wie man ein Quant ist

Contents

wie man ein Quant ist

Schritte zum Quant Trader werden

Lukrative Löhne, hohe Boni und Kreativität am Arbeitsplatz haben dazu geführt, dass der quantitative Handel zu einer attraktiven Karriereoption wurde. Quantitative Trader, oder kurz Quants, verwenden mathematische Modelle, um Handelsmöglichkeiten zu identifizieren und Wertpapiere zu kaufen und zu verkaufen. Der Zustrom von Kandidaten aus den Bereichen Wissenschaft, Softwareentwicklung und Ingenieurwesen hat das Feld recht konkurrenzfähig gemacht. In diesem Artikel werden wir uns anschauen, was Quants tun und welche Fähigkeiten und Ausbildung benötigt werden.

Was tun quantitative Händler wirklich?

Das Wort "quant" leitet sich von quantitativ ab, was im Wesentlichen das Arbeiten mit Zahlen bedeutet. Die Weiterentwicklung des computergestützten algorithmischen Handels und des Hochfrequenzhandels bedeutet, dass eine große Menge an Daten analysiert werden muss. Quants minen und recherchieren den verfügbaren Kurs und notieren Daten, identifizieren profitable Handelsmöglichkeiten, entwickeln relevante Handelsstrategien und nutzen Chancen mit blitzschneller Geschwindigkeit durch selbst entwickelte Computerprogramme. Ein Quant-Trader benötigt im Wesentlichen eine ausgewogene Mischung aus tiefgründigem mathematischem Wissen, praktischem Handel und Computerkenntnissen. Quant Trader können für Wertpapierfirmen und Banken arbeiten, oder sie können Eigenhändler sein und ihr eigenes Geld für Investitionen verwenden. (Für mehr, siehe: Quants: Was sie tun und wie sie sich entwickelt haben

Eine aufstrebende Quant sollte mindestens einen Hintergrund in Finanzen, Mathematik und Computerprogrammierung haben. Zusätzlich sollten Quants die folgenden Fähigkeiten und Hintergründe haben:

  • Zahlen, Nummern und Nummern: Quant-Trader müssen außergewöhnlich gut in Mathematik und quantitativer Analyse sein. Zum Beispiel, wenn Begriffe wie bedingte Wahrscheinlichkeit, Schiefe, Kurtosis und VaR nicht bekannt vorkommen, dann sind Sie wahrscheinlich nicht bereit, ein Quant zu sein. Ein gründliches mathematisches Wissen ist ein Muss für die Datenrecherche, das Testen der Ergebnisse und die Umsetzung der identifizierten Handelsstrategien. Identifizierte Handelsstrategien, implementierte Algorithmen und Handelsausführungsmethoden sollten so einfach wie möglich sein. In der heutigen blitzschnellen Handelswelt nehmen komplexe Algorithmen für die Verarbeitung von Zahlen einen Großteil des Marktanteils ein. Schon ein kleiner Fehler im zugrunde liegenden Konzept des Quant Traders kann zu einem enormen Handelsverlust führen. (Zum Lesen siehe: Quants: Die Raketenwissenschaftler der Wall Street.)
  • Schul-und Berufsbildung: Für Hochschulabsolventen ist es meist schwierig, einen Job als Quant Trader zu bekommen. Ein typischer Karriereweg beginnt als Data Research Analyst und wird nach einigen Jahren zum Quant. Ausbildung wie ein Master in Financial Engineering, ein Diplom in quantitativer Finanzmodellierung oder Wahlfächer in quantitativen Streams während des regulären MBA können Kandidaten einen Vorsprung geben. Diese Kurse decken die theoretischen Konzepte und die praktische Einführung in Werkzeuge ab, die für den Quant-Handel benötigt werden.
  • Handelskonzepte: Von Quants wird erwartet, dass sie ihre eigenen einzigartigen Handelsstrategien und -modelle von Grund auf entdecken und entwerfen sowie etablierte Modelle anpassen. Ein Quant-Trading-Kandidat sollte detaillierte Kenntnisse über beliebte Handelsstrategien sowie über die jeweiligen Vor- und Nachteile haben. (Zum Lesen siehe: Quant Strategien - sind sie für Sie?)
  • Programmierkenntnisse: Quant Trader müssen mit Data Mining, Research, Analyse und automatisierten Handelssystemen vertraut sein. Sie sind oft am Hochfrequenzhandel oder am algorithmischen Handel beteiligt. Ein gutes Verständnis von mindestens einer Programmiersprache ist ein Muss, und je mehr Programme der Kandidat kennt, desto besser. C ++, Java, Python und Perl sind einige der am häufigsten verwendeten Programmiersprachen. Vertrautheit mit Tools wie MATLAB und Tabellenkalkulationen und Konzepten wie Big Data und Datenstrukturierung ist ein Plus.
  • Computernutzung: Quants implementiert eigene Algorithmen für Echtzeitdaten, die Preise und Kurse enthalten. Sie müssen mit allen zugehörigen Systemen vertraut sein, wie etwa einem Bloomberg-Terminal, das Daten-Feeds und Inhalte bereitstellt. Sie sollten sich auch mit Softwareanwendungen und Tabellenkalkulationsprogrammen für Diagramme und Analysen vertraut machen und in der Lage sein, Broker-Handelsplattformen zu verwenden, um Aufträge zu erteilen.

Neben den oben genannten technischen Fähigkeiten benötigen Quant-Trader auch Soft Skills. Diejenigen, die bei Investmentbanken oder Hedge-Fonds beschäftigt sind, müssen gelegentlich ihre entwickelten Konzepte vorlegen, um Manager und höhere Unternehmen zur Genehmigung zu befördern. Quants interagieren normalerweise nicht mit Kunden und arbeiten oft mit einem spezialisierten Team zusammen, so dass durchschnittliche Kommunikationsfähigkeiten ausreichen. Darüber hinaus sollte ein Quant-Trader folgende Soft Skills besitzen:

  • Das Temperament eines Händlers: Nicht jeder kann wie ein Händler denken und handeln. Erfolgreiche Trader suchen stets nach innovativen Handelsideen, können sich an veränderte Marktbedingungen anpassen, gedeihen unter Stress und akzeptieren lange Arbeitszeiten. Arbeitgeber prüfen Kandidaten für diese Merkmale gründlich. Manche geben sogar psychometrische Tests.
  • Risikobereitschaft Fähigkeiten: Die heutige Handelswelt ist nichts für Zartbesaitete. Dank der Marge und des gehebelten Handels mit Abhängigkeiten von Computern können Verluste zu höheren Beträgen als das verfügbare Kapital eines Händlers führen. Angehende Quants müssen Risikomanagement- und Risikominderungstechniken verstehen. Ein erfolgreiches Quant kann 10 Trades machen, Verluste auf den ersten acht und Gewinne nur mit den letzten beiden Trades.
  • Bequem mit Versagen: Ein Quant hält nach innovativen Handelsideen Ausschau. Selbst wenn eine Idee narrensicher erscheint, können dynamische Marktbedingungen eine Pleite machen. Viele aufstrebende Quant-Trader scheitern, weil sie an einer Idee festhalten und versuchen, trotz widriger Marktbedingungen weiterzumachen. Sie können es schwierig finden, das Scheitern zu akzeptieren, und sind daher nicht bereit, ihr Konzept loszulassen. Auf der anderen Seite folgen erfolgreiche Quants einem dynamischen Loslösungsansatz und bewegen sich schnell zu anderen Modellen und Konzepten, sobald sie Herausforderungen in bestehenden finden.
  • Innovative Denkweise: Die Handelswelt ist hochdynamisch und kein Konzept kann lange Geld verdienen. Mit Algo- rithmen, die Algorithmen gegenüberstehen und jeder versucht, die anderen zu übertreffen, kann nur derjenige mit besseren und einzigartigen Strategien überleben. Ein Quant muss weiterhin nach neuen innovativen Handelsideen suchen, um profitable Gelegenheiten zu nutzen, die schnell verschwinden können. Es ist ein nie endender Zyklus.

Quant-Trading erfordert fortgeschrittene Fähigkeiten in den Bereichen Finanzen, Mathematik und Computerprogrammierung. Große Gehälter und Sky-Rocking-Boni ziehen viele Kandidaten an, daher kann es eine Herausforderung sein, den ersten Job zu bekommen. Darüber hinaus erfordert kontinuierlicher Erfolg ständige Innovation, Komfort mit Risiko und lange Arbeitszeiten.

Das Leben eines quantitativen Analytikers

Im Geschäft als "Quants" bekannt, entwickeln und implementieren quantitative Analysten komplexe mathematische Modelle, mit denen Finanzunternehmen Entscheidungen über Risikomanagement, Investitionen und Preisgestaltung treffen. Part-Spekulant, teilweise rücksichtsloser Logiker, ein Quant-Ziel ist es, Risiken zu reduzieren und / oder Gewinne zu generieren.

