量化交易為何喜歡博士？如何成為量化交易員！

我一直覺得，做研究的，量化研究也好，其余任何研究也好，研究出來了，可能自己就下崗了。
自然語言處理為何一直都有科研經(jīng)費？因為一直都難以商用，誤差太大，所以需要一直研究。研究一旦成熟，剩下的就是工程師的活，跟研究人員沒啥關(guān)系了。

比如計算機(jī)視覺，之前一直研究一直投入，哪怕現(xiàn)在看很簡單的車牌識別、人臉識別，之前也是研究了好幾十年的，一直沒有突破，所以每年都有大量的論文用來識別數(shù)字的，誤差率始終很高。我記得我讀書的時候，2011年左右，手寫數(shù)字誤差率依然有0.3%，人眼是0.1%，所以很多時候還不能商業(yè)化，只能不斷刷論文。好歹這方面也可以寫論文。一旦誤差率下降得足夠低，已經(jīng)商用了，就沒法寫這方面的論文了。
現(xiàn)在很火的強化學(xué)習(xí)，有著簡單易用的python包可以調(diào)用，比如pyTorch之類的。要知道2009年我學(xué)習(xí)這方面的時候，那時候還是叫作Approximate Dynamic Programming，那都是全部要自己寫的，甚至還要用C++寫，沒有任何包可以用。簡單的一個俄羅斯方塊，都要斯坦福博士、麻省理工助理教授才能解決，現(xiàn)在估計普通本科生都可以解決了。
所以說，量化交易這活，現(xiàn)在工具多了，高中生都能干，為何要博士生呢？

用文藝復(fù)興的話說，“招聰明人做簡單事，原因在于聰明人靠譜一些，不會亂來。哪怕僅僅是線性回歸，聰明人可以嚴(yán)謹(jǐn)一些”。
我承認(rèn)高中生、初中生、小學(xué)生甚至幼兒園學(xué)生也可以跑線性回歸，都是代公式計算，有現(xiàn)成的計算機(jī)軟件，輸入Excel也能跑。但如果是Garbage In、Garbage Out，其實也沒啥用。哪怕堆了一個操場的GPU，最后還是越跌越買。
有時候招博士，他們的技能可能并不會比碩士強多少，但研究嚴(yán)謹(jǐn)性或許強不少。博士好歹讀了很多論文，這些論wen都是有同行評議的，總體上還是比較嚴(yán)謹(jǐn)?shù)摹Ａ硗庾约嚎赡芤灿邪l(fā)表論文的經(jīng)歷，也會跟審稿人扯皮，這些也是能力的一部分。一般碩士生可能沒這么多這些系統(tǒng)性的訓(xùn)練。
文藝復(fù)興甚至喜歡招大學(xué)教授，因為這些人經(jīng)歷過嚴(yán)謹(jǐn)?shù)目蒲杏?xùn)練，哪怕是純數(shù)學(xué)的教授，自己沒有數(shù)據(jù)分析、編程的經(jīng)驗，但這些技能都可以慢慢學(xué)，只是嚴(yán)謹(jǐn)?shù)目蒲心芰]法短期內(nèi)學(xué)會?；蛟S這是一種critical thinking的能力吧。
現(xiàn)在的人們喜歡問什么模型有用，深度學(xué)習(xí)有沒有用，強化學(xué)習(xí)有沒有用，說實話，這些問題，層次太低。這些本質(zhì)上都是工具，關(guān)鍵并不在于工具有沒有用，而在于使用工具的是什么人。像David Donoho這種，學(xué)術(shù)界研究調(diào)和分析、小波分析、壓縮感知的，他也說過“理論上的東西可以很漂亮，但現(xiàn)實世界是骯臟的”。因此，等他自己到了文藝復(fù)興工作的時候，也需要入鄉(xiāng)隨俗，未必完全套用之前自己熟悉的工具，而是要根據(jù)具體的問題具體分析，或許真正有用的只是普通的線性回歸。