要點：
- 量化金融工作結合了數學和工程技能
- 金融領域的量化分析師尋找基礎資產之間的數學關係，或根據這些資產建立衍生品
- 金融領域的量化分析師也（越來越多地）在風險等領域工作
- 當您與交易者或投資組合經理的損益密切相關時，您在量化金融中賺到的錢最多。
量化金融工作涉及哪些內容？
如果你想了解量化金融作為一門學科，你應該看看諾貝爾經濟學獎的獲得者。
在上個世紀的大部分時間裡，金融決策都是基於啟發式原則，但在 1990 年，該獎項授予了 Harry M. Markowitz、Merton H. Miller 和 William F. Sharpe，以表彰他們研究金融的數學方法市場和投資決策。1997 年，羅伯特·C·默頓 (Robert C. Merton) 和邁倫·S·斯科爾斯
(Myron S. Scholes) 因其確定股票期權和其他衍生品價值的方法而獲獎。
1990 年的獎項幫助建立了所謂的P 衡量子領域，該領域主要關注基礎資產（股票、債券、貨幣等）的行為。1997 年的獎項正式建立了 Q衡量子領域，關注衍生品這些資產，例如期權。
量化金融（或定量金融）誕生了。從那時起它就一直在發展。
量化金融是一個廣泛的教會。在 2007-2008 年金融危機之前，量化金融領域最賺錢的工作是創造越來越複雜的衍生產品。自危機以來，重點已轉向風險和複雜性管理、監管和穩健性。
如今，量化金融是一個包羅永珍的術語，涵蓋了許多不同的子領域。如果您從事定量金融工作，您可能從事以下任一領域的工作：
- 計算金融：計算方法，包括蒙特卡羅、偏微分方程、格子和其他應用於金融建模的數值方法。
- 經濟學：包括微觀和宏觀經濟學、國際經濟學、公司理論、勞動經濟學以及金融以外的其他經濟主題。
- 一般金融：一般定量方法的發展及其在金融中的應用。
- 數學金融。金融的數學和分析方法，包括隨機、機率和泛函分析、代數、幾何和其他方法。
- 投資組合管理：選擇和最佳化證券、資本配置、投資策略和績效衡量。
- 證券定價：金融證券、其衍生品和結構性產品的估值和對沖。
- 風險管理：貿易、銀行、保險、企業和其他應用中金融風險的測量和管理。
- 統計金融：統計、計量經濟分析及其在金融市場和經濟資料中的應用。
- 交易和市場微觀結構：研究市場微觀結構、流動性、交易和拍賣設計、自動交易、基於代理的建模和做市。
量化開發人員職位
從事金融服務工作的寬客會產生大量程式碼。該程式碼可能是戰術性的（例如建立和除錯模型所需的 Jupyter 筆記本）或戰略性的（例如衍生品定價庫）。根據程式碼的戰略性，必須按照不同的軟體工程標準編寫。那些編寫將在生產中執行的程式碼的人必須是熟練的軟體工程師。
通常，寬客本身就具備這種技能。一些最好的量化分析師通常也是一些最好的編碼員。在其他時候，不太懂軟體的量化分析師可能會依賴量化開發人員的幫助，他們的工作是建立（和除錯）程式碼，而不是提出新的量化模型。
戰略分析師
多家金融機構將 Quant 更名為 Strat，凸顯了 Quant 在金融領域的重要性。strat這個詞是戰略分析師的縮寫。重點已從工作的性質（定量分析）轉向其在組織內的戰略作用。
然而，如果您想成為一名寬客，建議您不要關注職位的頭銜，而應關注其更深層次的本質。有許多量化工作，名稱不同，具有不同的戰略重要性（以及相應的薪酬）。
金融領域寬客的職業道路
多種選擇：
您可以進入金融科技（FinTech）行業。金融科技是指在提供金融服務方面與傳統金融方式競爭的技術和創新。一些較大的金融科技公司正在與成熟的銀行和對沖基金爭奪量化人才。這尤其適用於非銀行流動性提供者。
您還可以轉向FAANG（Facebook、Amazon、Apple、Netflix 和 Alphabet - 以前稱為 Google）。許多 FAANG 公司聘請寬客來研究機器學習和人工智慧系統。
並非所有量化分析師都受僱於銀行、對沖基金和其他金融公司；一些在學術界的工作。學術界的工資較低，但問題可能更有趣。隨著你的職位越來越高，你就有可能在兩個世界中任職，並在銀行或基金工作的同時從事學術工作。
對於想要發表研究成果的量化分析師來說，也有機會在研究臺工作，或者對於釋出藍天定量研究的非銀行組織來說也有機會。例如，彭博社有一個相當大的研究部門，儘管他們不是一家貿易公司。
金融量化工作所需的技能
傳統上，寬客擁有各種應用數學背景。有時他們來自大學的物理系而不是數學系。最近，隨著專業量化金融教育的發展，定價量化開始來自專門的量化和計算金融專案（例如我任教的倫敦帝國理工學院的數學和金融碩士學位）。
量化工作所需的數學知識
傳統的 Q 測量定量角色包括偏微分方程 (PDE) 的（通常是數值的）解法和隨機微積分/分析（經典應用數學）。
此類數學過去在頂尖大學的數學系和物理系教授。寬客通常來自相對論、弦理論和流體動力學背景——這些領域中偏微分方程和隨機變數比比皆是。
全球金融危機之後，P 衡量工作變得越來越多。此類工作更多地依賴於統計資料，而不是偏微分方程和隨機變數。因此，更多的人被僱用具有統計背景而不是應用數學背景。
量化工作所需的程式設計技能
對於許多寬客來說，程式設計與數學一樣重要。
監督定量庫的定量分析師需要精通軟體架構。
除了編寫程式碼之外，量化人員還花時間除錯和加速現有程式碼、建立量化基礎設施（例如，不同系統相互通訊的方式、物件的持久化和儲存以及量化庫與底層之間的互動）資料庫）、自動化任務以及最近應用機器學習。一些領先的金融機構擁有專門的機器學習團隊。在其他情況下，機器學習研究或人工智慧實施是由常規寬客進行的。銀行、對沖基金和交易公司開始採用新方法，例如深度定價和深度對沖。
如果你想成為一名寬客，你需要學習哪種編碼語言？現代編碼語言都有各自的“生態位”：
- 用於原型設計和研究的 Python；
- 用於高效能生產系統的 C++；
- Java 和 C# 用於生產系統，其中軟體工程比效能更重要（儘管在某些領域這些語言與 C++ 競爭效能；例如，請參閱 Azul）；
- Julia嘗試將C++/Java/C的優點與Python的優點結合起來；
- Kdb+/q 和 shakti 適用於大資料和高頻資料；
- 用於在高效能運算 (HPC) 應用程式中對 GPU 進行程式設計的 CUDA。