Geförderte Master in Data Science Programme

Weitere Informationen Southern Methodist University

Weitere Informationen Universität von Kalifornien-Berkeley

Weitere Informationen George Washington Universität

Verantwortlichkeiten des quantitativen Analysten

Die Zuständigkeiten unterscheiden sich je nach Arbeitgeber (z. B. Hedgefonds vs. Investmentbank), Produktfokus (z. B. forderungsbesicherte Wertpapiere vs. Rohstoffe) und Fachwissen. Ein Quant kann erforderlich sein, um:

  • Recherchieren und analysieren Sie Markttrends und Statistiken, um Modellierungsentscheidungen zu treffen
  • Entwickeln und implementieren Sie komplexe quantitative Modelle (z. B. Modelle für den Handel mit Aktien) und analytische Software / Tools
  • Durchführen täglicher statistischer Analysen (z. B. Risikoanalyse, Kreditpreismodellierung, Modellierung von Ausfallrisiken usw.) und Codierungsaufgaben (z. B. Mustererkennung oder maschinelles Lernen)
  • Detaillierte Modellspezifikationen und Methoden der Datenerhebung
  • Testen Sie neue Modelle, Produkte und Analyseprogramme
  • Pflegen und modifizieren Sie analytische Modelle während der Verwendung
  • Wenden Sie unabhängige Tools an oder erfinden Sie sie, um die Ergebnisse zu überprüfen
  • Arbeite mit Teams von Mathematikern, Informatikern und Physikern zusammen, um optimale Strategien zu entwickeln
  • Konsultieren Sie die Mitarbeiter der Finanzindustrie zu Handelsstrategien, Marktdynamik, Handelssystem-Performance usw.
  • Erstellen Sie eine Anforderungsdokumentation für Softwareentwickler
  • Präsentieren und interpretieren Sie die Datenergebnisse für das Management und die Kunden

Es gibt Quants, die Experten in einem bestimmten Bereich sind - statistische Arbitrage, Derivatpreise, quantitatives Investmentmanagement, algorithmischer Handel oder Electronic Market Making - und Quants, die zu bestimmten Stärken spielen.

Zum Beispiel kann ein schüchternes und in den Ruhestand getretenes "Backoffice" -Quant (d. H. Ein quantitativer Modellierer / Forscher) tief in die Erforschung und Validierung statistischer Modelle oder das Erzeugen neuer Finanzstrategien involviert sein. Ein "Front Office" Quant mit hoher Oktanzahl (d. H. Ein quantitativer Trader) könnte einzeln mit Händlern arbeiten, Börsenalgorithmen entwerfen und Kollegen mit computerbasierten Preis- und Handelswerkzeugen versorgen.

Ein Interview mit einem echten quantitativen Analysten

Wir haben mit Micah Spruill, dem Mitbegründer von Aurora Investment Advisors, darüber gesprochen, wie es ist, als quantitativer Analyst zu arbeiten. Im Folgenden erörtert Micah die Vor- und Nachteile eines Quants, der am häufigsten verwendeten Programmiersprachen, und seines Ratschlags für Studenten.

  • In der Lage zu sein, wissenschaftliche Methoden zu verwenden, um neue Arten der Betrachtung und Analyse dieser Art von Daten zu finanzieren und zu entdecken.
  • In der Lage sein, Anlegern einen Investmentansatz zu bieten, der ein besseres, wahreres Verständnis der Märkte anstrebt (sowohl in Bezug auf Alpha Generation als auch Risikomanagement).
  • Andere (insbesondere Investoren) über die Bedeutung der quantitativen Analyse aufklären und warum, wenn sie effektiv genutzt wird, im Vergleich zu konventionelleren Methoden so mächtig ist.

Je mehr Sie wissen, desto mehr merken Sie, dass Sie es nicht wissen. Was ich damit meine: Je tiefer man einen Pfad einschlägt, desto mehr erkennt man die Chance auf versteckte Risiken. Im Finanzwesen, besonders wenn man sich auf Modelle verlässt, gibt es immer den Gedanken im Hinterkopf: "Haben wir etwas übersehen, übersehen wir irgendetwas?" Und das ist normalerweise eine sehr schwierige Frage. Fügen Sie dies der Verantwortung bei, große Geldbeträge zu verwalten, und es gibt immer ein gewisses Maß an Stress, das existiert. Ich sehe das aber gerne als "gesunden Stress" an, denn wenn man es nicht hat, kann man zu Selbstüberschätzung kommen.

Quants sind die ultimativen Finanzfreaks, also sind große Arbeitgeber typischerweise Hedgefonds und Investmentbanken. Sie finden auch Gelegenheiten bei Wertpapier- und Rohstoffhändlern, Maklerfirmen, Wirtschaftsprüfungsgesellschaften, Geschäftsbanken, Versicherungsgesellschaften und Finanzberatungsfirmen. Hedgefonds und Handelsunternehmen zahlen am besten, obwohl die Vergütungspakete oft von den Gewinnen des Unternehmens abhängen.

Wall Street ist, wo das Geld ist, für Quants wie für alle anderen. Laut PayScale lag der Median der NY-Analysten im Jahr 2015 bei 114.021 US-Dollar - 28% über dem nationalen Durchschnitt. Die Gehälter für quantitative Händler sind in wichtigen Handels- / Hedge-Fonds-Zentren wie Chicago, Boston und Stamford ebenfalls hoch. Wenn Sie nicht möchten, dass die USA Ihre Heimatbasis ist, können Sie es in Hongkong, London, Sydney, Singapur, Tokio oder Peking versuchen.

Durchschnittliches Gehalt (2015): 106.575 $ pro Jahr

Mediangehalt (2015): $ 83.699 pro Jahr

Wie man einen Quant Job erhält, sobald Sie einen Doktor haben

Wie man einen Quant Job erhält, sobald Sie einen Doktor haben

In diesem Artikel diskutieren wir ein Problem, das immer wieder über das QuantStart-Postfach auftaucht, nämlich wie man einen Quant-Job bekommt sobald du einen Doktortitel hast. Es gibt eine Menge Verwirrung um dieses Thema, weil einige Leute, die derzeit in der Wissenschaft arbeiten und die Schicht machen wollen, glauben, dass es ziemlich einfach ist, in eine hochbezahlte finanzielle Rolle "hineinzulaufen". Dies mag zwar vor 10-15 Jahren der Fall gewesen sein, aber die Realität des derzeitigen Arbeitsmarktes ist so, dass Quant Roles jetzt sehr wettbewerbsintensiv sind und die Kandidaten sich abheben müssen, um die besten Jobs zu bekommen.

Zunächst besprechen wir, mit welcher Art von Kandidaten Sie konkurrieren werden, wenn Sie ins Gespräch kommen. Zweitens werden wir besprechen, wie Sie eine ehrliche Einschätzung Ihrer Doktorarbeit machen können und was Sie daraus gewonnen haben, was für quantitative Finanzrollen relevant sein könnte. Abschließend werden wir prüfen, ob es notwendig ist, zur Ausbildung in eine Quant-spezifische Qualifikation in die Schule zurückzukehren.

Ich habe bei QuantStart ziemlich deutlich gemacht, dass der Wettbewerb um einige der quantitativ führenden Positionen der quantitativen Handelsforscher extrem schwierig sein kann. Im Vereinigten Königreich werden die besten Rollen normalerweise vor einem "Vor-Tür" -Interviewprozess gut gefüllt. In der Regel werden extrem brillante Akademiker in Mathematik, Physik, Informatik, Wirtschaftswissenschaften oder Finanzmathematik für eine bestimmte Fähigkeit gejagt, wie tiefgreifende Expertise in der Marktmikrostruktur, Einblick in Hochfrequenzhandelsalgorithmen, neuartige stochastische Kalkulationstechniken für bestimmte Derivate Regelungen oder umfangreiches statistisches Wissen zum maschinellen Lernen, das für von solchen Fonds verwendete Datensätze gilt.

Wenn solche quantitativen Forscherrollen für die Öffentlichkeit geöffnet werden, werden sie oft angeben, dass sie nach "nur den Besten und Klügsten" suchen, was in Großbritannien normalerweise "Top Five" -Universitäten bedeutet (Cambridge, Oxford, Imperial College, LSE und UCL) ). In den USA wird dies High-End-Ivy-League-Institutionen bedeuten. Die Anzeigen werden oft angeben, dass sie Beweise für konsistente mathematische Olympiade Preise und eine umfangreiche Publikationsliste in einem relevanten Bereich sehen wollen.

Während dies sicherlich für die Top-Rollen gilt, gibt es viele andere (sehr gut bezahlte und prestigeträchtige) Jobs, die ebenfalls gefüllt werden müssen. Bedenken Sie, dass es nur so viele Gewinner der Mathematikolympiade gibt! Daher sollte man nicht entmutigt sein, wenn man zahlreiche Anzeigen sieht, die nach solchen Qualifikationen fragen. Es gibt viele kleinere Fonds und Boutique-Outfits, die nicht über die Ressourcen verfügen, aggressiv nach den ultimativen Talenten zu suchen und daher mehr als bereit sind, glänzende Doktoranden zu beschäftigen, die nicht unbedingt eine olympische Erfolgsbilanz haben.

Die erste Aufgabe bei der Beantragung von Quant Roles ist ein ehrlich Bewertung Ihrer Doktorarbeit und was hast du damit erreicht?. In erster Linie müssen Sie das Niveau der mathematischen Fähigkeiten, die Sie erreichen konnten, sowie Ihre Programmierfähigkeiten berücksichtigen.

