講起量化投資，就不得不提華爾街的傳奇人物——詹姆斯·西蒙斯(James Simons)。
這位慧眼獨(dú)具的投資巨擘油狂，有著一份足以支撐其赫赫名聲的光鮮履歷：20歲時獲得學(xué)士學(xué)位；23歲時在加州大學(xué)伯克利分校博士畢業(yè)荸恕；24歲時成為哈佛大學(xué)數(shù)學(xué)系最年輕的教授；37歲時與中國數(shù)學(xué)家陳省身聯(lián)合發(fā)表了著名論文《典型群和幾何不變式》顷编，并開創(chuàng)了著名的陳—西蒙斯理論戚炫；40歲時運(yùn)用基本面分析法設(shè)立了自己的私人投資基金；43歲時與普林斯頓大學(xué)數(shù)學(xué)家勒費(fèi)爾(Henry Laufer)重新開發(fā)了交易策略并由此從基本面分析轉(zhuǎn)向數(shù)量分析媳纬；45歲時正式成立了文藝復(fù)興科技公司双肤，最終笑傲江湖，成為勇執(zhí)牛耳的投資霸主钮惠。
中國社會
“辱華”演講呈現(xiàn)出的中國輿論場劉遠(yuǎn)舉：在柴靜的《穹頂之下》中茅糜，他們只批評數(shù)據(jù)的某處誤差；在楊舒平的演講中素挽，他們假裝只看到了演講修辭的夸大蔑赘。
這段看似青云直上的成名之路，再次為世人印證了一個道理——當(dāng)代的技術(shù)創(chuàng)新预明，其實(shí)大多源自跨越學(xué)科的資源整合缩赛，而非從無到有的發(fā)明創(chuàng)造。具體說來撰糠，即使睿智如西蒙斯酥馍，在最初之時，他也沒有直接想到運(yùn)用量化方法投資阅酪，而是和眾多投資者一樣著眼于外匯市場旨袒，但野心勃勃的西蒙斯并不甘于只是簡單因循傳統(tǒng)的投資策略。隨著經(jīng)驗(yàn)的不斷累積术辐，他開始思考砚尽，為何不運(yùn)用他最為熟悉的數(shù)學(xué)方法來搭建投資模型，從而能夠科學(xué)精準(zhǔn)地預(yù)測貨幣市場的走勢變動辉词？這一大膽的跨學(xué)科嘗試必孤，最終徹底改變了他的人生走向。
通過將數(shù)學(xué)理論巧妙融合到投資的實(shí)戰(zhàn)之中瑞躺，西蒙斯從一個天資卓越的數(shù)學(xué)家搖身一變隧魄，成為了投資界中首屈一指的“模型先生”。由其運(yùn)作的大獎?wù)禄?Medallion)在1989-2009的二十年間隘蝎，平均年收益率為35%购啄，若算上44%的收益提成，則該基金實(shí)際的年化收益率可高達(dá)60%嘱么，比同期標(biāo)普500指數(shù)年均回報率高出20多個百分點(diǎn)狮含，即使相較金融大鱷索羅斯和股神巴菲特的操盤表現(xiàn)，也要遙遙領(lǐng)先十幾個百分點(diǎn)曼振。最為難能可貴的是几迄，縱然是在次貸危機(jī)全面爆發(fā)的2008年，該基金的投資回報率仍可穩(wěn)穩(wěn)保持在80%左右的驚人水準(zhǔn)冰评。西蒙斯通過將數(shù)學(xué)模型和投資策略相結(jié)合映胁，逐步走上神壇，開創(chuàng)了由他扛旗的量化時代甲雅，他的驟富神話更讓世人對于量化投資有了最為直觀而淺顯的認(rèn)識：這能賺錢解孙，而且能賺很多錢坑填。
“文藝復(fù)興”的能否真的“復(fù)興”？
