金融工程量化交易
![Python 財務計算 [線上課程]](https://train.csie.ntu.edu.tw/images/courses/1586932746006.jpg)
Python 財務計算 [線上課程]
本課程結合 資訊 、 金融 與 數學 的跨領域課程，可作為成為 P Quant 和 Q Quant 的入門課程，深入淺出介紹數學模型背後的金融意義，並提供學員 Python 範例程式以期降低進入門檻，希望學員可以透過本課程建立量化研究的基礎，在未來持續發展適合自己的分析工具。本課程適合金融從業人員，進行計算金融、計量經濟、風險管理、量化交易等研究；我們也歡迎對於資訊、統計與金融有興趣的學生與社會人士。本課程亦涵蓋部分 CFA 與 FRM 考試內容 [0, 1] ，如量化分析、資產評價、衍生性金融商品 (以 期貨 與 選擇權 為主) 等 [2]。
0. Python 金融工程量化交易 程式基礎
1. 量化研究初探
-- 資料擷取與預處理
-- 資料視覺化
-- 技術分析
-- 回測
2. 常用的數學套件與其理論
-- 線性代數
-- 科學計算：內插、最佳化
-- 機率與統計：回歸模型
3. 現代投資理論
-- 馬可維茲平均數-變異數分析與效率前緣
-- 資本定價理論
-- 多因子模型
4. 金融時間序列分析
-- 自我相關係數與平穩時間序列
-- 自回歸移動平均模型
-- 葛蘭傑因果檢定
-- 結構性改變
5. 定價理論 (財務工程)
-- 期貨與選擇權
-- 無套利原則
-- 溫拿過程
-- 布萊克-休斯公式
-- 隱含波動率與VIX指數
6. 風險管理
-- 風險值
-- 期貨避險
-- 希臘字母避險
7. 機器學習導論
0. Python 金融工程量化交易 programming
1. Debut of quantitative research
-- Data acquisition and preprocessing
-- Data visualization
-- Strategy development by technical analysis
-- Backtesting
2. Selected math tools
-- Linear 金融工程量化交易 algebra
-- Scientific methods: interpolation and optimization
-- Probability models
-- Statistical inference
-- Linear regression
3. Modern portfolio theory
-- Markowitz's mean-variance analysis and efficient frontier
-- Capital Asset Pricing Models (CAPM)
-- Factor models
4. Financial time series analysis
-- Autocorrelation and stationary process
-- ARIMA model
-- Granger's causality test
-- Structural break detection
5. Pricing theory (financial engineering)
-- Futures and options
-- Arbitrage-free principle
-- Wiener process
-- Black-Scholes formula
-- Implied volatility and VIX Index
6. Risk management
-- Value at Risk (金融工程量化交易 VaR)
-- Sensitivity analysis: delta hedging
7. Machine learning tutorial
########################################################## 金融工程量化交易
[0] John C. Hull, Options, Futures, and Other Derivatives, 10/e, 2017
[1] Dan Passarelli, Trading Option Greeks: How Time, Volatility, and Other Pricing Factors Drive Profits, 2/e, 2012
[2] Zvi Bodie, Alex Kane, Alan 金融工程量化交易 J. Marcus, Investments, 12/e, 2020
##########################################################
註0：更新於 2021-09-07。
註1： 英文 教材 金融工程量化交易 中文 授課。
適合欲從事金融量化研究者，無 Python 程式經驗者可，完全無程式經驗者不建議*
* 本課程為 應用課程 ，非純程式語言課程；若完全沒有任何程式基礎者，請先於其他 Python 語言課程中掌握基本語法。課程中用到的程式概念諸如：陣列、迴圈、函式、物件，將於第一堂課介紹/複習。另外本課程也已備妥需要的範例程式，希望程式語言的初學者至少能夠自行修改程式碼以便完成作業。
金融工程量化交易
中金网 · 2021-12-29 15:57
摘要：量化金融是一门相对较新的学科，在 70 年代初由物理学家和其他受过量化训练的博士创立。 量化金融也叫做Quantitative Finance，很多人把它简称为Quant。做量化金融需要结合数学模型和金融模型，再加之编程，以此来进行金融市场和交易的量化分析。简单来说，做量化金融就是通过发现一些过去数据中的模式来找到一些可以盈利的交易策略。
一文看透神秘的量化金融领域
量化金融是一门相对较新的学科，在 70 年代初由物理学家和其他受过量化训练的博士创立。
量化金融诞生的时间表：
量化金融定义
当我们改变学科的比例时会发生什么？很明显，无论哪个学科是主导学科，都将成为该学科的主要焦点。比如量化金融的“表亲”：
数学金融、金融工程和计算金融
同时，金融工程利用数学金融开发的应用程序和计算金融的数值解决方案来解决金融问题。很明显，所需的数学水平不像数学金融那么严格。
量化金融主题的细分
数学：
A) 微积分和线性代数
B) 优化
C) 常微分方程和偏微分方程
D) 概率
E) 金融工程量化交易 随机微积分和 SDE
F) 数值分析
G) 二项式资产定价
统计数据：
A) 回归
B) 时间序列
C) 非参数回归
D) 数据探索
E) 数据清理和缩减
计算机科学：
A) 统计语言
B) 编程语言
· Python (Pandas, Numpy, Scipy..)