Quant Roles im Derivatpreisbereich, die traditionell als "Quant Analyst" oder "Financial Engineer" bekannt sind, erfordern eine angemessene mathematische Komplexität. Insbesondere Expertise in stochastischer Infinitesimalrechnung, Wahrscheinlichkeits- und Maßtheorie. Dies sind Themen, die normalerweise in einem Bachelor-Mathematik-Kurs gelehrt werden, aber können eine Komponente der unterrichteten Graduiertenschule PhDs bilden. Darüber hinaus erfordern sie ein gutes Verständnis der wissenschaftlichen Programmierung in der Regel in C ++, Python oder MatLab. Da die Rolle eines Quant-Analysten häufig darin besteht, eine Implementierung eines bestimmten Algorithmus aus einer Forschungsarbeit unter harten Terminen zu programmieren, ist er ganz natürlich für solche Doktoranden geeignet.

Quant-Rollen in der Welt des algorithmischen Handels und der Quant-Hedgefonds erfordern fast ausschließlich neuartige Methoden zur Generierung von "Alpha" (d. H. Eine Überschussrendite über einer Benchmark). Gewöhnlich wird dies durch Zeitreihenanalyse und Ökonometrie erreicht, aber in jüngerer Zeit wurden statistische maschinelle Lerntechniken angewandt, ebenso wie Methoden, die sich auf die Stimmungsanalyse beziehen. Einige der besten Quant-Fonds verwenden in den Bereichen der algebraischen Geometrie, der Zahlentheorie und der Informationstheorie weit fortgeschrittene Mathematik auf fortgeschrittenem Niveau. Daher ist alles, was sehr mathematisch, statistisch oder physisch orientiert ist, für einen Top-Quant-Hedgefonds von Interesse.

Für Computerwissenschaftler und starke wissenschaftliche Softwareentwickler gibt es im Allgemeinen immer Arbeit für quantitative Entwicklerrollen. Obwohl Sie gegen diejenigen mit Branchenerfahrung in rigoroser Softwareentwicklung konkurrieren werden. Daher könnte der "akademische Code" der Sorte "20,000 line single-file of Fortran" ein Hindernis sein! Stellen Sie sicher, dass Sie die modernen Softwareentwicklungsmethoden wie OOP, Agile usw. auffrischen.

Ich möchte auch über bestimmte Promotionsfelder sprechen, um Ihnen eine Vorstellung davon zu geben, wo Sie sich befinden Macht Überlege dir, deine Bemühungen auf das zu konzentrieren, was du vorher studiert hast:

  • Reine Mathematik - Die Top-Fonds beschäftigen in der Regel die reinen Mathematiker aus den esoterischen Bereichen wie Algebraische Geometrie und Informationstheorie. Die Banken werden auch Personen, die stochastische Infinitesimalrechnung studieren, für ihre Derivate-Forschungsteams auf ein hohes Niveau bringen.
  • Mathematische Finanzen - Portfolio-Optimierung und Derivate-Preise sind zwei gemeinsame Themen in mathematischen Finanz-PhDs untersucht. Sie werden während Ihrer Promotion oft mit Banken zusammengearbeitet haben, daher ist es unwahrscheinlich, dass Ihre beruflichen Aussichten gering sind! Wenn Sie Probleme haben, kann es sehr hilfreich sein, die Abteilungsleiter zu kontaktieren, da diese oft ein starkes Netzwerk haben.
  • Theoretische Physik - Die Mittel werden sehr daran interessiert sein, physikalische Phänomene entweder durch direkte oder statistische Ansätze zu modellieren. Einige theoretische Physikbereiche sind hochmathematisch (Kosmologie, Stringtheorie, Quantenfeldtheorie usw.) und so ist der Rat, der der theoretischen Physik von Doktoranden gegeben wird, dem reinen Mathematiker ähnlich.
  • Computergestützte Physik / Ingenieurwissenschaften - Das Hauptfach, das hier gelehrt wird, ist, wie man einen Algorithmus anwendet und eine robuste wissenschaftliche Computerimplementierung erzeugt, vielleicht in einer parallelisierten Art und Weise. Dies ist eine äußerst nützliche Fähigkeit für Quant-Arbeit in Banken und Fonds, insbesondere für die Entwicklung der Infrastruktur. Stellen Sie jedoch sicher, dass Sie vor dem Interview Kernthemen wie Statistik und stochastischen Kalkül auffrischen.
  • Statistik / Ökonometrie - Statistiker und theoretische Ökonometriker werden von technischen Quant-Fonds, insbesondere im Bereich Commodity Trading Advisor (CTA) / Managed Futures, gut nachgefragt sein. Die Zeitreihenmodellierung wird hier sehr geeignet sein.
  • Informatik / Maschinelles Lernen - In vielen Fonds werden maschinelle Lern- und Optimierungswerkzeuge, die dem theoretischen Informatiker und in jüngerer Zeit dem "Data Scientist" zueigen sind, in großem Umfang genutzt. Vertrautheit mit statistischem maschinellem Lernen und Bayes-Methoden wird sehr attraktiv sein.
  • Bioinformatik - Bioinformatiker nutzen auch umfangreiche maschinelle Lernwerkzeuge für "Big Data" -Sets. Für das Interview möchten Sie Ihre Vertrautheit mit solchen Tools und Ihre Programmierfähigkeit betonen. Abhängig von Ihrem Hintergrund müssen Sie möglicherweise Ihre (reine) Mathematik für Interviewfragen auffrischen.
  • Wirtschaft / Finanzen - Wirtschaft und Finanzen Die Doktortitel bringen Ihnen nicht immer die mathematische Reife bei, die für reine Quantenarbeit notwendig ist, aber es hängt wirklich vom Projekt ab. Sie müssen ehrlich mit sich selbst sein, wo Sie auf dem mathematischen Spektrum liegen. Darüber hinaus müssen Sie Ihre Programmierfähigkeit berücksichtigen.

Eine sehr häufige Frage, die ich im QuantStart Postsack erhalte, ist, ob ich im Anschluss an eine Promotion zur finanzspezifischen Ausbildung in die Schule zurückkehren soll.

Ich habe meine Ansichten über Master in Financial Engineering (MFE) -Programmen im Zusammenhang mit quantitativem Handel bereits dokumentiert. Im Wesentlichen glaube ich, dass MFEs nicht sehr geeignet sind für quantitative Handelsforschungsarbeiten, aber sie sind ein guter Einstieg in die Quant-Arbeit im Investment Banking.

Wenn Ihre Promotion nicht auf quantitativer oder Programmierarbeit basiert, Sie aber einen ausreichend ausgereiften mathematischen Hintergrund haben, dann kann es sinnvoll sein, einen MFE anzunehmen, vorausgesetzt, dass Sie es sich leisten können, den Kurs zu finanzieren. Ein MFE an einer erstklassigen Schule bietet Ihnen ein solides Netzwerk von anderen Kandidaten (und somit Personen, die Ihnen später helfen könnten, eine Rolle zu spielen), eine relativ gesunde Einstellungsposition nach dem Abschluss und eine nützliche Kompetenz für die Preisgestaltung von Investment-Banking-Derivaten.

Ich würde raten gegen Rückkehr zur Schule, wenn Sie einen starken quantitativen Doktortitel haben, da Sie die zusätzlichen Qualifikationen einfach nicht benötigen und Sie in der Lage sein sollten, das notwendige Interviewmaterial selbst zu finden, wenn auch mit viel Studium.

Wenn Sie in einem nicht-quantitativen Bereich promovieren und Ihr Hintergrund nicht ausreichend mathematisch ist, dann sollten Sie auf jeden Fall berücksichtigen, dass Sie wahrscheinlich zur Schule zurückkehren müssen, wenn Sie wirklich in der quantitativen Finanzierung arbeiten wollen. Insbesondere müssen Sie einen Bachelor-Abschluss studieren, der eine starke quantitative Komponente wie Mathematik oder Physik hat, da diese beiden Abschlüsse Sie in der Regel leicht in andere quantitative Bereiche überführen lassen.

Treten Sie dem Quantcademy-Mitgliedschaftsportal bei, das auf die schnell wachsende Quant-Händler-Community im Einzelhandel ausgerichtet ist und lernen Sie, wie Sie Ihre Strategie-Rentabilität steigern können.

Seit ich über meine Erfahrungen beim Schreiben der CFA Level I Prüfung im Juni geschrieben habe, habe ich viele E-Mails von Leuten erhalten, die daran interessiert waren herauszufinden, wie man ein Quant wird. Bis zu einem gewissen Grad wird dieser Beitrag diese Frage beantworten. Das heißt, dieser Beitrag geht eigentlich nicht darum, wie werden ein Quant, es geht darum, wie Sein Ein Quant in welchem ​​Sektor der Finanzdienstleistungsbranche, in dem Sie bereits arbeiten. Quant zu sein ist keine Raketenwissenschaft, es ist wirklich nur eine Ideologie.

Meiner Meinung nach sollte die quantitative Finanzierung als Wissenschaft und nicht als Beruf betrachtet werden. Das bedeutet, zu wissen, wie werden Ein Quant ist weniger wichtig als zu wissen, wie Sein ein Quant. Letzteres befasst sich mit den Prinzipien und Ideologien der quantitativen Finanzierung (die meines Erachtens in jedem Finanz- oder Technologiebereich erfolgreich angewandt werden kann), während die ersteren sich mit den praktischen Tätigkeiten befassen, die für eine Arbeit mit dem Titel "quant" erforderlich sind.