但金融行業(yè)瞬息萬變弛姜，老天也沒有一味垂青這位叱咤風(fēng)云的“模型先生”脐瑰。 自2012年以來，由西蒙斯掌印的文藝復(fù)興科技公司可謂禍?zhǔn)虏粩嗤⒕剩蜻\(yùn)纏身苍在。其麾下的“文藝復(fù)興機(jī)構(gòu)期貨基金”（RIFF）在2011年僅實(shí)現(xiàn)盈利率增長1.84%，到2012年荠商，更是破天荒的虧損了3.17%寂恬，這一虧損幅度甚至超過了同年巴克萊CTA指數(shù)的平均降幅（1.59%）。RIFF主要通過全球范圍的期貨和遠(yuǎn)期交易來實(shí)現(xiàn)絕對收益莱没，雖屬于文藝復(fù)興公司旗下規(guī)模較小的基金產(chǎn)品初肉，但作為公司的明星”印鈔機(jī)“，其回報率竟會一下暴跌至行業(yè)平均水平郊愧，難免讓眾人始料不及朴译。到2012年底，RIFF 的資產(chǎn)規(guī)模已縮減至7.88億美元属铁，遠(yuǎn)遠(yuǎn)低于2011年的40億美元眠寿。到今年10月底，文藝復(fù)興公司最終宣布正式關(guān)閉 RIFF焦蘑，一代“文藝”明星RIFF就此戛然隕落盯拱。
揭開”量化投資“的神秘面紗
量化投資在一定程度上已經(jīng)被別有用心地神話或者說標(biāo)簽化了，就像當(dāng)下風(fēng)頭正勁的“互聯(lián)網(wǎng)金融”一樣例嘱，很多時候都被包裝成了看似“高端大氣”狡逢、且可能“一夜暴富”的賣點(diǎn)或者噱頭。追根溯源拼卵，其實(shí)量化就是指運(yùn)用數(shù)學(xué)或者統(tǒng)計模型來模擬金融市場的未來走向奢浑，從而預(yù)估金融產(chǎn)品的潛在收益。在前文中腋腮，我們還曾提到多個數(shù)字雀彼，如平均年收益率、年回報率即寡、年盈利率徊哑，這些其實(shí)都表征同一個量化指標(biāo)，即“年化收益率”聪富。它是指投資者在一年的投資期限內(nèi)所能獲得收益比例莺丑，專門用于評估投資行為或金融產(chǎn)品的好壞優(yōu)劣。 那么墩蔓，究竟多高的年化收益率才能給投資者帶來豐厚的投資回報梢莽？為了更加清楚的分析這個問題萧豆，我們不妨舉個例子。
比如某位名叫“G”的投資者蟹漓，在1990年時持有3.8萬的啟動資金炕横，如果其所認(rèn)購產(chǎn)品的平均年化收益率是60%源内，那么經(jīng)過25年葡粒，到2015年，“G”將會擁有40億膜钓，但如果其所購產(chǎn)品的平均年化收益率上漲15%（到75%）嗽交，那么25年后，“G”的資產(chǎn)將會是40億后再加個零颂斜，變成400個億夫壁。百億身價竟僅僅始于3.8萬？這種堪比原子彈爆炸的財富增長若僅僅用“回報豐厚”來形容沃疮，會不會未免有些太吝嗇了盒让？我并不十分相信那些投行精英們會如此慷慨無私，讓投資者只需在家坐著就能穩(wěn)收百億回報司蔬，所以如果今后有人向我推薦金融產(chǎn)品邑茄，而且宣稱年化收益率可以有60%，我肯定得思量思量俊啼，自己是不是真的運(yùn)氣那么好肺缕，這輩子可以被錢砸暈？畢竟像文藝復(fù)興公司的傳奇也像“文藝復(fù)興”一樣授帕，雖然能被歷史銘記同木，但卻難以被時代復(fù)制。
得“量化”者得天下
雖然“量化”看似主要在投資領(lǐng)域大放異彩跛十，但其觸角實(shí)際已徹底覆蓋了金融領(lǐng)域的各個命脈彤路。在作者看來，金融業(yè)的整個運(yùn)作流程芥映，歸根結(jié)底洲尊，就是“把適量的錢投到適合的位置，從而以適度的金額購買適當(dāng)?shù)漠a(chǎn)品”（“Put the ‘RIGHT’ money in the ‘RIGHT’ place with the ‘RIGHT’ amount for the ’RIGHT’ price“）屏轰。但是究竟多少算是適量颊郎？也就是所謂的”RIGHT“? 難道萬事一拍腦袋，全憑感覺霎苗？還是仰仗捕風(fēng)捉影姆吭、真假難辨的小道消息？這些顯然都太不靠譜唁盏。