C) 内存管理、函数、变量、类、循环、If/Else 逻辑、运算符、数组、引用和指针、编写代码的最佳实践
D) 在程序中实施数学和统计知识
E) 机器学习
金融：
A) 股权
B) 固定收益
C) 衍生品
D) 投资组合管理和优化
E) 套利理论和统计套利
F) 风险管理
G) 精算建模
相关职业
卖方：是指投资银行创建金融产品以：
买方：量化投资者有兴趣通过从卖方购买股票、债券和衍生品进行投资。
一个好的量化分析师也必须是多元人才的结合体——交易员、销售人员、程序员和数学家。
在纽约，Quant 行业入职0-1年的新进职员年薪差不多在8-9万美元这个区间，有一些投行比如说JPMorgan 摩根大通或者好一点的对冲基金，入职第一年可以拿到10几万以上美元的收入。可以说，这是一个相对来说薪酬非常丰厚的职业。
从技能的角度来说，由于金融量化领域的内容涉及基础数据抓取及处理、量化交易策略编写及回测、实盘程序化交易、衍生品定价、机器学习、高频交易等模块的内容，所以只要你想要从事量化相关的工作，金融相关背景知识、数学建模和编程这三样能力都是缺一不可的。
目前主流和量化相关的岗位主要包括三个：量化研究（分析）、量化交易和量化开发。主要集中在投资银行、对冲基金、商业银行和金融机构等。
负责的主要工作根据职位也有很大区别，比较有代表性的包括Pricing、Model Validation、Research、Develop and Risk Management，分别负责衍生品定价模型的建立和应用、模型验证、模型研究、程序开发和风险管理。
Quant量化交易分析师知多少
即量化开发人员。一般来说，金融行业有两种类型的Quantitative Developers。第一种类型将与其他量化分析师密切合作，以 实现和优化他们的金融模型 。这些Quants通常会离钱很近，并且会进驻在一家投行的Front Office.
