高频交易行业简介---standford应用数学硕士

lovepinwinUID: 3347728

      本人11年斯坦福大学计算数学硕士毕业，然后去了一家做股指期货高频交易的公司当quantitative analyst，也在云飞跃担任顾问。现在工作一年多了，分享一下经验。

     高频交易是近年来比较热门的一个行业，特别是金融危机期间交易复杂金融衍生品的公司亏损严重，但高频交易公司却盈利颇丰，所以各公司开始进军高频交易领域。所谓高频交易，一般指持有头寸时间很短（几秒到1分钟），发送指令速度很快（一般电脑自动发送）的交易，每次交易一般旨在赚取bid/ask spread的微利，而交易费用一般远低于bid/ask spread，所以可以赚钱。高频交易一般有如下几种形式：

     做市业务。最典型的是期权做市，这也是金融工程专业很对口的工作，主要工作是预测波动率，并且用对应的期货对冲期权，这样靠价格波动率的变化来赚钱，而不是价格本身的变化；
     投机业务。在期货交易中，利用几种高度相关的产品价格之间的不同步变化来赚钱。比如期货有不同到期日，不同股指期货对应的股票高度重叠等；
     市场中性。在股票投资中，可以预测股票短期的变化，买可能升的，卖可能跌的，使用同样金额，这样可以规避市场大势突然涨跌带来的风险。
     算法交易。这未必算是高频。大机构的执行部门要买卖大额的股票，为了降低市场影响，他们会把大单拆分，隐藏自己的意图。

     传统大银行的quant部门和一些量化投资的对冲基金一般都要求申请者有博士学位，但高频交易对数学的要求没那么高，很多公司都有硕士生甚至本科生当quant。而且各个公司的管理风格很不一样。有的公司quant是核心，有的公司交易员是核心；有的公司要求quant要会写production code，但有的公司只要求quant会分析策略，然后由程序员写production code；有的公司是全自动交易，看交易的人很不重要；有的公司是半自动的，看交易的人反而是主要的。有的这类职位未必叫quant，可能叫algorithmic trader或algorithmic developer，但只要是涉及到数据分析找交易测策略，那做的工作都是很quantitative的。

     这类工作一般不涉及到专门的衍生品定价知识，更多的侧重于统计和编程方面的知识。比如统计方面，经典的线性回归、非线性回归、支持向量基等都会用到，因为交易信号往往由3、4个参数组成，要用统计方法从众多备选参数中筛选出来；主城份分析方法也会用到，特别是债券方面，直接从价格本身预测未来走势比较困难，但如果抽取主成份过滤掉噪音，预测主成份的变化则更为有效；另外多因子模型对股票收益率的预测比较有效。但一些更复杂的非线性方法（特别是一些工程领域非常有效涉及多个参数的方法）在金融方面则未必有效，因为金融数据有很高的噪音，容易过度拟合。编程方面最好有网络编程方面的知识（就是从一台计算机接收发送指令到一台计算机的知识），很多公司都要求懂多线程编程。

     收入方面，这类公司的基本工资一般都不高，主要靠奖金。而且一般都是自营交易，没有客户。工作不像投行那么辛苦，一般每天8小时，一星期工作5天。如果是那种分析数据，编写production code，监督交易集一身的全能quant那么收入会很高，World Quant/Jump Trading/Hudson River Trading等最著名的公司一般都是这种形式；但大多数此类公司都是传统交易公司转型而来，所以传统交易员地位很高，他们一般不会让quant有很大的职责和权力，会倾向于拆分工作。比如quant只做数据分析，然后程序员帮quant写production code，最后交易员执行交易，收入分配由交易员决定。而且策略研究过程中交易员也会积极参与，降低quant的重要性。面试的时候多面几家，经过对比，选择最适合自己的。

BasiliskUID: 2617854

顶。
现在对投行监管严了。是不是trader都去hedge fund了？hedge fund招人少很多吧？

债券方面，直接从价格本身预测未来走势比较困难，但如果抽取主成份过滤掉噪音，预测主成份的变化则更为有效
这个不对。bond return用PCA (level, slope, curvature)无法预测，只能同期fit。用 cochrane-Piazzesi 的方法可以预测。更好的预测变量由Cieslak搞出来了。但是对于股票，对P/D可以用PCA，这个管用。原因是因为PCA强制分解为正交component，导致分解出来的变量不一定meaningful。

多因子模型对股票收益率的预测比较有效
Totally wrong。multifactor是用于同期fit的。cross-sectional model和return predicatability完完全全两码事。能predict return的是一些ratio。

非参，非线性基本不work。因为到现在，没有人知道return是如何决定的，finance这个领域还是图样，才半个世纪，全是puzzle。
大家也看到了，这就是现在金融行业的问题。hard science的人太多，太注重coding，但其实全都不懂finance，完全没有finance thinking，甚至连finance 20年前的东西都不知道。

牛x牌生发灵UID: 2862274

一年多没来，楼主写的真好，本人正在找工作，专业是无数人鄙视的MS econ/stat，最近面了一些quant position（quantitative trader/developer/strategist/analyst），有hedge fund，也有GS ,UBS，citi之类的投行，通过与自身skills set & interest的比较，最后把将来的职业目标锁定在statistical arbitrage/risk management 两个领域，楼主已经算行内人了，所以我想请教一下楼主，如果要在投行的自营/资管部门或者hedge fund谋一份quant的差事，那么

1. coding要强到什么程度？coding是我现在最大的短板

2.你找到目前的quant工作，有哪些靠谱的网站可以投简历？
我目前所有的quant面试机会都是通过学校的career service website和熟人朋友帮忙获得的；感觉直接公司网申中标几率很小；efinance/linkedin有些不靠谱，完全只能以量取胜；猎头们又不怎么待见master；我已经做好毕业后去NY飘着的准备了
3.你们最常用的统计方面的模型或者交易策略哪个方面的？data mining/machine learning是否想传说中的那样在该领域大有作为？
我感觉神经网络，支持向量机这些非线性系统建模未必比最基本的线性建模靠谱；贝叶斯，非参也不知道是怎么个执行法，听说高频下单策略会用一些非参的东西。现在给我的感觉是，这一行需要的人，就是熟练的CSer+懂一些统计计量的人，至于你懂不懂finance，no one cares

先谢过了

highlyconfused1UID: 3251941

lz不是Knight Capital的吧。。。