从银行跳槽去做量化，这时候该如何规划？

从银行跳槽去做量化这个时候一定要对自己的性格和能力做好定位和规划，银行相对而言的工作更加简简单一些，而且也不是压力那么大。但是量化交易就不一样了，量化交易通常情况下要跟日常的交易时间相配合，而且在交易完之后还要及时的通过各种各样的数学概率模型来进行相关的分析。这样的话才能够更好的做出一些理性的投资决策，所以说自己的数学分析能力以及计算机技术能力一定要强，这样的话才能够更好的跳槽。

从银行跳槽做量化

银行是主要做金融的，但是银行里面的部门有很多有前端的有后端的，如果自己不是柜台的话，那么可能处理的事故相对而言简单一些。但是量化就不一样，量化对一个人的数学分析能力计算机能力要求非常高，除了要懂得基本的金融知识以外，做量化的还是要进行交易的。另外还要分析这个模型对交易是不是有好处的，所以说从银行跳槽做量化的过程中，一定要分析清楚自己有没有相关的实现。相关的学习能力，能不能把该学的知识学会这样的话才能够让自己更好的去跳槽。而且对于个人而言，如果说自己之前没有数学基础的话，一定要多补习数学基础才能够有相关的工作经验和知基本的知识储备才能够更好的跳槽。

要加强自己的学习能力

说实在的每一个人对自己的职业规划都是不一样的，而且要有居安思危的精神。毕竟一个行业发展久了可能就会被淘汰，而且自己不管是在哪个行业都可能会被裁掉的。所以还是建议在日常生活中增强自己的学习，比如说可以通过网课的方式去学习一些计算机知识。从而能够让自己更好的去有更多的发展实力，而且也避免后期有危机。

总结

其实在银行里面工作相对而言是比较安稳的，但是有一些人想让自己有更多的经济收入，所以说如果真的想要跳槽的话，一定要提前准备好。等自己已经找好工作之后再去跳槽，不要裸辞，要不然的话就很难再回到银行这个体系工作了。

一、什么是量化对冲基金 

        量化对冲基金的盈利模式很简单，就是发基金产品，然后提2%管理费（产品总规模的2%）+20%业绩提成（产品收益的20%）。对冲基金的一大特性是杠杆，借入资金，获得杠杆和高收益率，“对冲”是字面的假象，并非是做多空对冲，而是杠杆买卖。

        七亏两平一赚的道理哪里都适用，不管是餐饮行业还是互联网行业，不管是证券私募基金（PE），还是量化对冲基金，包括华尔街的对冲基金行业也一样，大部分都是亏货，最终都倒闭破产了；少量盈亏平衡，做的平庸无奇；屈指可数的极少数功成名就，做大做强，发大财出大名，留下神话般的业绩和伟大的传说，索罗斯西蒙斯这类型，华尔街百年历史也就那么几个，屈指可数，可见这个行业竞争是有多激烈，多残酷，存活率有多低。所以不要总看到量化对冲基金这个行业特别牛，特别高大上，那只是幸存者都看起来很光鲜而已，更多的已经死掉了，你根本而且永远都不会知道。

        不过中国的量化对冲基金行业相比国外，有一个优势，那就是行业刚刚起步，国内做的好的证券私募基金（PE），可能大家勉强还能说出来一两家，国内做得特别好的、特别出名的、规模特别大的、盈利能力特别强的、能傲视群雄、形成寡头垄断的、最顶尖的量化对冲基金，现在还没有。

二、量化对冲基金的核心岗位---量化交易岗位 

      这个岗位到底干啥，简单的说，两个字——挣钱。具体的包括，算法设计、策略测试、参数优化、模型实现、实盘下单等，再深入一些还包括系统维护、策略更新、风险控制、资金管理、品种筛选、极端行情应对等，甚至还需要写宣传资料和推介资料，做一些路演和宣讲。所以一个合格的成熟的量化交易团队（实际中负责投资交易的，很多不是个人而是团队），那就是公司把钱（基金产品）交到你手上，你能在一定限制条件下（一年封闭期，20%止损线等）在市场里赚到钱，而且最好把曲线做的漂亮一些，稳定一些，收益高一些回撤低一些。

