来确定止损位置，利用资产曲线和权益曲线来加以判定和管理。
(5)投资组合，不一样的投资品种、不相同的交易系统(不同功能和参数，有快有慢)以及不相同时间周期组合，现分散组合，让交易账户波动更加稳定。以上就是关于如何理解股票量化交易的全部讲解。
量化投资和传统的定性投资本质上是一样的，都是建立在低效或弱有效市场的理论基础上。两者的区别在于：量化投资管理是“定性思维的定量应用”，更强调数据。
从量化交易的角度来看，目前国内多采用监督式机器学习。例如，我们将投资交易比作装配厂。手工交易就像工人手工完成的传统装配工作。量化交易就像把工厂改造成全自动装配车间。虽然在整个，组装过程中没有人的参与，但是设计师应该指定机器在顶级设计中应该在什么时候做什么。
㈩ 在投行内部做量化交易与独立出去做量化交易有何不同
这里我们只说量化交易，不讨论量化研究和量化定价这一块的业务。
量化交易是分两个阶段的。第一个阶段是2008年以前，或者说Dodd-Frank法案以前，投行内部林立着各样的很多对冲基金或者类对冲基金的实体，比如Morgan Stanley的PDT（Process Driven Trading）和高盛的Global Alpha，而很多投资银行的自营交易业务也很像对冲基金。在这一阶段，这些类对冲基金的实体和外面的对冲基金是没有啥区别的，业务很类似——赌方向、做部分对冲（Partial Hedging）、跨市场套利，也非常敢于承担风险。
当时在投行内做对冲基金类型的量化交易有着非常大的优势，因为两点——第一是银行有着非常良好的融资渠道，融资成本显著地低于当时的对冲基金，如果你尝试去组建过一个基金，你就知道资金成本对于一个对冲基金的影响多么大——巴菲特这么多年的成功是离不开长期1.6倍的财务杠杆和其低于中央银行存款准备金率的资金渠道的（详细内容参见AQR的论文——Buffet's Alpha）。 炒股需要经常总结，积累，时间长了就什么都会了。为了提升自身炒股经验，新手前期可以私募风云网那个直播平台去学习一下股票知识、操作技巧，对在今后股市中的赢利有一定的帮助。
第二是银行有着一个灰色的信息流——客户的交易记录。这个交易信息，就是今天，也是非常有用的内部消息。几周前Bill Gross从PIMCO离开时，所有投行的Sales都疯了，不停地研究之前PIMCO在自己银行的仓位，然后分析那些债券最有可能最先被清盘，从而给其它客户交易建议。而当年文艺复兴多次更迭合作的投行，就是因为其大奖章基金的交易记录得不到妥善的保密，很多合作银行的自营交易桌跟着交易。
这两个优势造成了当时的自营交易极其暴利，而且管理层为了做大业绩，全力支持明星交易员放大杠杆——而实际上，金融危机期间很多的CEO都是靠着自营交易的暴利业绩从交易大厅升职到管理层的——比如Citi的前任CEO Pandit和摩根斯坦利的前任John Mack。
这也造成了，为什么很多高盛离职的自营交易员在金融危机后，当银行不能做自营交易后出来自立门户开设对冲基金，却完全无法复制当年的业绩——因为他们是因为整个组织的强大而获得超额收益，当失去了资金优势和信息优势后，一切都成为了浮云。
2008年，准确说是2009年后，一切都变了。
首先是政府明令规定自营交易不让干了，于是各种投行旗下的基金，放入资管部的放入资管部（比如Goldman Sachs Global Alpha进入GSAM），独立营业的独立营业（比如PDT从摩根斯坦利分离），要不直接就关门大吉了（比如UBS、德银）。
还有一些硕果仅存的，一般是在股票交易部门，打着对冲为名，通过会计手法，维持着极小的自营规模，这种类似的团队很多投行都有。但是不成气候了，也不会造成任何系统性的风险——当然，各种马路传奇故事也销声匿迹了。
银行内部还有没有量化交易了，其实还有——那就是随着计算机技术进步的自动化做市交易。做市在国内这个概念刚刚出现——因为期权做市商制度的引入。但是在美国这个是从华尔街开始就有的交易体系了。简单来说，就是假设你经营一家买可乐的小店，你有两个主要的交易——一是从总经销商那里拿货，用的价格是Bid，二是分销给街边下象棋和夕阳下奔跑的孩子们，这是Ask。Bid是你的进价，Ask是你的出货价格，Bid一般小于Ask（除非你是搞慈善的）。你持续的维持报出这两个价格，同时根据你的存货来调整报价或者对应报价的数量——比如你的存货太多，大爷不出来下象棋了，你就降低Bid，这样很难进到货了，而保持Ask，等待有人来消耗你的库存。
这个过程就是基本的做市商交易流程，在金融中，由于没有实际的总经销商供货，你的报价（Bid-Ask）是基于你对于对应资产的Fair Price的估计来决定的，通常是你算出来的均衡价格加减一个值构造成Bid-Ask组合。在很长的时间内，这个报价都是靠人来完成，这个过程是枯燥的，而且很容易出错——而对于期权类产品（非线性价格）也很难快速报价。我之前和期权交易员合作过很长时间，他们的工作不一定智力上很难，但是对于人得耐力绝对是一种挑战——因为在开市后他们要注意力高度集中的报价，一quote两quote，一quote两quote，似爪牙，似魔鬼的步伐，报价，报价，在这交易大厅报价... ...
