期貨方面的，其實是比較簡單的品種，其他還有股票、期權(quán)、債權(quán)、外匯等，其實很多人也只能精通其中一種。再說期貨也有很多種，有做投機類的，這就是趨勢，國內(nèi)叫CTA；也有做套利的、做市商的，這個要么很高頻，靠掛單來提供流動性賺錢，要么很低頻，畢竟一買一賣之后價差波動很小，要持有很長時間才能獲利，而價差的趨勢性更強，流動性更弱；還有持倉一兩個月的低頻趨勢，需要結(jié)合基本面，適合大資金，這些我都沒做，只做了期貨的中頻趨勢吧，還有日內(nèi)非高頻，幾年前做過超高頻的，現(xiàn)在不行了。
但從賺錢的角度，哪怕只做通其中一種，也足以賺很多錢了，當(dāng)然賺多賺少也取決于自己投入的資金和承受的風(fēng)險。我這種期貨最簡單的，預(yù)測漲就買，預(yù)測跌就賣。國內(nèi)股票更簡單，更多是選股的，只能買不能賣空。期權(quán)就比較復(fù)雜，可以不預(yù)測方向也能賺錢，比如賭價格是否在一個范圍內(nèi)波動等。提供流動性的需要頻繁掛撤單也比較復(fù)雜。
繼續(xù)剛剛的話題，其實最好背景寬一些，而不是深一些。比如最簡單的選股，最好懂一些金融市場、股票市場的基礎(chǔ)知識吧，財務(wù)報表這些也要懂一點，作為初篩股票用的。國內(nèi)所謂多因子模型跟國外的不大一樣，國內(nèi)更多是根據(jù)一個因子排序，等到一組股票組合，然后不同因子的股票組合疊加；國外的多因子本質(zhì)上就是多元線性回歸，預(yù)測股票未來價格變化，因子代入線性模型中。因此，統(tǒng)計里面的多元線性回歸肯定要會的，它的基礎(chǔ)課概率論和數(shù)理統(tǒng)計也要，更基礎(chǔ)的數(shù)學(xué)分析、線性代數(shù)也要。
如果是期貨方面的預(yù)測，由于期貨市場比股票市場更有效，也更難預(yù)測，而且信息更少，更多依賴行情信息，因此對模型的要求高一些，或許需要lasso/ridge等帶約束的線性回歸。更復(fù)雜一些的gradient boosting/random forest/svm在高頻中或許也會用到。越復(fù)雜的模型需要越多的數(shù)據(jù)去估算參數(shù)，因此越高頻的數(shù)據(jù)可以支撐越復(fù)雜的模型?？梢詫W(xué)一些類似國外stats 315ab statistical learning的課程，參考elements of statistical learning一書，這需要統(tǒng)計碩士的水平。就量化來說，國外的水平確實要領(lǐng)先國內(nèi)不少，這也是需要我們團結(jié)、努力去進步的事。
與之對應(yīng)的計算機的課程是機器學(xué)習(xí)和概率圖。我接觸的STF機器學(xué)習(xí)更多介紹svm,reinforcement learning,learning theory等，沒有介紹randome forest/gradient boosting這些，可能有些不同，但這年頭似乎tree-based的模型比svm更好一些，reinforcement learning要使用是有難度的，它更多應(yīng)用在概率分布很顯然的類似于游戲、下棋的場景中，用在動態(tài)投資組合上可能需要比較牛逼的人，但這些絕對不可能是入門工作干的活。
如果是做市商方面，其實很難搜到什么書籍文獻來介紹，這些策略更多是掛單撤單，對IT要求比較高，基本的python或C++肯定要會，還有多線程、多進程、網(wǎng)絡(luò)編程、系統(tǒng)優(yōu)化等，也最好懂得，類似于做高頻。低延時是個很大的概念，各個環(huán)節(jié)都會造成延時，所以各個環(huán)節(jié)都需要優(yōu)化。這些最好是計算機類的本科專業(yè)。這類工作的一個特點是一次性的，現(xiàn)實工作中，策略更新和維護的時間遠遠多于底層系統(tǒng)的時間，所以IT類工作在量化領(lǐng)域很難獲得相對很高的收入。
重要的工作不一定就能獲得高收入，用完了就沒用了，這不是持續(xù)性的貢獻。簡單的道理，我用了開源的R和里面很多package做統(tǒng)計計算，這些對我很重要，但不代表我就要給這些作者錢。事實上，IT方面的，我完全也可以在寫完系統(tǒng)后，遇到什么問題找一些IT咨詢的解決一下。
另外一點容易被忽略的是數(shù)值計算方面的。雖然現(xiàn)在很多算法都已經(jīng)封裝好，比如C++里面的LINPACK,Armadillod等，但其實不代表就要學(xué)會C++去調(diào)用，其實R里面很多package就是基于這些包的，只要學(xué)會用R就可以了。其它gpu相關(guān)的也類似。當(dāng)然，統(tǒng)計模型建立之后就是求解模型，如果自己懂得寫數(shù)值算法確實可以針對自己的具體應(yīng)用場景寫一個高效的numerical solver，普適性的numerical optimization solver是不存在的。因此，計算數(shù)學(xué)在這方面還是有好處的。
比如文藝復(fù)興公司就是計算機專業(yè)的收集數(shù)據(jù)、物理專業(yè)的建模、數(shù)學(xué)專業(yè)的做數(shù)值優(yōu)化等等，但國內(nèi)的小公司不大可能。這也是其他投行之類的quant跟文藝復(fù)興的區(qū)別：投行之類的其實不管什么專業(yè)，只要是名校的，能答出筆試面試的問題的就要，更多是“我給出這些條件只要滿足這些條件的”，進去還得繼續(xù)學(xué)隨機分析那些，自己本職的研究是荒廢的，說實話招個本科和博士沒啥區(qū)別；文藝復(fù)興不同，他更多是用材不用人，更多是要這些人發(fā)揮所長。所以哪怕都是招一群名校的理工博士，最終效果是很不一樣的。