       跟量化对冲基金行业一样，量化交易岗位竞争也很激烈，而且更激烈，更残酷，存活率更低。首先这个岗位要求极高，这是一个横跨数学、计算机、金融、投资，甚至社会学、心理学，等多领域多学科的岗位，而且对所有相关知识都要求很高，要能融会贯通，其次还要有极强的实践 *** 作能力，要有大量的金融市场实战投资经验才行，否则让从来没做过投机交易的程序员来写几个程序就想赚大钱，根本不可能，最后对于职业交易者的自我修炼、道德品格、性格塑造、学识见识、心胸视野等有很高的要求。

        量化交易岗位责任极大，压力极大，要运作大量资金，去最血腥最残酷的金融市场里竞争博弈，并且要在非常严格的条件下（比如一年封闭期，20%止损线，甚至还可能有最大回撤的硬性限制要求），战胜同样厉害的竞争对手，去赚取对方亏损的钱，其难度可想而知。 所以，你真的适合做量化交易吗？你真的有能力在这么残酷的竞争中胜出吗？

         别只看到胜出者管理着大量的资金，每天写写代码，说说笑笑，几百万几千万就轻松到手，那是赢者该有的一切。更多的人赔掉了本钱，赔掉了青春，赔掉了自信，赔掉了在其他行业其他岗位上大展宏图的机会，甚至赔掉了美好的生活，但你根本甚至永远都不可能知道他们。

三、做好量化交易，首先需要兴趣与使命感 

         量化交易这个岗位太难了，要求太高，压力太大，一般人很难坚持下去，圈内朋友经常相互开玩笑，做这个工作，寿命都要比正常人短好几年。相信愿意把青春的赌注压在这上面的，都是对于量化交易有着无法抑制的兴趣和冲动。 巴菲特在某大学演讲时，有人问他说我马上要毕业了，如何知道这份工作是否适合我，巴菲特说，如果你每天早上醒来，立马就高高兴兴的、蹦蹦跳跳的、迫不及待的、兴冲冲的跑去办公室开始一天的工作，那这份工作就是你应该一生从事的事业。

       兴趣是最好的导师，有了兴趣才会去钻研，才会不断学习进步，才会拥有一种不断追求完美的精神，用一种工匠精神，用一生的时间和精力去做到最好。

四、做好量化交易，需要交叉学科、融汇贯通的知识体系 

       数学、概率统计、数据结构、算法设计、经济、金融、证券、衍生品相关、投资与分析、主流策略开发语言等，都需要了解，而且要融会贯通。

      关于做量化交易用什么语言更好，其实还是看自己的习惯和要达到的目标，如果是大型金融机构做量化分析系统或量化交易系统，可以用python，R，C++等都可以，各有优劣，看对于速度要求如何了。如果是个人或者中小机构，对于速度要求不高，策略也相对简单，可支出成本有限，而且缺乏的技术支持，用一些成熟的第三方平台，如文华、TB、金字塔、MC等也可以，我还见过用matlab，excel，包括一些网上平台，做量化交易的，其实只要策略能很好的实现，实盘能盈利就行。

    这里讨论一下，有两个观点：

 （1）错误理解：不自己做系统，不自己写接口的都不是量化交易，量化交易门槛特别高，low逼别玩。

        其实不是这样，量化交易只是一种理念，是一种方法，是一种工具，是为交易策略服务的，只要策略开发和下单实现，都是运用的数学模型和计算机程序，而非人为主观判断，就是量化交易。一些股票老玩家，有一个可能盈利的交易策略，然后用第三方平台，搞来历史数据测一测，发现确实能盈利，然后就开始把系统架上去跑，这也是量化交易。就像搭建一个实体模型，比如艾尔菲铁塔什么的，你最好自己制作搭建材料，这样可以更好的更个性化的实现自己的目标，但你也可以去买一些已经做好了的现成的模型材料，用别人做好的材料来搭建模型，两种做法都是搭建模型，核心在于你搭建模型的思路和方法。用第三方平台就像搭积木，人家已经给你把积木做好了，你按照自己的想法把积木搭建起来就是，只是一些特别个性化的搭积木的想法，可能会受到积木本身的限制罢了。