第二种类型的Quantitative Developers将 处理金融定价数据和交易系统架构 。他们将对原始的基础设施进行编码，让量化分析师/交易员运行他们的模型并赚钱。
也被称为Financial Quant Engineer，即金融量化分析师，他们负责 正确定价金融产品 ，比如固定收益、外汇、衍生产品等等。金融工量化分析师通常会有物理学或工程学的背景——利用他们的建模技能来定价新的金融产品。
量化研究人员通常是一个纯数学家或微积分博士，是一个比较学术的角色。他们通常在 研究公司 金融工程量化交易 或一些 较大的对冲基金中任职，致力于寻找更多的方法来获取市场回报 。如今，Quantitative Research也被投行雇佣，属于Middle Office。
与Trader直接打交道，提供定价或交易工具，属于Front Office。他们帮助Trader编程，开发直接能用的程序来实现策略，需要精通算法和编程。通俗的来说，当trader没遇到问题时，Desk Quant就是support，帮忙编程，开发程序及软件，做做research；当trader遇到问题时，Desk Quant就要从risk、pricing、portfolio match、hedge match等各方面分析，最后得出该笔交易能否做，怎么做，做成什么样。
可以分为market risk 金融工程量化交易 quant，credit risk quant，operational risk quant,，CVA risk quant，model risk quant等。每一种类型顾名思义，为其所在的 风险部门提供量化建模策略 ，与risk management，risk reporting，technology等部门需要协同合作。
03
Quant工作的领域
04
一般哪些公司有Quant
05
Quant薪资待遇
之前efinancialcereers做了一项调查，发现 Quant是投行中幸福指数最高 的一个职位。原因就在于工作稳定、作息规律、薪资高。
据说在美国投行，一个没有经验的Quant每年都有12万美金的 Base Salary，再加上股票奖金、佣金、年终分红 等最后可以拿到14万美金，事实真的如此吗？让我们来看看一些比较常见的Quant岗位的具体薪资是多少。
Quantitative Trader 金融工程量化交易
职责：开发量化交易策略
薪资：13万美元
Quantitative Researcher
职责：尝试发明新的价格公式和模型
薪资：12.7万美元
Quantitative Developers
职责：对原始的基础设施进行编码
薪资：13.8万美元
06
如何成为Quant
能做Quant的人一定是 既懂金融又会编程 的复合型人才，对口专业主要是 MFE（金融工程硕士）、MQF（量化金融硕士）、MMF（数理金融硕士） 等。
由于量化分析师主要从事编程和Model相关工作，作为数学较好的国际留学生在竞争这些岗位时的优势是显而易见的，尤其是 数学、物理或者计算机、数理金融专业方向 的学生。
此外编程是Quant必备技能的重中之重。对于Quant来说，可能需要学会很多种不同的，但 Python 是最适合做Quant的语言。而掌握C++、Matlab/R、SQL等其他语言，不但可以帮你做研究、制定策略，还可以让潜在雇主从侧面了解你的学习能力。
访谈 | 终于有人为了我解答了关于量化(交易)的种种疑惑
点击上方 “ AI派 ”， 选择“ 设为星标 ” 最新分享，第一时间送达！
自我学习：在业余时间里，圣元拿到了金融风险管理师 (FRM) 和特许另类投资分析师 (CAIA) 的认证，也拿到了 Coursera 颁发的机器学习、深度学习和TensorFlow实战的认证。圣元平时坚持写作，开了自己的微信公众号「王的机器」，里面分享了高质量金融工程、机器学习和量化投资的文章。圣元和电子工业出版社和清华大学出版社合作的写机器学习和 Python 编程的书。圣元的信条是『Yearning for Learning, Leading by Reading, Distilling by Writing』，多学多读多写，终身渴望学习，通过读书保持领先，通过写作用心灌输。
量化到底都分为什么方向？
量化人员每天具体的工作都在做什么？
如何去学习量化？
有什么值得学习的量化课程和书籍？
当我有了问题后，所以打算向圣元前辈去请教，在请教前，我准备先梳理要咨询的问题，在我梳理问题的过程中，我忽然想到：其实不仅仅只有我存在这样的问题，有很多量化初学者或者想要学习量化的人都会有这样的问题。于是我自己决定以一名初学者的身份来提问一些经常遇到的问题，这样做的话就能够帮助到更多的人。我将我的问题和圣元前辈的解答进行了整理，于是这篇文章就出来了。以下便是所有的访谈内容。