Auf fundamentaler Ebene geht es bei einem Quant nicht nur darum zu wissen, wie man geschlossene Formeln für die Schätzung des Wertes einer exotischen Option ableiten kann, sondern auch, wie man systematische Handelsstrategien entwickelt, trainiert und testet Verwenden Sie statistische Regressionsmodelle. Ein Quant zu sein, bedeutet, an die wissenschaftliche Untersuchung der Finanzmärkte im Allgemeinen zu glauben und diese anzuwenden.

Diese Ideologie gewann an Popularität bei der Bewertung von Derivaten (quantitative Analysten), verbreitete sich jedoch schnell auf das Risikomanagement (quantitative Risikoanalysten) und Vermögensverwaltung und -handel (quantitative Händler und Strategen). Ich prophezeie, dass sich diese Ideologie in den kommenden Jahrzehnten in Bereichen wie Corporate Finance, Investment Banking, Private Equity und sogar Venture Capital weiter verbreiten wird. In jedem Feld kann es eine andere Form annehmen, sich leicht weiterentwickeln und vielleicht sogar einen neuen Namen bekommen (Datenwissenschaft?), Aber die Ideologie wird gleich bleiben.

Der Rest dieses Artikels wird versuchen zu artikulieren, was ich glaube Sein ein Quant. Nachdem ich gesagt habe, dass ich erst seit ein paar Jahren ein Quant bin, entwickeln sich meine Ansichten immer noch. Sollten Sie also etwas Unangenehmes finden oder etwas hinzufügen wollen, lassen Sie es mich bitte unten im Kommentarbereich wissen. Der Artikel gliedert sich in drei Teile:

  1. Teil 1 - Die Philosophie der Wissenschaft
  2. Teil 2 - Die wissenschaftliche Methode
  3. Teil 3 - Mit Modellen denken
  4. Und schließlich, Schlussfolgerungen und Schlussbemerkungen.

Wie man ein Quant wird

Kenne die Grenzen der empirischen Wissenschaft und des induktiven Denkens. Verstehe, dass alle Finanztheorien fehlbar sind und alle quantitativen Modelle fragil sind.

Während meines akademischen Grades in Informatik waren der Rest meiner Klasse und ich gezwungen, ein einjähriges Modul namens "Forschungsmethoden" zu machen. Die beiden Lehrbücher für das Modul waren Wissenschaftstheorie: Vom Problem zur Theorie und Wissenschaftstheorie: Von der Erklärung zur Rechtfertigung beide von Mario Bunge. Trotz der Bemühungen unseres Professors, das Thema so langweilig wie möglich zu machen, genoss ich es, etwas über die Philosophie der Wissenschaft zu lernen und fand viele der in dem Modul präsentierten Ideen während meiner Karriere als Quant nützlich.

Die Philosophie der Wissenschaft ist ein Zweig der Philosophie, der sich mit den logischen Grundlagen, Methoden und Implikationen der Wissenschaft beschäftigt. Grob gesagt versucht es, die Fragen zu beantworten: "Was ist Wissenschaft?", "Warum funktioniert Wissenschaft?" Und "Was sind die Grenzen der Wissenschaft?". Im Laufe der Zeit haben sich unterschiedliche und manchmal widersprüchliche Wissenschaftsphilosophien gebildet. Dazu gehören, ohne darauf beschränkt zu sein, wissenschaftlicher Realismus vs. konstruktiver Empirismus vs. Instrumentalismus, Induktion vs. Deduktion vs. Abduktion und sogar logischer Positivismus vs. Falsifizierbarkeit.

Für ein interessantes Diagramm, das jede dieser Philosophien zueinander zeigt, klicken Sie hier.

Realismus ist die Ansicht, dass die von der Wissenschaft beschriebene Welt die reale Welt ist und nicht stattdessen, was die reale Welt ist wahrgenommen sein. Der Empirismus hingegen ist die Ansicht, dass Wissen aufgrund von Erfahrungen versuchsweise und probabilistisch ist und daher einer Revision und Verfälschung unterliegt. Verschiedene Formen von Realismus und Empirismus, die sich in ihrer Strenge unterscheiden, existieren z.B. Wissenschaftlicher vs. Strukturrealismus.

Das Hauptargument für den Realismus gegenüber dem Empirismus ist die Genauigkeit der wissenschaftlichen Theorien. Mit anderen Worten, wenn eine Theorie korrekt ist, was bedeutet, dass sie verwendet werden kann, um vorherzusagen, was in der realen Welt passiert, dann muss sie die reale Welt beschreiben. Während dies in der Physik hauptsächlich aufgrund der Unzulänglichkeit von Finanztheorien der Fall sein mag, sollten Finanztheorien meines Erachtens als versuchsweise und unter Vorbehalt von Verfeinerung und Fälschung betrachtet werden.

Abzug gegen Induktion gegen Abduktion

Die Wissenschaftsphilosophie unterscheidet zwischen verschiedenen Formen logischen Denkens.

Deduktives Denken (Deduktion) beinhaltet das Schließen von einem oder mehreren logischen Prämissen, um zu einer bestimmten logischen Schlussfolgerung zu gelangen. Deduktives Denken ist die Form der Argumentation, die in der Mathematik und den formalen Methoden der Informatik gefunden wird, sie verbindet gesunde Prämissen mit Schlussfolgerungen, die notwendigerweise wahr sind.

Die abduktive Argumentation (Entführung) ist eine etwas schwächere Form der deduktiven Argumentation, die argumentiert, dass die Schlüsse, die durch deduktive Schlussfolgerungen gezogen werden, nicht unbedingt notwendig sind, sondern dass sie angesichts der verfügbaren Daten und Prämissen immer die bestmögliche Schlussfolgerung sein werden.

Induktives Denken (Induktion) schließt das Schließen von einem oder mehreren starken Prämissen ein, die auf Beweisen und Beobachtungen basieren, um zu einer Schlussfolgerung zu gelangen, die wahrscheinlichkeitstheoretisch wahr ist, wenn man die unterstützenden Beweise befolgt. Induktives Denken kann niemals als wahr bewiesen werden, sondern nur dann verfälscht, wenn widersprüchliche Beweise beobachtet werden.

Der Fehler des induktiven Denkens besteht darin, dass das durch Induktion erhaltene Wissen zerbrechlich ist. Dies wird durch die Geschichte des schwarzen Schwans verkörpert. Wenn jeder beobachtete Schwan bis jetzt weiß war, können wir diesen Beweis verwenden, um zu begründen, dass "alle Schwäne weiß sein müssen"; Es bedarf jedoch nur einer Beobachtung eines schwarzen Schwans, um die Theorie zu verfälschen. Daher wird das aus induktiven Gründen gewonnene Wissen als fragil bezeichnet. Dies ist die Prämisse von Nassim Talebs Forschung.

Quantitative Theorien über den Markt basieren auf induktiven Überlegungen, die aus empirischen Beobachtungen gemacht wurden. Als solche sind diese Theorien typischerweise fragil und können in Gegenwart widersprüchlicher Beweise (Ausreißer und schwarze Schwäne, die vom Modell nicht vorhergesagt werden) für ungültig erklärt oder verfälscht werden. Dies ist jedoch nur in der Theorie wahr, und in der Praxis sind die meisten Theorien religiös und widersprüchliche Beweise werden oft einfach ignoriert.

Sie fragen sich vielleicht, wie die Wissenschaftsphilosophie Ihnen hilft, ein Quant zu sein? Ich glaube, dass dies wichtig ist, weil es uns zwingt, unsere Grenzen zu erkennen, es uns objektiv hält, aber vor allem uns daran erinnert, dass einige Finanztheorien zwar so tief in unserem Beruf verankert sind, dass sie empirischen Ergebnissen unfehlbar erscheinen, die sie widerlegen, Sie sind nicht. Nach dieser Aussage kommen einige ökonomische Modelle und populäre quantitative Modellannahmen in Betracht, nämlich ungedeckte Zinsparität (UIP), normalverteilte Renditen, Linearität und Stationarität sowie die Random-Walk-Hypothese / effiziente Markthypothesen.

Wie man ein Quant wird

Verwenden Sie die wissenschaftliche Methode. Es unterstützt das wissenschaftliche Denken und verbessert die allgemeine Testbarkeit Ihrer Modelle und deren Annahmen (Hypothesen).

Die wissenschaftliche Methode wird als ein fortlaufender Prozess definiert, der im Allgemeinen systematische Beobachtung, quantitative Messung, Experimente, Hypothesenformulierung, Hypothesentests und Hypothesenverfeinerung umfasst. In diesem Abschnitt werden wir diesen Prozess im Hinblick auf die Random-Walk-Hypothese durchgehen.

Hier ist eine sehr hilfreiche Diashow, die die wissenschaftliche Methode erklärt. Es ist auch die Quelle des unteren Bildes.

Beobachtungen sind in der Regel Dinge, die wir sehen, aber im Zusammenhang mit Finanzmärkten können sich Beobachtungen auf Ideen beziehen, die wir in Büchern, im Fernsehen oder vielleicht sogar beim Lesen von guten (oder schlechten) Blogs gefunden haben. Wenn wir an unserem Beispiel festhalten, können wir beobachten, dass viele wissenschaftliche Arbeiten und populäre Bücher veröffentlicht wurden, die besagen, dass sich die Marktrenditen nach einem zufälligen Weg / stochastischen Prozess entwickeln.

