量化金融工作涉及哪些内容？如果你想了解量化金融作为一门学科，你应该看看诺贝尔经济学奖的获得者。
在上个世纪的大部分时间里，金融决策都是基于启发式原则，但在 1990 年，该奖项授予了 Harry M. Markowitz、Merton H. Miller 和 William F. Sharpe，以表彰他们研究金融的数学方法市场和投资决策。1997 年，罗伯特·C·默顿 (Robert C. Merton) 和迈伦·S·斯科尔斯(Myron S. Scholes) 因其确定股票期权和其他衍生品价值的方法而获奖。
1990 年的奖项帮助建立了所谓的P 衡量子领域，该领域主要关注基础资产（股票、债券、货币等）的行为。1997 年的奖项正式创建了 Q衡量子领域，关注衍生品这些资产，例如期权。
量化金融（或定量金融）诞生了。从那时起它就一直在发展。
量化金融是一个广泛的教会。在 2007-2008 年金融危机之前，量化金融领域最赚钱的工作是创造越来越复杂的衍生产品。自危机以来，重点已转向风险和复杂性管理、监管和稳健性。
如今，量化金融是一个包罗万象的术语，涵盖了许多不同的子领域。如果您从事定量金融工作，您可能从事以下任一领域的工作： 计算金融：计算方法，包括蒙特卡罗、偏微分方程、格子和其他应用于金融建模的数值方法。 经济学：包括微观和宏观经济学、国际经济学、公司理论、劳动经济学以及金融以外的其他经济主题。 一般金融：一般定量方法的发展及其在金融中的应用。 数学金融。金融的数学和分析方法，包括随机、概率和泛函分析、代数、几何和其他方法。 投资组合管理：选择和优化证券、资本配置、投资策略和绩效衡量。 证券定价：金融证券、其衍生品和结构性产品的估值和对冲。 风险管理：贸易、银行、保险、企业和其他应用中金融风险的测量和管理。 统计金融：统计、计量经济分析及其在金融市场和经济数据中的应用。 交易和市场微观结构：研究市场微观结构、流动性、交易和拍卖设计、自动交易、基于代理的建模和做市。
量化开发人员职位从事金融服务工作的宽客会产生大量代码。该代码可能是战术性的（例如创建和调试模型所需的 Jupyter 笔记本）或战略性的（例如衍生品定价库）。根据代码的战略性，必须按照不同的软件工程标准编写。那些编写将在生产中运行的代码的人必须是熟练的软件工程师。
通常，宽客本身就具备这种技能。一些最好的量化分析师通常也是一些最好的编码员。在其他时候，不太懂软件的量化分析师可能会依赖量化开发人员的帮助，他们的工作是创建（和调试）代码，而不是提出新的量化模型。
战略分析师多家金融机构将 Quant 更名为 Strat，凸显了 Quant 在金融领域的重要性。strat这个词是战略分析师的缩写。重点已从工作的性质（定量分析）转向其在组织内的战略作用。
金融领域宽客的职业道路多种选择：
您可以进入金融科技（FinTech）行业。金融科技是指在提供金融服务方面与传统金融方式竞争的技术和创新。一些较大的金融科技公司正在与成熟的银行和对冲基金争夺量化人才。这尤其适用于非银行流动性提供者。
您还可以转向FAANG（Facebook、Amazon、Apple、Netflix 和 Alphabet - 以前称为 Google）。许多 FAANG 公司聘请宽客来研究机器学习和人工智能系统。
并非所有量化分析师都受雇于银行、对冲基金和其他金融公司；一些在学术界的工作。学术界的工资较低，但问题可能更有趣。随着你的职位越来越高，你就有可能在两个世界中任职，并在银行或基金工作的同时从事学术工作。
对于想要发表研究成果的量化分析师来说，也有机会在研究台工作，或者对于发布蓝天定量研究的非银行组织来说也有机会。例如，彭博社有一个相当大的研究部门，尽管他们不是一家贸易公司。
金融量化工作所需的技能传统上，宽客拥有各种应用数学背景。有时他们来自大学的物理系而不是数学系。最近，随着专业量化金融教育的发展，定价量化开始来自专门的量化和计算金融项目（例如我任教的伦敦帝国理工学院的数学和金融硕士学位）。
量化工作所需的数学知识传统的 Q 测量定量角色包括偏微分方程 (PDE) 的（通常是数值的）解法和随机微积分/分析（经典应用数学）。
此类数学过去在顶尖大学的数学系和物理系教授。宽客通常来自相对论、弦理论和流体动力学背景——这些领域中偏微分方程和随机变量比比皆是。
全球金融危机之后，P 衡量工作变得越来越多。此类工作更多地依赖于统计数据，而不是偏微分方程和随机变量。因此，更多的人被雇用具有统计背景而不是应用数学背景。
量化工作所需的编程技能对于许多宽客来说，编程与数学一样重要。
监督定量库的定量分析师需要精通软件架构。
除了编写代码之外，量化人员还花时间调试和加速现有代码、创建量化基础设施（例如，不同系统相互通信的方式、对象的持久化和存储以及量化库与底层之间的交互）数据库）、自动化任务以及最近应用机器学习。一些领先的金融机构拥有专门的机器学习团队。在其他情况下，机器学习研究或人工智能实施是由常规宽客进行的。银行、对冲基金和交易公司开始采用新方法，例如深度定价和深度对冲。
如果你想成为一名宽客，你需要学习哪种编码语言？现代编码语言都有各自的“生态位”： 用于原型设计和研究的 Python； 用于高性能生产系统的 C++； Java 和 C# 用于生产系统，其中软件工程比性能更重要（尽管在某些领域这些语言与 C++ 竞争性能；例如，请参阅 Azul）； Julia尝试将C++/Java/C#的优点与Python的优点结合起来； Kdb+/q 和 shakti 适用于大数据和高频数据； 用于在高性能计算 (HPC) 应用程序中对 GPU 进行编程的 CUDA。