投資不是賭博而是博弈内狸，理性的投資者應(yīng)該學(xué)會運(yùn)用投資策略來實(shí)現(xiàn)自己的財富增值检眯。那么該如何將模糊抽象的策略變成具體可信的數(shù)字？
這其實(shí)就是“量化”在做的事情昆淡，即把投資策略通過數(shù)學(xué)模型和計算機(jī)代碼數(shù)量化锰瘸，讓投資者可以基于數(shù)據(jù)分析和動態(tài)模擬而合理預(yù)測其投資行為的未來走勢。投資者可以通過屏幕上顯示的風(fēng)險講話指標(biāo)昂灵，輕擊鼠標(biāo)生成定價模型結(jié)果或者是交易策略避凝，根據(jù)實(shí)際情況略微修改參數(shù)，最終實(shí)現(xiàn)自己的資產(chǎn)配置及投資組合眨补。無怪乎許多人都笑稱管削，如今的倫敦金絲雀碼頭其實(shí)早已不再是全球的金融腹地，而是搖身變成了 IT 公司集散地撑螺。包括摩根大通含思、花旗以及瑞士信貸等在內(nèi)眾多歐美頂尖投行，都在不計血本的培養(yǎng)自己的 IT 團(tuán)隊甘晤，并命其專門從事產(chǎn)品模型研發(fā)含潘，從而有力躋身到“得模型者得天下”的金融大戰(zhàn)之中。 這些擁有專屬開發(fā)任務(wù)的 IT團(tuán)隊也往往被稱為量化團(tuán)隊线婚，即 Quant Team遏弱，是買方或賣方機(jī)構(gòu)中專門從事量化投資分析以及衍生品定價策略的肱骨砥柱。
除了金融市場的參與者都欲借“量化技術(shù)”的東風(fēng)大展拳腳酌伊，眾多歐美金融監(jiān)管機(jī)構(gòu)也針對金融技術(shù)的興起而順勢推出了相關(guān)監(jiān)管政策腾窝。英國《金融時報》歐美版在2015年11月24日曾刊登一篇名為《UK watchdog examines insurers’ use of big data》（英國監(jiān)察機(jī)構(gòu)檢測保險公司對于大數(shù)據(jù)的使用）的文章。文章指出居砖，F(xiàn)CA即英國金融市場行為監(jiān)管局已正式發(fā)表聲明虹脯，表示明年會繼續(xù)監(jiān)視金融技術(shù)開發(fā)以及金融技術(shù)對于公司和投資者的影響，比如它會開展一項(xiàng)專門針對”保險公司大數(shù)據(jù)使用現(xiàn)狀“的市場調(diào)查奏候，從而更為精準(zhǔn)有效的打擊預(yù)防以金融技術(shù)為核心的新型金融犯罪行為循集。（詳見 FCA Business Plan 2015/16 ）
金融量化中的“少林“和”武當(dāng)“
在互聯(lián)網(wǎng)的營銷造勢之下，一時間”大數(shù)據(jù)技術(shù)“風(fēng)頭無二蔗草，備受推崇咒彤。但若真問究竟什么是大數(shù)據(jù)，只怕眾多跟風(fēng)者也只能爆出個“Big Data” 裝裝“逼格”咒精。其實(shí)在金融領(lǐng)域镶柱，并非只有“大數(shù)據(jù)”一枝獨(dú)秀，下文我們就來談?wù)劇按髷?shù)據(jù)”的發(fā)家史以及它和傳統(tǒng)定價模型一較高下的那些事兒模叙。
在開始之前歇拆，我們不妨先來厘清金融系統(tǒng)的基本架構(gòu)。如果按照市場等級分，我們可以將金融市場分為一級市場和二級市場故觅；但如果按照金融產(chǎn)品分厂庇，我們則將金融市場分為資本市場（主要進(jìn)行股票買賣）、債權(quán)市場输吏、商品市場权旷、貨幣市場、衍生品市場贯溅、保險市場拄氯、以及外匯市場。