Mit interessanten Fragen aufwarten

Bei interessanten Fragen geht es fast immer darum, ein wenig skeptisch zu sein (für eine gesunde Einstellung zur Skepsis lesen Sie diesen Beitrag von Gestalttu - Empirical Finance: Treue Standards erfüllen durch Skepsis, nicht durch Zynismus. Stellen Sie zunächst die einfachsten Fragen: Wer? Was? woher? wann? Warum? und wie? Wenn Sie diese Fragen stellen, können Sie interessante Wege für weitere Forschungen aufdecken. Lassen Sie uns diese Fragen der Random-Walk-Hypothese stellen:

  1. Für wen gilt das in Bezug auf die Märkte? Sind alle Märkte gleich zufällig? Wie korrelieren Liquidität und andere Kennzahlen der relativen Effizienz mit dem Maß der Markt-Zufälligkeit?
  2. Was sind die zugrunde liegenden Kräfte, die Märkte zufällig machen? Stimmt es wirklich, dass Effizienz zur Zufälligkeit führt? Wenn die Märkte zufällig sind, gäbe es keinen Anreiz für Agenten, auf den Märkten zu konkurrieren. Würde der Markt also nicht aufhören, effizient zu sein, was bedeuten würde, dass er nicht zufällig sein würde?
  3. Wo sind Märkte zufällig? Dies knüpft an Frage 1 an. Gibt es Orte auf der Welt, an denen die Märkte weniger zufällig sind, zum Beispiel sich entwickelnde Märkte? Und wenn ja, warum? Sind die Dynamiken unterschiedlich?
  4. Wann sind Märkte zufällig? Sind Märkte immer zufällig, oder bricht diese Zufälligkeit während bestimmter nicht zufälliger Regime zusammen? Wenn Märkte nicht immer zufällig sind, bedeutet das, dass es Gewinnchancen gibt?
  5. Warum sind Märkte zufällig? Dies geht zurück auf Frage 2. Was sind die Marktkräfte, die die Märkte zufällig halten? Angenommen, der Haupttreiber ist die Markteffizienz.
  6. Wie können wir die Effizienz messen und die Random-Walk-Hypothese testen? Könnten wir mithilfe eines agentenbasierten Modells eine effiziente Wirtschaft simulieren und testen, ob der Preisentdeckungsmechanismus zufällig ist?

Wie Sie sehen, ist dieser Prozess ironischerweise ziemlich zufällig und viele der Fragen wurden bereits von früheren Forschern entweder vollständig oder teilweise beantwortet. Aus diesem Grund ist es wichtig, eine Literaturrecherche zu machen. Wenn Sie genug Fragen gestellt haben und genug von der vorhandenen Literatur zu diesem Thema lesen, werden sich einige "gute Ideen" in Ihrem Kopf bilden. Dies sind die Arten von Ideen, die wir zu testbaren wissenschaftlichen Hypothesen formulieren wollen.

Eine Hypothese ist eine deklarative Aussage, die eine bestimmte Beziehung zwischen einer Menge von Variablen behauptet. Gute Hypothesen sollten prägnant, deklarativ, leicht überprüfbar sein und die bisherige wissenschaftliche Forschung berücksichtigen (um frivole Beschäftigungen zu vermeiden). Nehmen Sie zum Beispiel die folgende interessante Idee, die von einem sehr passionierten Leser auf meinem vorherigen Blogbeitrag postuliert wurde:

Die Marktrenditen zeigen Zufälligkeiten, da sich die Märkte schnell anpassen, um etwaige Schwächen zu beseitigen.

Trotz der Tatsache, dass dies eine großartige Idee ist, würde es eine schreckliche Hypothese machen. Es lässt viele der Begriffe undefiniert, ist nicht sehr leicht überprüfbar oder widerlegbar, und ist eigentlich eine ganze Reihe von Hypothesen zusammen gestampft.

Lass uns ein paar Hypothesen daraus machen:

Hypothese 1 - Marktbewegungen (nach oben oder nach unten) sind von binären Martin-Lof-Zufallssequenzen nicht unterscheidbar.

Dies war natürlich die Hypothese hinter meinem früheren Artikel, Hacking der Random-Walk-Hypothese. Wie bei den meisten Untersuchungen ergab meine Studie eine fragile Schlussfolgerung, dass "Märkte nicht zufällig sind, zumindest nach der obigen Definition", und viele weitere Fragen. Diese Fragen führen typischerweise zu mehr Hypothesen und mehr Forschung. Wie Sie sehen, ist die Forschung, insbesondere wenn sie mit der wissenschaftlichen Methode durchgeführt wird, ein fortlaufender Prozess, der niemals wirklich zum Stillstand kommt. Lassen Sie uns die Hypothese in zwei weitere Teile gliedern:

Hypothese 2 - Markteffizienz, rechtzeitige Zugänglichkeit zu allen Informationen, erfordert, dass Märkte sich zufällig entwickeln.

Wir werden diskutieren, wie diese Hypothese möglicherweise im nächsten Abschnitt getestet werden kann. Ich möchte Sie jedoch auf zwei von LeRoy 1973 verfasste Artikel aufmerksam machen, Risikoaversion und die Martingal-Eigenschaft der Aktienkurse, und Lucas 1978, Asset-Preise in einer Exchange Economy. Diese Papiere versuchen zu testen, ob rationale Agenten, die in einer Tauschökonomie mit zeitgerechtem Zugang zu allen relevanten Informationen handeln, eine zufällige Bewegung der Aktienkurse erforderlich machen. Ihre Schlussfolgerung war, dass es zwar möglich ist, einen Markt zu konstruieren, der sich nach einem Zufall entwickelt, aber auch nicht. Daher bedeutet Effizienz nicht unbedingt, dass Märkte zufällig sein müssen.

"In Bezug auf den zufälligen Charakter der Aktienkurse ist es offensichtlich, dass man rigorose Wirtschaftsmodelle konstruieren kann, in denen Preisreihen diese Charakteristik und solche mit ebenso rationalen und gut informierten Agenten haben, in denen sie dies nicht tun Die Untersuchungen, ob tatsächliche Preisreihen die Martingale-Liegenschaft haben, beleuchten an sich nicht das allgemein gestellte Problem der "Effizienz" des Marktes. - Lucas

Schließlich können wir diese Aussage in eine dritte Hypothese aufbrechen, die, obwohl sie am interessantesten ist, am wenigsten aktiv erforscht wird. Dies liegt vor allem an der Schwierigkeit, mit der getestet werden kann.

Hypothese 3 - Unabhängig davon, ob sich Märkte zufällig entwickeln, werden alle gewinnbringenden Gelegenheiten zu schnell verdrängt, damit die Anleger im Laufe der Zeit ein konsistentes Alpha generieren können. . hmmm was für eine interessante Idee.

Wenn wir die obige Hypothese auf einen bestimmten Zeitrahmen beschränkt haben, z. 5 Jahre und definiertes Alpha könnten wir vielleicht diese Hypothese testen. Dies gesagt, ist diese Hypothese definitiv ein bisschen weniger prägnant und deklarativ als die anderen und wäre schwieriger zu widerlegen, d. H. Es ist keine große Hypothese und könnte zusammengebrochen werden.

Vorhersagen zu entwickeln beginnen mit der Annahme, dass Ihre Hypothese wahr oder falsch ist. Berechnen Sie jetzt, welche Mengen Sie erwarten oder nicht erwarten würden. Zum Beispiel, wenn die erste Hypothese, die ich formulierte, wahr ist, dann würden wir erwarten, dass die Marktrückkehr (nach oben oder nach unten) genauso gut in der NIST-Reihe kryptografischer Tests funktionieren würde wie eine Sequenz, deren Verhalten bekanntermaßen eine binäre Martin-Lof-Sequenz ist. In meinem vorherigen Beitrag habe ich den Mersenne Twister RNG zum Vergleich benutzt und gezeigt, dass das nicht stimmt. Dies implizierte wiederum, dass die Hypothese falsch war.

Ein Fehler, auf den viele Menschen stoßen, ist, dass sie glauben, dass sie fälschlicherweise glauben, dass das Ziel der Forschung darin besteht, recht zu haben. In der Tat spielt es keine Rolle, ob die Hypothese wahr oder falsch ist, wichtig ist, dass wir neue Informationen zu dem bestehenden wissenschaftlichen Wissen für ein bestimmtes Problem beigesteuert haben.

Wenn ich die zweite Hypothese testen würde, könnte ich noch einen Schritt weiter gehen und ein agentenbasiertes Modell entwickeln, in dem die Effizienz garantiert ist. Von diesem Modell würde ich Rückführsequenzen extrahieren und sie erneut testen, um zu sehen, ob sie zufällig waren oder nicht. Wir werden das Denken mit Modellen weiter unten in diesem Artikel diskutieren.

Sammeln Sie Daten, um Vorhersagen zu testen

Das ist selbsterklärend. Der einzige Punkt, den ich hinzufügen möchte, ist, dass die Daten, die zum Testen der Vorhersagen verwendet werden, entweder aus der realen Welt (empirisch) stammen oder alternativ unter Verwendung eines Modells, das mit der Hypothese übereinstimmt, simuliert werden. Beide Ansätze haben Vor- und Nachteile. Empirische Daten unterliegen Voreingenommenheiten in Bezug darauf, wie sie gemessen, erfasst und gepflegt wurden; und simulierte Daten setzen voraus, dass das Modell korrekt implementiert ist.