Q1： 什么是量化投资/量化交易/量化金融，这三个概念有什么区别吗？
但大家基本上就把量化投资和量化交易当做一个意思，指的在买方 (私募或对冲基金) 用计算机语言来实现数学和统计模型用来交易。
Q2：量化到底在研究什么？ 它的最终目的是什么？
Q3： 国内和国外量化行业当前的现状以及之后的前景是怎样的呢？
国内和国外都是一样。卖家比如银行里的Q-quant 前景越来越黯淡，买家比如对冲基金里的P-Quant 前景越来越光明，如果又会 Q 和 P，那么无敌了。关于 Q-Quant，P-Quant 的区别，参考下图。
圣元前辈的公众号（王的机器）：可扫码关注 ☝
Q4：量化相关的工作方向都包含哪些呢？每个方向大概都是做什么事情的？哪些机构/平台会招聘这些不同方向的人员呢？
从大方向来说，量化方向包括 Q-quant 和 P-quant，前者主要研究衍生品定价和风险计量，后者主要研究程序化交易和做市策略等。前者是由银行前台和中台招人，后者是由私募和基金招人。
Q5： 客观的来讲，国内和国外的不同级别的量化人员的薪资待遇是怎样的呢？
国内我不太清楚，新加坡这边我也只知道银行的薪资待遇，博士 (貌似现在只招博士了) 起薪大概是一个月 6K – 9K 新币 (1新币 = 5人民币)，花红 3 到4 月，如果是银行前台更多，做的好可以拿 12 个月。
Q6：您是如何走向量化这条道路的呢？
Q7：对于金融行业的人来说，如果想做量化，您有什么建议呢？
Q8：对于程序人员来说，如果想做量化，您有什么建议呢？
Q9：对于算法工程师来讲，如果想做量化，您有什么建议呢？
Q10：一名优秀的量化人员需要必备哪些素质或者技能？怎样能成为一名优秀的量化人员，职业规划是怎样的呢？最后的出路都有哪些？
Q11：量化相关的从业人员基本都需要依赖于机构/平台吗？有没有一个人单独去做一些量化相关工作的情况呢？
Q12：对于想从事量化工作的新人来说，目前市面上有哪些适合新人并且值得推荐的课程？为什么值得推荐呢？
MIT的18.S096 Topics in Mathematics with Applications in Finance 这堂课。推荐原因是内容很全，里面讲师有教授和业界人士，MIT 牌子。
Coursera 里的Financial Engineering and Risk Management，推荐原因是有 275K人上过和哥伦比亚大学牌子的原因。
除了上面两门正统课此外，Quantopian, 万矿, 聚宽, 米筐, 优矿国内外几大量化平台上面的量化课堂也不错，推荐原因是里面的内容直接和目前人们感兴趣的量化那一块高度相关，即如何设计交易策略在市场中赚钱。
Q13：量化会涉及几个方面（比如金融 、编程以及建模 ），每一方面都有哪些可以推荐的入门和进阶的（国内和国外）书籍呢？
Q14：做量化工作最大的困难有哪些？
Q15：做量化工作最容易犯的错误有哪些？
Q16：量化需不需要考取一些相关的证书？为什么？
Q17：在实际工作中，量化研究员到底在做什么事情？会用到哪些算法以及策略呢？
对 Q-quant 类型量化研究员来说，日常就是读研报、建模型、做压力测试、评估模型风险等，用的是随机微分过程那套，算法有数值积分、偏微分有限差分和蒙特卡洛方法等。
对 P-quant 类型量化研究员来说，日常就是读研报、建交易策略、评估回测指标等，用的是传统时间序列和机器学习那套，算法有Kalman-Filter、线性回归、随机森林等。
Q17：与传统策略相比，深度学习在量化中的应用有哪些呢？
传统的机器学习模型在传统的结构化数据上表现还可以，但是对于海量的非结构化数据或另类数据 (Alternative Data) ，深度学习模型才是唯一王道。
Advan Research 提供交易个股时用手机记录的地理位置数据 (根据人流量预测零售)
RS Metrics 提供交易个股时用无人机拍的停车场和仓库图像数据 (根据车位占满率预测员工)
i Sentium 提供交易股票时用 到的Twitter 上的情绪数据指标
脸熟的评判标准是根据通过留言的次数来决定的
留言时需要按照今日留言主题来用心留言，否则不计入总数
每日赠书专区 会出现在AI派当天发布文章的头条或次条的文章末尾
今天我们的每日赠书专区出现在“头条”的位置上 ， 书籍为 《 神经网络与深度学习实战 》 。
本书简介：
这本书颇有特色，主要体现在书中循序渐进、由浅入深地将一个难度颇大的技术话题分解成多个难度比较小的知识点，然后带领读者逐个击破，最后一举拿下深度学习这块非常难啃的骨头。 这本书在高门槛前建立了多级容易跨越的台阶，让读者的学习曲线比较平滑，极大地降低了学习难度，推荐给有志于从事人工智能的工程师和爱好者研读。
恭喜上期通过留言成功混脸熟的 读者： ꧁༺.༻꧂ ，赠送一本《 从零开始学 Python 网络爬虫 》