放眼中國金融市場盗迟，根據(jù)世界交易所聯(lián)合會（World Federation of Exchanges）出具的報告坤邪，在2014年熙含，中國金融期貨交易所 （簡稱中金所罚缕，China Financial Futures Exchange）的股票累衍生品的交易表現(xiàn)并不盡如人意。按成交易合同的數(shù)量計位怎静，中金所只有在股指期貨方面成交量排名全球第五邮弹，其余如股指期權(quán)、個股期貨和個股期權(quán)等蚓聘，均未能躋身前十腌乡。這一成績對于全球第二大經(jīng)濟(jì)體來說，無疑是不相稱的夜牡。但考慮到上海證券交易所在2015年2月9日才開始上市交易上證50ETF 期權(quán)合約与纽，而且暫時還尚未發(fā)行個股期貨和期權(quán)產(chǎn)品，這樣的排名表現(xiàn)倒也顯得合情合理塘装。不過急迂，中國的金融市場也并非完全沒有可圈可點(diǎn)之處，比如在商品期貨方面蹦肴，中國交易所就占了“成交量前五排名”中的三個席位僚碎，分別是位列狀元的上海期貨交易所，位列探花的大連商品交易所以及緊隨其后的鄭州商品交易所阴幌。由此可見勺阐，中國金融市場目前仍主要倚重傳統(tǒng)的金融產(chǎn)品，與歐美金融市場相比矛双，既有理論和技術(shù)差距渊抽，但也充滿了上升空間和發(fā)展機(jī)遇。
在熟悉了金融市場的基本分類之后议忽，我們還需進(jìn)一步了解一下金融市場中的買方和賣方懒闷。顧名思義，所謂買方，就是金融產(chǎn)品的購買者毛雇，而賣方則金融產(chǎn)品的出賣者嫉称。以比較常見的金融衍生品交易，尤其是股票類衍生品交易為例灵疮，那些口若懸河织阅、舌燦蓮花的賣方角色多由投資銀行和券商來擔(dān)當(dāng)，他們主要從事設(shè)計開發(fā)原始產(chǎn)品以及負(fù)責(zé)原始產(chǎn)品的銷售推廣震捣；而對沖基金荔棉、養(yǎng)老基金、信托公司以及資產(chǎn)管理公司則在這一環(huán)節(jié)里初步充當(dāng)買方的角色蒿赢，他們可以從投行或券商那里購買原始產(chǎn)品润樱，然后通過不斷優(yōu)化這樣的原始產(chǎn)品以直接銷售獲利，或者利用這樣的原始產(chǎn)品來間接優(yōu)化自己的固有產(chǎn)品羡棵，從而提升其固有產(chǎn)品的市場價值壹若。比如賣方可以從買方那里購買“定價產(chǎn)品”，然后借助這樣的產(chǎn)品來其確定現(xiàn)有產(chǎn)品的交易價額皂冰，并最終按該價格將其產(chǎn)品賣給市場終端的投資者店展，以保證其收益的最大化。這些“定價產(chǎn)品”秃流，即運(yùn)用數(shù)學(xué)和計算機(jī)模型而把未來收益數(shù)量化赂蕴，并可由此幫助金融機(jī)構(gòu)制定出最優(yōu)價格方案的產(chǎn)品，就是本文想要著重探討的 “金融量化技術(shù)”的典型代表舶胀。
總的來說概说，金融量化技術(shù)可分為兩大類，一類是P Quant嚣伐，另一類是Q Quant糖赔。它們雖同為資產(chǎn)定價機(jī)制，但其原理和受眾卻大相徑庭纤控，而且各自的風(fēng)頭此消彼長挂捻，真可謂是金融量化領(lǐng)域的“少林”和“武當(dāng)”。