Verfeinere, ändere oder lehne Hypothesen ab

Basierend auf den gesammelten Daten können wir entweder "Ja, unsere Vorhersagen waren korrekt, diese Beweise unterstützen die Hypothese" oder "Nein, unsere Vorhersagen waren falsch, die Hypothese ist falsch" sagen. Beachten Sie, dass im ersten Ergebnis nur die Beweise unterstützt die Hypothese, während im zweiten Ergebnis die Beweise verfälscht die Hypothese. Dies kommt auf die Wissenschaftsphilosophie zurück. Eine Hypothese (oder Theorie) kann verfälscht werden, aber sie kann niemals bewiesen werden.

Sobald eine ausreichende Anzahl von Hypothesen entwickelt und streng getestet wurde, können sie zu allgemeineren Theorien zusammengefasst werden. Zum Beispiel dauerte es Jahrzehnte der wissenschaftlichen Forschung in der Beziehung zwischen Risiko und Rendite, bevor die moderne Portfoliotheorie allgemein akzeptiert wurde. In der Tat wurde Markowitz 'Portfolio-Theorie zum Zeitpunkt der Veröffentlichung seiner Doktorarbeit fast abgelehnt, als er sie verteidigte:

. Als ich meine Dissertation als Student in der Wirtschaftsabteilung der Universität von Chicago verteidigte, argumentierte Professor Milton Friedman, dass die Portfoliotheorie keine Ökonomie sei und dass sie mir keinen Ph.D. Abschluss in Wirtschaftswissenschaften für eine Dissertation, in der es nicht um Wirtschaftswissenschaften ging. Ich nehme an, er war nur halb seriös, da sie mir den Abschluss ohne lange Debatte verliehen haben. Was die Argumente seiner Argumente betrifft, bin ich an dieser Stelle durchaus bereit zuzugeben: Zu der Zeit, als ich meine Dissertation verteidigte, war die Portfoliotheorie nicht Teil der Ökonomie. Aber jetzt ist es. - Markowitz

Ich denke, wir können alle etwas aus dieser Geschichte lernen. Nur weil eine Idee, die du hast, unpopulär oder nicht allgemein akzeptiert ist, bedeutet das nicht notwendigerweise, dass du falsch liegst. Die Finanzwelt ist meiner Meinung nach sehr antiquiert und hält sich an gewissen Idealen mit fast religiöser Hartnäckigkeit fest. Es ist die Rolle des Quants, die Finanzwelt objektiv zu betrachten und langsam die Wahrheiten über die Finanzmärkte aufzudecken. Suche Wahrheit, nicht Konsens.

Ich muss das Markowitz-Zitat und das Wissen über die Papiere von LeRoy und Lucas für das Buch A Non Random Walk down Wall Street von Andrew Lo und Craig MacKinlay gutschreiben.

Wie man ein Quant wird

Formalisieren Sie Ihre Ideen als Modelle. Verwenden Sie diese Modelle dann, um klarer zu denken, die Gültigkeit Ihrer Ideen zu testen und versteckte Muster zu identifizieren.

Der letzte Teil dieses Artikels beinhaltet das Denken mit Modellen. Ein Modell ist eine Darstellung eines Objekts oder Prozesses in der realen Welt. Die Werkzeuge, mit denen Quants Modelle bauen, sind Mathematik und Informatik. Zum Beispiel könnte ein Quant ein Modell der Risiken eines bestimmten Portfolios von Vermögenswerten enthalten. Warum aber überhaupt Modelle? Vor allem, als sie zu den größten Beitragszahlern der Finanzkrise 2008 zählten.

Modelle helfen uns, klarer zu denken

Eine Idee zu entwickeln und zu einem richtigen Modell zu entwickeln, sei es im Code, in der Mathematik oder in beiden, zwingt uns, diese Idee sehr klar zu definieren. Modelle zwingen uns, über ein Ideal hinsichtlich seiner Eingaben, Verarbeitungen und Ausgaben nachzudenken. Dieser Prozess hilft uns, fehlende Komponenten zu identifizieren und fehlerhafte Komponenten zu korrigieren.

Modelle sind testbar; Intuitionen sind nicht

Sobald eine Idee als Modell kodifiziert wurde, ist sie testbar. Der ultimative Test für jedes Modell ist zu sehen, wie gut es sich gegen die reale Welt stapelt. Nehmen Sie zum Beispiel ein geometrisches Brownian Motion stochastisches Modell eines Assets. Wie vergleicht das Modell mit der realen Welt? Hat es Marktcrashs? Hat es Phasen höherer und niedrigerer Volatilität? Die Antworten sind natürlich nein. Diese Unterschiede haben uns dazu bewogen, komplexere stochastische Modelle wie das Merton Jump Diffusion Model und das Heston Stochastic Volatility Model zu entwickeln.

Ein anderer, häufigerer Test für ein Modell besteht darin, zu sehen, ob es in der Vergangenheit funktioniert hätte, d. H. Ob es zu den Daten passt oder nicht. Nehmen Sie zum Beispiel eine einfache wertorientierte Anlagestrategie. Solange diese Strategie auf der Intuition (Diskretion) des Fondsmanagers basiert, können Sie sie nicht zurück testen, um zu sehen, ob sie in der Vergangenheit zu überdurchschnittlichen Renditen geführt hätte. Alles, was Sie tun können, ist zu hoffen, dass der Fondsmanager so gut ist wie er sagt. Für diejenigen, die interessant sind, zwei fantastische Quanten-Blogs, die regelmäßig die Vorzüge des modellbasierten Handels argumentieren Alpha Architekt und Flirten mit Models.

Modelle helfen uns, versteckte Muster aufzudecken

Denken Sie an all die verblüffenden jüngsten Entwicklungen in der Mustererkennung mit maschinellen Lernmodellen wie neuronalen Netzen; Selbst tote einfache Modelle können uns helfen, verborgene Muster und Einsichten in unsere Welt zu entdecken.

Nehmen Sie zum Beispiel die folgende einfache Frage: Welcher Prozentsatz von Menschen muss rassistisch sein, damit die Rassentrennung einer Stadt 80% erreicht? Die Ergebnisse mögen Sie überraschen, denn es stellt sich heraus, dass Rassentrennung in einer Stadt entstehen kann, wenn 30% der Individuen rassistisch sind. Das ist die Schönheit eines einfachen Modells wie dem Schelling-Modell der Segregation; Sie können uns helfen, zu Einsichten zu kommen, die wir ohne das Modell nie hätten. Bitte werfen Sie einen Blick auf das folgende Video für eine Erklärung des Schelling-Modells und, wenn Sie es genießen, melden Sie sich für Model Thinking auf Coursera. Es ist ein fantastischer Kurs; Ich persönlich muss nur Zeit finden, um es zu beenden.

Letztendlich würde ich sagen, dass der größte Vorteil von mathematischen und computergestützten Modellen darin besteht, dass wir uns von den unpräzisen mentalen Modellen in unseren Köpfen lösen und die kognitive Belastung eines Individuums signifikant reduzieren können. Im Grunde versuche ich zu sagen, dass sie uns klüger machen. Viel, viel schlauer.

Quantitative Finanzierung ist eine Ideologie, und ein Quant zu sein bedeutet mehr als nur gut in Mathe zu sein und zu programmieren. es geht darum, an die wissenschaftliche Methode der Finanzmarktforschung zu glauben und sie anzuwenden Im Algemeinen. Angesichts dieser Überzeugung ist mein Rat an Einzelpersonen, die ein Quant werden wollen, einfach: Sei einfach einer, egal ob du den Titel hast oder nicht. Ehrlich gesagt, kann ich mir keinen Grund vorstellen, weshalb die grundlegenden Prinzipien und Methoden der quantitativen Finanzierung nicht erfolgreich auf andere nicht-quantitative Bereiche von Finanzdienstleistungen oder sogar auf Nicht-Finanzdienstleistungsunternehmen angewendet werden können. Meiner Meinung nach ist dies der nächste logische Schritt für die quantitative Finanzierung, und in ein paar Jahrzehnten denke ich, dass quantitativer Risikokapitalismus und quantitatives Investmentbanking in aller Munde sein werden. Lassen Sie mich abschließend sagen, dass, selbst wenn Sie nichts ausprobiert haben, außer einer Bewusstseinsveränderung und der Fähigkeit zu demonstrieren, dass Sie diese Prinzipien in einem Interview anwenden können, Sie immer noch die Oberhand hätten.

Hacking der Random-Walk-Hypothese

Börsenkurse folgen nicht zufälligen Spaziergängen

Ich habe Mathematik bis Hons studiert. Meine Programmierkenntnisse sind begrenzt. Ich wäre gerne ein Quant. Muss jeder Quant in der Codierung kompetent sein? Ich liebe Mathematik und ich entwickelte ein Programmierinteresse spät in meinen Studien.

