课程  因子投资  机器学习  Python  Poetry  ppw  tools  programming  Numpy  Pandas  pandas  算法  hdbscan  聚类  选股  Algo  minimum  numpy  algo  FFT  模式识别  配对交易  GBDT  LightGBM  XGBoost  statistics  CDF  KS-Test  monte-carlo  VaR  回测  过拟合  algorithms  machine learning  strategy  python  sklearn  pdf  概率  数学  面试题  量化交易  策略分类  风险管理  Info  interview  career  xgboost  PCA  wavelet  时序事件归因  SHAP  Figures  Behavioral Economics  graduate  arma  garch  人物  职场  Quantopian  figure  Banz  金融行业  买方  卖方  story  量化传奇  rsi  zigzag  穹顶压力  因子  ESG  因子策略  投资  策略  pe  ORB  Xgboost  Alligator  Indicator  factor  alpha101  alpha  技术指标  wave  quant  algorithm  pearson  spearman  tushare  因子分析  Alphalens  涨停板  herd-behaviour  momentum  因子评估  review  SMC  聪明钱  trade  history  indicators  zscore  波动率  强化学习  顶背离  freshman  resources  others  AI  DeepSeek  network  量子计算  金融交易  IBM  weekly  LLT  backtest  backtrader  研报  papers  UBL  quantlib  jupyter-notebook  scikit-learn  pypinyin  qmt  xtquant  blog  static-site  duckdb  工具  colors  free resources  barra  world quant  Alpha  openbb  数据  risk-management  llm  prompt  CANSLIM  Augment  arsenal  copilot  vscode  code  量化数据存储  hdf5  h5py  cursor  augment  trae  Jupyter  jupysql  pyarrow  parquet  数据源  quantstats  实盘  clickhouse  notebook  redis  remote-agent  AI-tools  Moonshot  回测,研报,tushare 

Successfully starting a career in quant research


Table of Content

Attention

本文在翻译的基础上进行了改写。原文可以在 headlandstech.com 网站上的 blog 栏目找到。原文作者是 Max Dama, Headlands 联合主席。著有《Max Dama on Automated Trading》一书,并以该书为基础,在 UC Berkeley 开设的量化交易课程。

Max Dama, Co-present of HL

对于想要在量化交易行业发展的新人,可能并不知道该如何挑选一家公司。因此,他们很容易在选择第一份工作时犯错。这个错误可能会导致你日后放弃这个行业,而事实上,你可能非常适合这个行业并取得成功。没有经验的人很容易犯错;但我想提供一些指导,帮助你避免一些常见的陷阱。

以下是一份清单,列出了你在选择第一家公司之前需要了解的关键结构性问题。这些问题将帮助你了解自己在一家公司学习和成长的能力。你会希望在整个职业生涯中不断学习和成长,但在你经验最匮乏的初期,这一点尤为重要。

理想情况下,对于这七个问题,最好应聘公司给出的答案都是“否”。如果不是,那么在你的职业生涯发展过程中,你将面临更多挑战。“是”的答案并不一定意味着这份工作不好,但确实意味着风险更高。在列表下方,我提供了一些补充信息。

  1. 面试中是否使用脑筋急转弯、赌博、扑克或心算问题? 如果一家公司问这类问题,这可能表明他们更看重交易员手动、非自动化的直觉和决策能力,而非量化、算法和研究驱动的方法。如果你的背景是量化,你会希望一家公司最看重这些技能。在以“交易员”为中心的公司,量化分析师对交易策略的影响力较小,职业前景也更有限。

  2. 您是否有两年(或者更长)的竞业禁止期? 对于在交易行业工作的量化分析师来说,竞业禁止协议是家常便饭,但这些协议的期限各不相同(标准期限为18个月)。竞业禁止协议旨在保护你正在开发的知识产权。然而,18个月应该足以保护你的工作成果。有时,更长的期限并非为了保护公司,而是为了限制员工的职业发展。即使你加入了一家优秀的公司,也有可能最终加入一个实力较弱的团队,或者遇到一位经验不足的经理,获得不公平的薪酬,或者根本无法完美融入公司。如果竞业禁止协议期限为2年,其他公司可能就不会那么愿意聘用你了。

  3. 您会被阻止访问源代码的任何部分吗? 一些公司会加密或设置密码保护部分源代码。这不仅仅是采取足够的措施保护专有财产,例如保护内部文件系统免受外部入侵,或防止员工从公司网络复制文件——这些公司甚至会阻止自己的全职员工查看部分现有代码库。对于行业外的人来说,加密的概念可能听起来很奇怪,他们不会想到去问。然而,这在量化交易公司中却相当普遍。部分源代码被屏蔽会限制你的学习能力、与同事的协作能力以及产生影响的能力。

  4. 作为研究员,您会成为监控任何实时交易过程的主要值班交易员吗? 高度重视研究的公司将拥有单独的专门运营和交易团队来处理运行和监控自动交易系统的大部分日常任务。

在一些公司,通常是那些以场内交易员或点击交易员为根基的公司,或者那些难以管理不稳定运营流程的公司,“量化交易员”需要同时负责研究和运营。虽然这乍一看可能令人兴奋,但监控实时交易、监控系统健康状况以及确保系统正常运行是一项全职工作,会严重减少你集中精力进行高质量研究的时间。

  1. 您是否会被阻止查看利用您的研究的任何策略的损益表(收入)? 从事交易工作最大的吸引力之一在于研究成果的快速反馈。你可以构思一个想法,将其付诸实践,然后在几天内就能看到成果。这种紧密的反馈循环比物理系(比如说物理系)更胜一筹,因为物理系可能需要数年时间才能验证一个想法。然而,有些公司会将阿尔法信号研究人员与策略开发人员分开。如果你与交易盈亏部门分开,就无法获得实时反馈。公司这样做可能是为了防止机密轻易泄露,但也有很多成功的公司信任员工,并以其他方式鼓励员工忠诚。

  2. 策略参数是否会根据白天的判断手动更改? 如果“点击交易员”调整参数,你几乎不可能根据历史数据对你的想法进行正确的统计分析,因为你无法模拟人为因素。这种公司更适合“点击交易员”——而不是量化分析师。

  3. 公司中还有其他员工与您直接竞争吗? 好的,最后一个问题!这个问题很重要,因为有些公司的员工或团队之间会直接竞争,这样公司的收入来源就会多样化。但就你的职业生涯而言,你希望公司全力投资于你。如果存在竞争团队,你不知道最终会加入哪个团队最终会赢还是输。你向他人学习的机会也会减少;你无法从与其他量化分析师的广泛合作中获益。最后,这种结构往往会滋生一种残酷的“零和博弈”文化。

我希望你能从所有未来雇主那里得到关于这 7 个问题的明确“是”或“否”的答案。如果答案模糊或间接,就当是“是”吧。不要仅仅因为你现在的知识储备比以后的职业生涯中要少就轻易被说服。最后,与现在从事量化交易行业的朋友或同学再次确认一下永远是个好主意。事先提醒一下,你可以避免我根据朋友的经验所发现的这 7 个问题,并开始着手解决量化交易中那些引人入胜的问题。