Q Quant是指風(fēng)險中性測度船万。在“風(fēng)險中性”的理論假設(shè)下刻撒，歷史數(shù)據(jù)只是記錄過去的數(shù)字，它們與未來無關(guān)耿导，因而并不能直接幫助預(yù)測金融產(chǎn)品的未來走勢声怔，定價機(jī)制還是主要應(yīng)依據(jù)數(shù)學(xué)模型，比如隨機(jī)過程舱呻、偏微方程醋火，所以由此推導(dǎo)出的定價模型大多充滿了學(xué)院派氣質(zhì)且理論性十足悠汽，顯得高深晦澀，非常人可試芥驳。P Quant則指真實(shí)概率測度柿冲，與“風(fēng)險中性”不同，在“真實(shí)概率”的理論假設(shè)下兆旬，搭建定價模型所需的概率分布應(yīng)根據(jù)歷史數(shù)據(jù)而估算出來假抄，而非僅憑數(shù)學(xué)模型而演算出來，換言之丽猬，該種定價模型所預(yù)測出未來走勢主要是以數(shù)據(jù)統(tǒng)計為基礎(chǔ)的宿饱，因而是“真實(shí)”的，而且數(shù)據(jù)量越大脚祟，其預(yù)測效果就越可能接近未來的實(shí)際效果谬以，也就是所謂的“大數(shù)據(jù)”（Big Data）。為了處理卷帙浩繁的歷史數(shù)據(jù)由桌，產(chǎn)品開發(fā)者們往往離不開計算機(jī)的輔助为黎，所以與 P Quant相關(guān)的產(chǎn)品技術(shù)也主要是時間序列、貝葉斯算法沥寥、機(jī)器學(xué)習(xí)等與計算機(jī)技術(shù)密切相關(guān)的建模方法碍舍。
由此可以看出，根據(jù)對歷史數(shù)據(jù)的親疏不同邑雅，Q Quant和 P Quant的區(qū)別其實(shí)顯而易見，前者基于對未來的假設(shè)推算現(xiàn)在妈经，后者基于對歷史的借鑒推測現(xiàn)在淮野。兩者雖然都需要運(yùn)用到歷史數(shù)據(jù)，但前者通常是先搭建一個模型吹泡，然后再通過歷史數(shù)據(jù)來不斷精化該模型的參數(shù)性能骤星，因而歷史數(shù)據(jù)的作用主要是優(yōu)化模型的磨刀石；而后者通常會先搭建數(shù)個備選模型爆哑，然后將歷史數(shù)據(jù)分別套用到不同的備選模型中去洞难，并根據(jù)由此產(chǎn)生的計算結(jié)果來選擇表現(xiàn)最佳的那個模型，因而歷史數(shù)據(jù)在 P Quant中的作用就升格成了選擇模型的試金石揭朝。我們很難論斷究竟哪一種理論更為科學(xué)队贱，因?yàn)闅v史既值得鑒戒，但歷史也不會重演潭袱，歷史數(shù)據(jù)既可能幫助我們科學(xué)預(yù)測柱嫌，但也可能帶領(lǐng)我們誤入歧途。
不過這一區(qū)別對于角色各異的金融市場參與者而言屯换，卻是意義非凡编丘。具體說來，由于 Q Quant主要背靠數(shù)學(xué)模型而不依賴歷史數(shù)據(jù)，這意味著即便在數(shù)據(jù)相對匱乏的情況下嘉抓，我們也依然可根據(jù)該理論憑空開發(fā)出一些新的產(chǎn)品索守，這對金融市場中的賣方而言，無疑是喜聞樂見的抑片。以投行和券商為代表的賣方蕾盯，大多從事衍生品定價，即通過開發(fā)和銷售新的金融衍生品來實(shí)現(xiàn)獲利蓝丙，同行競爭者之間比拼的是原始產(chǎn)品的技術(shù)優(yōu)劣和認(rèn)購市場的實(shí)際需求级遭，所以他們更倚重 Q Quant所具備的可實(shí)現(xiàn)“從無到有”的制造特性。