Hallo Pheello, ich denke, dass jeder lernen sollte zu programmieren, weil es unmöglich ist zu wissen, was auf einem Computer möglich ist (und was nicht), wenn man nicht programmieren kann. Dies gilt insbesondere, wenn Sie eine Karriere in der quantitativen Finanzwirtschaft machen wollen. Das Programmieren wird Ihre alltägliche Produktivität dramatisch verbessern und Sie selbstsicherer machen, viel komplexere und rechenintensivere Mathematikprobleme anzugehen. Einige Derivate können (noch) nicht mit Mathematik bewertet werden, daher müssen Sie wissen, wie Sie Ihre eigenen Monte-Carlo-Simulationen einrichten, um diese zu bewerten. Sie müssen möglicherweise auch wissen, wie Sie Handelsstrategien (einschließlich traditioneller Absicherungsstrategien) entwickeln und sie erneut testen. Abhängig davon, wie komplex Ihre Modelle sind, kann dies eine ziemliche Herausforderung sein, deshalb ist es wichtig zu wissen, wie man programmiert. Wie auch immer, um es zusammenzufassen, nicht zu wissen, wie man gut genug programmiert, ist meiner Meinung nach eine Karriere einschränkende Bewegung für jeden, der eine Karriere als Quant (oder jede andere Position in Finanzdienstleistungen für diese Angelegenheit) haben will. Die gute Nachricht ist, dass es viele kostenlose Online-Kurse gibt, um zu lernen, wie man gut programmiert, einschließlich Coursera und Udacity. Es braucht Zeit und es wird hart sein, aber es wird es am Ende wert sein. Viel Glück!

30. November 2015

Welche (und warum) Programmiersprache ist am besten für das angehende Quant?

30. November 2015

Hi Dale, einem aufstrebenden Quant, wäre besser gedient, wenn man etwas über Programmierkonstrukte, Sprachparadigmen und Software-Engineering-Methoden lernen würde, anstatt eine bestimmte Sprache zu lernen. Zu den üblichen Programmierkonstrukten gehören Datenstrukturen und Algorithmen, Nebenläufigkeit und Vernetzung. Sprachparadigmen umfassen funktionale, objektorientierte und statistische. Und Software Engineering deckt all die anderen Dinge ab, die Sie wirklich wissen sollten, wie Testen (Einheit und Integration), Modell- und Codevalidierung, Dokumentationstechniken, Wasserfall- oder iterative oder agile Entwicklung, Versionskontrolle und Verzweigungsmethoden. Der beste Weg zu Lernen Sie dies, indem Sie ein paar verschiedene Programmiersprachen lernen, aber noch wichtiger, um Code zu schreiben, den andere als Sie selbst verwenden.

Nun, weil jeder in der Realität einen etwas anderen Technologie-Stack benutzt und die Fähigkeit, Sprachen schnell zu erlernen, ist wohl wichtiger als eine Sprache sehr gut zu kennen. Zum Beispiel musste ich in den letzten drei Jahren in VBA arbeiten & Excel, Python, C #, Scheme und jetzt arbeite ich in R und C ++. und ich werde vielleicht bald ein neues Projekt in Scala beginnen. Einige berühmte Quant-Fonds, die ich kenne, verwenden obskure Sprachen wie OCaml, Erlang und in jüngerer Zeit Lua. In Anbetracht dessen sollten Sie im Idealfall versuchen, die Paradigmen kennenzulernen, damit Sie unabhängig von der Sprache, die Sie in der Zukunft verwenden, das Problem lösen können.

Ich weiß, das war nicht sehr konkret. Also hier ist ein konkreter Prozess, dem Sie folgen könnten (und einen, den ich kürzlich durchlaufen habe und deshalb empfehlen kann, weil er eine harte Lernkurve hat) - beginnen Sie mit "normaler" R-Programmierung, dann versuchen Sie, Ihr Code-Objekt anhand von S4-Klassen zu orientieren Die langsamen Teile Ihrer Codebasis verwenden den R-Profiler und schreiben sie dann in C ++ mit Rcpp um. Machen Sie sich dann mit Tests der Schreibeinheit vertraut, indem Sie testen, was. Erfahren Sie, wie Sie Ihren Code mit Roxygen2 dokumentieren und wie Sie Ihren Code zu einem passenden Paket zusammenstellen. Und schließlich, bauen Sie Schnittstellen in Ihren Code auf, die Validierung ein- und ausgeben. Wenn Sie all das durchstehen, würde ich sagen, dass Sie R ziemlich gut kennen. Dann folgte ich meinem Ratschlag, um eine neue Sprache zu lernen und von neuem zu beginnen.

17. Februar 2016

Ich stimme Ihrer zentralen Prämisse nicht zu. Wie die Wirtschaft ist das Finanzwesen keine Wissenschaft. Es gibt einige wissenschaftliche Werkzeuge, die wir verwenden, ähnlich wie ein Mechaniker, der an einem Auto arbeitet. Da das menschliche Verhalten jedoch nicht vollständig quantifizierbar ist, ist die Finanzierung keine Wissenschaft, wie es die Physik für Einheiten mittlerer Größe ist.

Und ja, ich bin Aktuar und Quant. Ebenso wie sie es "Versicherungsmathematik" nennen, ist es auch keine Wissenschaft. Das Problem ist die Annahme von langfristigen Renditeannahmen. Wir müssen nicht die Konstanten von Physik und Chemie annehmen. Vermutungen sind nicht wissenschaftlich, und Wirtschaft, Finanzen und aktuarielle Mathematik sind mit ihnen gefüllt.

17. Februar 2016

Hallo David, danke für den Kommentar.

Ich habe deine Argumente schon oft gehört, hier sind meine Gedanken:

Was macht etwas zu einer "Wissenschaft" gegen "keine Wissenschaft"? Wenn, wie Sie meinen, es sich um etwas handelt, was "vollständig quantifizierbar" ist, dann tut es mir leid zu sagen, dass viele Leben und harte Wissenschaften auch nicht zur Rechnung passen.

Epidemiologie, die Studie von Epidemien und Krankheiten ist nicht vollständig quantifizierbar. Genetik, die Studie genetische Variation im lebenden Organismus ist nicht vollständig quantifizierbar. Die medizinische Wissenschaft, insbesondere das Studium der Gehirnaktivität und des Herzens, ist nicht vollständig quantifizierbar. Die Kernphysik, das Studium der Atomwelt, ist definitiv nicht vollständig quantifizierbar. Wie bei den Märkten handelt es sich bei keiner dieser Wissenschaften um Themen, die vollständig quantifizierbar sind. Sie befassen sich mit Systemen, die stochastisch sind, weil sie die Interaktion vieler kleiner Komponenten beinhalten.

Ist das "nicht Wissenschaft"?

Die Antwort ist nein, sie sind Wissenschaften. Um genauer zu sein, sind sie Wissenschaften, die sich mit komplexen adaptiven Systemen wie Krankheiten, Evolution und atomarer Brown'scher Bewegung befassen. Der Markt ist auch ein komplexes adaptives System, das aus den Handlungen und Interaktionen vieler Agenten besteht, unabhängig davon, ob sie Institutionen, Individuen oder Maschinen sind. Obwohl Sie zu Recht sagen, dass menschliches Verhalten nicht "vollständig quantifiziert" werden kann, bedeutet dies logischerweise nicht, dass es "keine Wissenschaft" ist. Die Bewegung von atomaren Teilchen, Mutationen in Genen, die Ausbreitung einer Krankheit von Mensch zu Mensch oder das Abfeuern von Elektronen in unserem Gehirn können ebenfalls nicht "vollständig quantifiziert" werden, und dennoch sind Epidemiologie, Genetik, Kernphysik und Neurowissenschaften immer noch Wissenschaften.

Das soll nicht heißen, dass diese anderen Wissenschaften keine Vermutungen machen, sie tun es ganz sicher! LOL, finde eine Wissenschaft, die keine Annahmen macht und beleidige bitte nicht meine Intelligenz, indem du mir sagst, dass es Physik ist (und bitte nicht den "Typ" der Physik auswählen, nur um zu deinem Argument zu passen). Die Physik als Ganzes ist genauso schuldig wie die übrigen Wissenschaften, wenn es darum geht, Annahmen zu treffen (von denen einige arm sind). oder vielleicht hast du noch nie von der berüchtigten String Theory gehört? Wenn du Nassim Talebs Arbeit magst, wirst du "The Trouble with Physics" von Lee Smolin genießen. Das Herz der Wissenschaft, die Hypothese, ist im Wesentlichen eine Annahme.

Mein Punkt ist, dass weder das Fehlen der vollständigen Quantifizierbarkeit der Mikroagenten in einem komplexen System noch das Vorhandensein von Annahmen logische Argumente dafür sind, dass ein Feld "keine Wissenschaft" ist. Weil die Wissenschaft ein Rätselraten ist. Deshalb testen wir unsere Hypothesen und iterieren ständig darüber.

Abschließend möchte ich darauf hinweisen, dass der erste Absatz dieses Artikels besagt, dass die quantitative Finanzpolitik viele Annahmen beinhaltet, die vom Absurden bis zum Genius reichen und dass es wichtig ist, die quantitative Finanzwissenschaft als eine Wissenschaft und nicht irgendeine Kunstform zu behandeln. ist, unsere Grenzen zu erkennen und uns objektiv zu halten. Außerdem habe ich einen Link zu einem Artikel eingefügt, den ich zuvor geschrieben habe, der viele der absurdesten Annahmen in unserer Branche beschreibt. Aber wie ich schon sagte, das bedeutet nicht, dass es keine Wissenschaft ist und dass wir nicht der wissenschaftlichen Methode folgen sollten, um unser Verständnis der Märkte weiter zu verbessern.

Nochmals vielen Dank für Ihren Kommentar David. Deine Meinung wird von vielen Leuten geteilt, die ich getroffen habe (besonders von den Aktuaries - zynische Gruppe), aber respektvoll muss ich widersprechen.