       自己做系统自己写接口的优势在于更加个性化，更符合自己的需求，而且速度更快，信息保密也能做得更好；缺点是财务成本更高，人员和硬件配备要求更高，而且系统更容易出BUG（别说什么大牛，华尔街海龟写的系统就不会有任何问题，还记得光大乌龙指事件吗？）。用第三方平台的优势在于成本低，重大BUG相对较少（不像自己做的系统，第三方平台毕竟几万人用了好几年，而且每天都在不断改进），交易者可以只专注于策略开发，而不用考虑系统维护；缺点是速度更慢，策略思路的实现会受到第三方平台功能的限制等。当然如果做高频交易，肯定得自己做系统写接口了，但现在国内的股票和股指期货市场，是做不了高频交易的。

（2）错误理解：量化交易的核心竞争力是优秀的计算机语言编程能力。

     其实量化交易的核心竞争力是策略的有效性，能长期稳定盈利的策略是一切的关键，一些中低频交易策略，手动和量化区别不一定会很大。数学、计算机程序、金融、实盘交易经验，做好量化交易，这四样缺一不可，只是因为计算机程序这一块最有特色，是区别于其他交易方法的主要特点，所以总被外界当做量化交易的噱头和宣传点，久而久之大家甚至把编程能力作为最核心竞争力了，这明显有些喧宾夺主。 

五、做好量化交易，需要丰富的交易经验 

        从来没做过交易的程序员来写几个程序就想挣钱，不可能。要做好量化交易，长期的实盘交易经验是必须的，这样才能更好的懂得市场的特性，品种的特性，行情的变化等，才能写出更加贴合市场，更加有竞争力的策略和模型。数学思维能力和编程能力很重要，但如果不熟悉市场，不了解品种特性，不了解金融市场百年发展史，不懂得人性的贪婪和恐惧，没自己实盘做过股票期货，很多东西数学模型和程序语言是不会告诉你的，就像你有再好的木匠工具，如果没有做木匠活的经验，你也很难做出漂亮实用的家具。

        有人可能会说那用数据挖掘啊，让程序自己去开发策略，这也是现在一个很有潜力的流派，但问题就在于数据挖掘某种程度上也是依靠概率，没有绝对的必然性，通过数据挖掘做的策略可能会存在巨大风险。就像之前在书上看到的，就是数据挖掘发现，美国标普指数跟非洲某地咖啡产量连续多年相关性达到99%以上，美国原油指数价格跟一种墨西哥烧饼的价格连续多年相关性达到99%以上等等，如果真采用这两组数据的相关性去做策略，很明显是滑稽的。

          其实数据挖掘可能出现的小概率风险，也就是我们常说的参数优化中的参数孤岛。简单的说，就是用历史数据测试策略，发现某个参数表现特别好，但这个参数是独立的，不连续的，跟次优参数差别很大，无法组成一个较优参数集合，这很有可能就是遇到了小概率事件，如果使用这个参数，历史回测可能很漂亮，实盘交易就会遭殃。

       而且只有经过大量的实盘交易，你才会知道挣钱没有那么容易，亏钱却易如反掌，交易这行其实很苦很累，每天在盈利与亏损中挣扎，如何控制风险，获取收益是一个永恒的命题，更别说要做到长期稳定盈利。像巴菲特一样五十年如一日，年均收益20%多，真的就太难了。别去迷信短期暴利，几个月翻几倍之类的神话，毫无意义，资本市场最不缺神话，缺的是寿星，做量化交易就是做资产管理行业，我们是靠规模和复利取胜，而不是冒着巨大风险去博取短期暴利。

        做外部客户委托的资金，无论是单账户还是基金产品，一定要亲自去 *** 作，去实践，才能真正学到东西，成长起来，而且一定要公开化，阳光化，最好网上公布业绩。这样你才会了解到，受人委托，肩上的责任有多大，心理压力有多大，你能否在这样大的压力下，各种严格的限制条件下做好交易，这是真正的难点所在。你才会知道 *** 作自己的资金，跟 *** 作客户的资金，跟 *** 作基金产品的区别有多大。有的人能做好交易工作室，但也仅限于此，做资产管理行业不像做工作室，难度大多了，因为是戴着镣铐，在众目睽睽之下舞蹈，每天都要公布净值的，这谁玩谁知道。

 六、如何创建自己的量化对冲基金管理公司

          过程很复杂，核心是要有起始资金，或者主要投资人，还有核心交易团队，这是最基本条件，然后还有大量的各种各样的工作要做，你要能独挡N面才行，比如你是核心交易团队，那就得会说服投资人投资，找合作途径发产品，找客户销售产品，注册成立公司，管理公司，公司制度建设，人员招聘，薪酬制定等等。

---