或許有些人不禁會好奇渺尘，作為投行和對沖基金等金融機(jī)構(gòu)的生財利器挫鸽，究竟什么是金融衍生品？從本質(zhì)上說鸥跟，金融衍生品就是一份合同丢郊，而且是一份可幫助買方實(shí)現(xiàn)風(fēng)險控制和套利交易的合同。比如個股期權(quán)就是典型的金融衍生品医咨，它賦予了買方在約定時間內(nèi)可按照約定價格買入或者賣出特定股票的權(quán)利枫匾。試想，如果該約定價格過低拟淮，那么賣方將會得不償失干茉，因?yàn)檫@相當(dāng)于為買方提供了一個廉價的風(fēng)險對沖工具，使其可以輕而易舉地實(shí)現(xiàn)低買高賣很泊，這顯然并非賣方的本意初衷角虫，因而實(shí)際發(fā)生的概率也微乎其微。但如果該約定價格過高委造，那么賣方就可能面臨有價無市的尷尬窘境甚至產(chǎn)生流動性風(fēng)險戳鹅，并最終導(dǎo)致血本盡賠，顆粒無收昏兆。所以個股期權(quán)的賣方或做市商在設(shè)計定價或者交易該產(chǎn)品時枫虏，往往并不會貪心不足，漫天要價爬虱×フ可是究竟怎樣才能保證合同的價格公平合理，從而有利于實(shí)現(xiàn)買賣雙方的互利共贏饮潦？考慮到這類金融衍生品本身只是一紙合同燃异，不像股票一樣有歷史數(shù)據(jù)可循，這時賣方往往就會借助 Q Quant理論继蜡，通過利用數(shù)學(xué)模型來設(shè)定既定股票的未來走勢及波動率回俐，進(jìn)而推算出該個股期權(quán)的合理現(xiàn)值逛腿。
如果說 Q Quant主要是賣方的心頭好，那么 P Quant則是可謂是買方的白月光 仅颇。因?yàn)橐詫_基金為主的買方主要從事大批量的產(chǎn)品篩選和投資決策单默，故而其核心業(yè)務(wù)本身就對數(shù)據(jù)處理技術(shù)有著極高的依賴度。此外忘瓦，作為中間商搁廓，買方其實(shí)并不參與任何產(chǎn)品開發(fā)，而是僅僅專注于對現(xiàn)有產(chǎn)品的精細(xì)化加工耕皮，所以 P Quant所具備的“百里挑一”的優(yōu)化特性無疑正中其懷境蜕。
實(shí)際上，當(dāng)對沖基金在設(shè)計套利策略時凌停，他們往往會盡可能地去搜集與其產(chǎn)品相關(guān)的所有歷史數(shù)據(jù)粱年，并對這些數(shù)據(jù)進(jìn)行多角度、全方面罚拟、深層次的比較分析台诗，從而尋找出眾多歷史數(shù)據(jù)之間的內(nèi)在聯(lián)系和統(tǒng)計規(guī)律。以股票策略為例赐俗，通過對現(xiàn)有數(shù)據(jù)的剖析歸納拉队，對沖基金往往希望準(zhǔn)確預(yù)測出諸如“上市公司的財務(wù)狀況會對公司股價產(chǎn)生何種影響”，“特定行業(yè)的整體環(huán)境以及宏觀經(jīng)濟(jì)的政策調(diào)控又會對該行業(yè)上市公司的股價產(chǎn)生何種影響”阻逮，并由此制定出極具產(chǎn)品針對性的套利策略粱快。
在某種程度上，P Quant的跌宕起伏浮其實(shí)就是數(shù)據(jù)分析技術(shù)的興衰榮辱夺鲜。在歷史數(shù)據(jù)基數(shù)不夠皆尔，并行運(yùn)算技術(shù)尚不成熟的年代里，P Quant理論難免因?yàn)橥饬Σ蛔愣@得捉襟見肘币励，那時各類金融衍生品憑借著Q Quant定價模型大行其道，并一時間風(fēng)頭無兩珊拼∈成耄可事實(shí)證明，即使是華爾街的天之驕子們澎现，也最終難逃物極必反的命數(shù)仅胞。金融衍生品的空前成功使得那些狂熱分子逐漸走火入魔，并開始不計成本的發(fā)行各類晦澀難懂但又毫無市場價值的金融衍生品剑辫。這一切的盲目投資的最終都在金融危機(jī)的血洗之下的慘淡收場干旧，不僅使得投資者對 Q Quant失去了信心，而且也讓Q Quant從此元?dú)獯髠帽巍 Quant就是在這樣的背景下椎眯，頭頂著互聯(lián)網(wǎng)的東風(fēng)挠将，腳踩著 Q Quant的瘡痍，而一躍登上了時代舞臺编整。