18. Februar 2016

Großer Artikel Stuart, und ein sehr nützlicher Ratschlag, wie man mit R fortschreitet. Ich bin ein aufstrebender Quant, Autodidakt und zurzeit kaufe ich meinen Lebensunterhalt und finde mich täglich in Code vertieft. Ich habe erst kürzlich erkannt, dass ein Quant kein Ziel, sondern eine Reise ist, und ich bin auf meinem Weg.

Es gab eine Zeit, in der du eine Karriere in deiner Jugendzeit wählst und sie sollte ein Leben lang bei dir bleiben. Der stetige Technologiewechsel und die Einführung neuer Berufsfelder verlangen von uns nicht nur Kenntnisse über die neuen Anforderungen, sondern eröffnen uns auch viele neue Möglichkeiten.

Die Globalisierung hat sich als ein Segen für die Entwicklungsländer erwiesen und den multinationalen Unternehmen eine Plattform geboten, um neue Märkte zu erschließen und die Struktur für die moderne Infrastruktur zu schaffen und neue Möglichkeiten anzubieten. Dieser Schritt wurde von den Massen der Entwicklungsländer begrüßt.

Die Einführung des algorithmischen Handels führte zur Entstehung einer neuen Art von Händlern, die sich nicht scheuen, neue Technologien einzusetzen, um ihnen den automatisierten Handel zu ermöglichen.

Jetzt, um die Frage zu beantworten, ob Sie ein Quant in Ihren 40ern sein können und in einer neuen Domäne so spät in Ihrer Karriere erfolgreich sind, ist die Antwort ein großes JA. Sie können definitiv ein Quant in Ihren 40ern sein, vorausgesetzt, Sie sind mit dem Eifer für den automatisierten Handel mit dem erforderlichen Satz von Fähigkeiten geladen.

Da eine einfache Antwort auf ein Wort nicht ausreicht, um zu verstehen, wie dieser Übergang zustande kommt, haben wir uns entschieden, die detaillierte Reise eines 40-jährigen Quant in Form eines Interviews zu teilen.

Das Interview unterstreicht die Reise eines 40-jährigen Profis, der sich entschloss, den Lauf seiner Karriere zu ändern, um seine Leidenschaft für den quantitativen Handel zu verfolgen. Click To Tweet Er begann mit einem speziellen Programm im Bereich Algorithmic Trading, das von QuantInsti, "Executive Program in Algorithmic Trading (EPAT TM)" angeboten wird. EPAT ™ wurde für Profis entwickelt, die im Bereich des Algorithmic und Quantitative Trading Karriere machen möchten. Daher passte es gut zu unserem Kandidaten hier. Lesen Sie weiter, um mehr über diese interessante Veränderung in seinem Karriereweg zu erfahren.

Kannst du uns etwas über dich erzählen?

Ich habe meinen B.Sc. in Informatik und haben eine Gesamterfahrung von 22 Jahren mit dem größten Teil der Erfahrung aus Datenbank-Management und Forschung. Neben anderen Rollen in meiner Karriere arbeitete ich für eine führende Investmentbank als Datenbankmanager.

Ich habe gesehen, wie sich die Branche von der manuellen Art des Handels wegbewegt hat, wo ein Trader mit guter Tippgeschwindigkeit der New-Age-Algo-Trading-Praxis vorgezogen wurde, wo statistische und analytische Fähigkeiten Ihnen helfen, einen Vorteil im Trading zu erzielen. Statistik und Analytik haben mich immer fasziniert und der Handel war mein Hobby. Recherchen über die Anwendung von Statistiken und Analysen im Handel führten mich zur Entdeckung des Algohandels. Obwohl ich immer darauf aus war, mich auf den Handel mit Algo zu spezialisieren, machte mich die Idee, zu diesem Zeitpunkt meiner Karriere in ein ganz anderes Feld zu wechseln, skeptisch.

Da du erwähnt hast, dass es etwas zögerte, warum hast du dich dann für Algorithmic Trading entschieden?

Ich habe viel über den Umfang des Quantums geforscht, da die Verschiebung meiner Karriere in diesem Stadium eine gefährliche Entscheidung für mich war, aber dann sah ich, wie gut die Veteranen des quantitativen Handels waren.

Wie es der Zufall wollte, stieß ich auf QuantInsti®, die an den Wochenenden Vorlesungen sowohl im Fern- als auch im Klassenraum anbieten, die meine Vollzeitstelle als Datenbankmanager nicht unterbrachen. Ich las über den Lehrplan und die Fakultät, die Experten aus dem Bereich Handel und Quant enthalten, das gab mir Zuversicht, dass ich von Autoren lernen würde, die einige Bestseller-Bücher über Quant-Trading und Vordenker geschrieben haben, denen ich schon lange gefolgt bin Zeit.

Wie war Ihre Lernerfahrung in EPAT TM?

Das erste, was ich das Support-Team bei QuantInsti® nach der Anmeldung für ihre EPAT TM -Programm fragte, war, kann ich ein Quant in meinen 40ern sein?

Zu meinem Erstaunen war das nichts Neues für sie, sie haben offensichtlich viele Profis trainiert und platziert, darunter einige mit einer stabilen Karriere und sogar älter als ich. Ich wurde darüber informiert, dass Menschen mit allen Arten von Hintergrund für den EPAT TM Kurs anmelden.

Am Anfang war ich mit vielen Fragen beschäftigt, aber schließlich habe ich gelernt und angefangen, jeden Aspekt zu lernen, der ein Quant sein muss. Ich fing an, an Projekten zu arbeiten, die auf dem Aufbau meiner eigenen Strategien basierten, die wirklich dazu beigetragen haben, den Anstoß zu geben.

Wie hat dies Ihre Handelspraxis verändert?

Ich beschränkte mich auf diskretionäre Handelspraktiken und verpasste die neuen und besseren Handelsmethoden, die Ihnen ein besseres Verständnis des Marktes verschaffen. Die Nachteile des manuellen Handelns wie der Einfluss von Emotionen, Strategien, die auf der bloßen Analyse von Charts basieren, und die Abhängigkeit von der Erfahrung und nicht die Logik, eine Trading-basierte Entscheidung zu treffen, erhöhten die Fehlerquote im täglichen Trading.

Ich bin jetzt zuversichtlich und kann mein Potenzial voll ausschöpfen, um Strategien zu entwickeln, die den Markt analysieren und die besten Ergebnisse für mich erzielen können. Ich bin jetzt mehr auf die Methoden des Backtestings angewiesen, mache Marktprognosen, analysiere die Marktvolatilität und vieles mehr.

Der Handel ist für mich kein Glücksspiel mehr, aber er hat mehr Sinn dafür entwickelt, wie sich der Markt bewegt und wie man den Best Practices folgt.

Wie hat es sich angefühlt, als du als Quant ins Spiel gebracht wurdest?

Es war wie ein wahr gewordener Traum!

Kurz nachdem ich EPAT TM von Quantistti TM zertifiziert bekommen hatte, begann ich, die Stellenangebote zu erkunden, die das Placement-Team von QuantInsti® teilt, und ich muss sagen, dass es eine großartige Erfahrung war, Interviews für einige der besten Quant-Firmen des Landes zu führen. Ich wurde innerhalb weniger Wochen nach Abschluss meines Kurses für eine ausgewählt.

Das Dilemma, nach mehr als 22 Jahren als Datenbankexperte in den Quant-Handel einzusteigen, hielt mich davon ab, die endgültige Entscheidung zu treffen, aber schließlich gab ich nach und bin froh, dass ich heute die richtige Entscheidung getroffen habe, mich für einen Quant-Job zu bewerben.

Welche Botschaft haben Sie für die aufstrebenden Quants da draußen?

Ich möchte ihnen raten, dafür zu gehen. Alter und Herkunft spielen dabei keine Rolle, wichtig ist die Tatkraft, Initiative und Kompetenz. Es ist eine Branche, in der Künstler gut belohnt werden.

Es ist wichtig, eine Bewertung Ihrer aktuellen Fähigkeiten zu machen und herauszufinden, wie diese Fähigkeiten als Katalysator in Ihrer quantitativen Karriere wirken können. Man sollte sich daran erinnern, dass ein Job in einem algorithmischen Handelsunternehmen erfordert, dass Bewerber gute mathematische Fähigkeiten und Programmierfähigkeiten haben, um die entworfenen Strategien auszuführen.

Möchten Sie von diesem 40-jährigen Quant hören?

Shoutout zu anderen aufstrebenden Quants da draußen!

Teilen Sie Ihre Kommentare und Erfahrungen als Algo-Händler / Quant. Wir würden uns freuen, von Ihrer inspirierenden Karriere zu hören!

Wenn Sie verschiedene Aspekte des Algorithmischen Handels erlernen möchten, dann schauen Sie sich das Executive Program in Algorithmic Trading (EPAT ™) an. Der Kurs umfasst Trainingsmodule wie Statistics & Ökonometrie, Finanzrechnen & Technologie und Algorithmik & Quantitativer Handel. EPAT ™ stattet Sie mit den erforderlichen Fähigkeiten aus, um ein erfolgreicher Trader zu sein. Melde dich jetzt an!

1 Star2 Stars3 Stars4 Stars5 Stars (6 оценок, среднее: 5.00 из 5)
Loading...
Like this post? Please share to your friends:
Leave a Reply

5 + 1 =

;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!:

map