于是，从简单的资产起，从交易所级别开始支持API交易了。什么是简单的资产，就是Vanilla类别的，比如个股、指数、外汇、国债等等。因此投行由于本来就是大量资产的做市商，开始把原来这套过程通过计算机来完成。后面大家发现计算机是完美胜任这项工作的，因为计算机能够高速计算库存来调整报价，还能报出很多复杂的单类型。因此从2000年开始个股、指数开始逐步被自动化做市来包揽，2005年后个股期权自动化做市大热，而2008年后外汇自动化做市也相当成熟了，2010年开始国债自动化做市也在美国兴起——这也是我目前在工作的内容。
那么对冲基金呢，除了传统的量化Alpha，他们难道不能也做这个业务吗？实际上，很多对冲基金的自动化做市业务比投行还要好——比如Citadel，比如KCG。但是区别何在？区别在于两点，第一是很多对冲基金不是专属做市商（Designated market maker）。DMM的特权是其有专属席位——在美国这样高度商业化的国家，DMM也是非常稀有的。原因在于，DMM是有责任的，那就是在各种大型金融危机中，当流动性极差的时候，DMM还是要持续的报价，一quote两quote，一quote两quote，似爪牙，似魔鬼的步伐... ... 在流动很差的时候这是非常危险的，因为大家丢给你的都是不好的资产，比如大跌的时候，都在卖，你的Bid反复被Hit，然后又没人来hit你的Ask，浮动亏损可以非常大。那么DMM的特权呢，DMM可以获得非常高比例的rebate，也就是说，佣金返点非常高。这是对于其承担的义务的回报。
第二就是绝大多是对冲基金不是Broker，也是你一般想买股票不会去找他们报价。在外汇和债券这类市场中，有两级市场，一个是B2C市场，也就是零售市场，里面基本都是Broker-Client，而第二级就是B2B市场，都是Broker-Broker。一般来说，B2B市场的Bid Ask Spread要低一些。一个形象的例子就是，我小时候去批发书的商店买书，一个商店有本习题集没有，于是老板去隔壁家拿了一本，卖给我，最后肯定这个老板要把一部分价格还给隔壁家，我付的价格和老板付给隔壁家的价格就是B2C到B2B市场的差价。
这里投行又耍流氓了，他们有着B2C市场的接入优势，因此只要客户量够大，基本都能把自动化做市实现盈利——因为根据大数法则，一定时间内，买卖双方的交易量应该是均衡的。
那么对冲基金靠什么——靠更好的策略。对冲基金如果要做高频做市的，基本在B2B市场参与，他们不是DMM，但是也自己去报价，然后靠着对于价格走向的准确判断，来调整报价，实现拿到多数对自己有利的单，或者持有更久符合预测方向的单，来达到盈利。这种不是DMM却自发去做做市商的行为，叫做Open Market Making。
Citadel是期权自动化做市的王者，顶峰时期一年的利润可以到1 Billion（2009），而整个市场那年的利润也就是7 Billion左右。因此如果策略逆天，没有客户流，也能靠做市赚钱的。
此外，做市业务之外，对冲基金还多了很多机会。因为很多业务银行做起来不划算——比如商品。考虑一个金融类公司，不能光讨论交易策略，宏观上你一定要思考资金成本等问题，这才是投资之道在投资之外。商品这些之前银行干了很多坏事的业务（详细参加高盛的铜交易和JP的风电交易）都被监管方克以了极高的资本罚金。这是Basel III里面的规定，也就是你拿着1元的股票和1元的监管资产过夜受到的处罚是完全不同的，具体算法参见Basel对于RWA（Risk Weighted Asset）计算的细则。这一系列监管，造成了对冲基金有了大量的新业务——因为投行退出。而大量银行的人才也流向了对冲基金。
现在门径这么清晰，那么投行和对冲基金做量化交易的工作差别就很明显了——投行主要以自动化做市为中心的高频信号、客户流分析、报价博弈论等研究为主。而对冲基金主要是传统的量化Alpha、量化资产配置为主——当然还有公开市场自动化做市了。
希望可以帮助到你，祝投资愉快！