計算機(jī)技術(shù)的日新月異舔稀，使得海量數(shù)據(jù)處理瞬間成為了可能，在“大數(shù)據(jù)技術(shù)”的強(qiáng)力支持和“電子化交易”的產(chǎn)業(yè)革新下掌测，P Quant乘勢而發(fā)内贮，如有神助，徹底告別了過去因?yàn)閿?shù)據(jù)不足和技術(shù)不夠而難有用武之地的困頓局面汞斧。近年來夜郁，眾多歐美對沖基金以及投行的自營盤都開始熱衷于開發(fā)基于“大數(shù)據(jù)技術(shù)”的套利策略，其中最具代表性的包括溫頓資本 （Winton Capital）在牛津設(shè)立數(shù)據(jù)研究中心粘勒，以及瑞信信貸（Credit Suisse）對HOLT選股系統(tǒng)進(jìn)行技術(shù)革新等等竞端。此外，今年8月還有消息稱仲义，大摩 婶熬、小摩 和高盛未來將可能共同組建大數(shù)據(jù)公司，從而為三者提供“證券產(chǎn)品參考數(shù)據(jù)”（Securities Product Reference Data）埃撵。雖然時下這場以 P Quant為主角的數(shù)據(jù)盛宴卡司豪華赵颅，并受全民熱捧，但念其對歷史數(shù)據(jù)和電子技術(shù)的高度依賴暂刘，其未來的發(fā)展之路也依舊撲朔迷離饺谬。
如何捧起“量化”的金飯碗
盡管 Q Quant和 P Quant此消彼長，互不承讓谣拣，但其終究還是同屬“量化”一門募寨；盡管金融市場中的買方和買方對P Quant和 Q Quant各有偏重，喜好相異森缠，但其終究還是離不開“量化”之功拔鹰。歐美投行幾乎都無一例外的設(shè)立了“量化”部門，而與此相關(guān)的量化分析職位更是成為了眾人眼中的香餑餑贵涵。即使是一個入門級量化交易員也往往能夠擁有10萬美金起的基本年收入列肢，這對于普通交易員而言，無疑是可望而不可及的宾茂。
但與金飯碗相匹配的瓷马，便是這些職位的高要求。一位合格的量化交易員不僅需要擁有深厚的數(shù)學(xué)背景和堅實(shí)的金融理論跨晴，而且還必須掌握豐富的編程語言和熟練的建模技能欧聘。一般而言，為了保證模型計算的安全快速端盆，Q Quant大多會傾向使用VBA/C++和C#等面向?qū)ο蟮恼Z言或者類似F#這樣的函數(shù)式語言怀骤。而P Quant則要求開發(fā)人員首先利用Hadoop或者Spark 來搭建初步的模型框架费封，并通常會為其提供分布式文件系統(tǒng)，用以存儲所有計算節(jié)點(diǎn)的數(shù)據(jù)晒喷，而后再要求其根據(jù)R-Hadoop或者Spark-Python/Scala等程序語言來實(shí)現(xiàn)具體算法孝偎。毫不夸張的說，是人腦發(fā)明了前所未有的量化技術(shù)凉敲，而電腦則開創(chuàng)了絢爛恢弘的量化時代衣盾。
（作者介紹：倫敦大學(xué)學(xué)院（UCL）在讀金融數(shù)學(xué)博士，Crescent Quant坤遜金融信息服務(wù)（上海）有限公司創(chuàng)始人爷抓，曾負(fù)責(zé)Credit Suisse瑞士信貸倫敦團(tuán)隊證券類量化策略研發(fā)势决。本文僅代表作者觀點(diǎn)。責(zé)任編輯郵箱：tao.feng@ftchinese.com）
