这是一个创建于 991 天前的主题，其中的信息可能已经有所发展或是发生改变。
大家好, 我是 Lucy@FinTech 社区。
FinTech 社区推出新栏目［ Fin － terview ］，明星候选人为大家分享职场心得，给更多想要进入量化行业的朋友分享经验，今天的我们的嘉宾是毕业于美国常春藤大学的 M，现从事量化交易工作。
Q: FinTech 社区
A: M,毕业于常春藤大学，现从事量化交易工作
Q: 为什么会对量化行业感兴趣？
A: 之前自己学了很多数学方面关于优化的东西，自己就很想动手试试，看写出来的东西可以解决什么问题，在大量的搜索当中，发现原来机器学习这些优化算法和交易有大量的关联。对于个人来说，尝试的成本很小，效果检验也很简单——你挣到钱了，说明你的算法在市场上是 work 的，没挣到钱就说明不 work 。
Q: 最早什么时候接触量化交易的？
A: 大学期间学习数学优化算法，尝试过用 Matalab 写了一些很简单的东西跑跑看，但其实就是写着玩儿的。研究生期间，我的导师就是做这方面研究的——如何把机器学习和交易结合起来，所以正式接触量化交易的研究其实是从这个时候开始的。
Q: 为什么对机器学习感兴趣？
A: 大一大二的时候，我那个时候学的是数学上的优化算法，那些其实是机器学习最早期的理论基础，学着学着就过渡到了 Machine Learning，再到后来的 Deep learning，这个是一个很自然的过程，不存在突然跳转过去。
Q: 跟我们分享一些你在美国留学时候的收获吧！
A: 在美国留学最大的收获，除了专业知识，很重要的一点就是思考问题的方式受到了很大的影响。在美国，我碰到过很多很厉害的导师，跟他们聊天就更能知道他们整个思考路径是什么样子的，为什么会得到这样的结果。通常他们的研究都不是脱离现实的，很多就是要解决实际的交易问题的，看他们如何把这些问题定义好，再怎么细分，到最后的解决，在这个过程中他学到了很多方法论。这对于我之后去开发新的模型、去解决问题，都有很大的益处。
Q: 毕业的时候你就确定要进入量化行业吗？
A: 对的。我毕业的时候就是想找这方面的工作，但是当时不知道怎么找，投简历都不知道往哪儿投。当时是朋友推荐的 FinTech 社区，Lucy 确实给我提供了非常大的帮助，她帮我对接到了很多国内特别好的量化私募。
Q: 你当时是怎么准备面试的？
A: 我其实没有花太多时间专门准备面试，毕竟自己也不了解国内量化行业的偏好，国内市场这方面 Lucy 帮助了我挺多的，她给的建议都比较有针对性，效率还是挺高的。算法嘛，因为我记性特别好，我以前看过的什么论文、公式什么的，都记得特别清楚，所以面试的时候当他们问到这些问题的时候，我都会写得很详细。自己主要就是把自己的简历看一下，把之前做过的项目过了一遍。
Q: 量化行业给你带来的最大收获是什么？
A: 最大的收获就是整个思维体系的养成和训练。刚入行的时候可能是你的上级去教你，慢慢的你自己会遇到很多问题，在网上是根本查不到答案的，那就要培养自己解决问题的能力；到后期你想越做越多或者把这个东西做得非常好的时候，又得去培养自己发现问题的能力，做这个行业其实是一个不断认清自己的过程。在这个行业很少会有一个真正的老师去教你，更多的是和同事之间互相学习。像现在，这个行业已经发展得成熟多了，团队的力量、成员之间的协作，比以前那种单打独斗的方式重要多了。
Q: 这个行业给你带来的最大的挑战是什么？
A: 不像别的计算机问题一样，量化行业里，很多问题并没有被定义得那么好。你建立一个模型，希望它可以根据你的数据给到你想要的结果，但刚开始往往都是事与愿违的，那就需要你从这个不太好结果上反应出来的东西去推断到底哪一步出了问题，不断迭代、到处修改，这是一个最棘手的问题，大部分人都会把时间花在这个上面。
Q: 平时是怎么解决棘手的问题的？
A: 你需要建立好自己的理论体系。首先要对基本模型的理论很清楚，这样当出了问题的时候你能快速定位出来。举个例子，当市场上发生了某个问题，你的策略在这里的表现不是特别好，这时候你要弄清楚两个问题。
第一个问题是：这个模型有没有能力去解决这个问题，第二个问题是：如果这个模型有能力去解决这个问题，那么是哪个环节出了问题导致它没能解决。你要去清晰的去思考这个过程，尝试才是有结果、有意义的，不然，中间环节实在是太多了，你可以尝试的东西实在是太多了。
Q: 你觉得什么样的人适合量化行业？
A: 性格方面，TA 肯定要是一个乐观的人。因为做量化行业，90%的工作时间都是，你有一个新想法，但是这个想法不 work，需要再改进。所以如果你不是一个乐观的人，你很难在这个上面坚持很久。很简单一个道理，如果这个东西很简单就可以 work 的话，那对别人来说也会是这样，那市场上机会就会均摊给这么多人，均摊的机会就相当于没有机会。
除了乐观，还要很冷静、积极学习。做量化的时候是不管你有什么 background，你是初中毕业也好、MIT 博士毕业也好，无论什么样的头衔，你在市场面前都是平等的，你要向任何可以学习的人学习，向市场上任何可以学习的地方去学习，忘掉所有乱七八糟的东西。
很多进到这个行业的人本来就是自身带了很大的光环，无论是之前的工作也好、学校也好，这样的话，当面对一些很小的失利的时候，就会去怀疑自己，会很沮丧。所以除了乐观，还要很自信，其实都是在受挫-解决问、再受挫-再解决问题，当中不断建立的，而不是平白无故的自信。
Q: 那么你经历过特别怀疑自己的阶段吗？
A: 肯定有的，但我很少会怀疑我这个人本身，我就是去想着怎么去解决这个问题，出了问题，肯定是能解决的。要么就是我证明了这个东西解决不了，要么就是只要我证明不了，那我就能解决这个问题。不太存在证明这个东西解决不了，因为不管什么问题，到最后好像都还是有了一个不错的结果。不过，我在这个行业也没有待那么久，像七八年以上，那他们可能会有别的领悟吧。
Q: 你如果看待机器学习用于量化交易？
A: 先说缺点吧，很多人把这个当作一个 blackbox 来用，只是说直接拿过来用，期望得到一个比较好的结果，但这个时候就会出现很多意料之外的结果，它的可解释性其实是非常弱的；真正一些有高技术含量的算法，它的门槛或者要求其实是非常高的，并不是那么有普适性。
优点的话，一旦有了一个比较好的机器学习的框架，或者说是你们很好的定义了问题，它就可以给你带来很多超额收益。因为，像刚才说的，可解释性差，也就是说很多你机器模型给出来的信号是人脑想不出来的，或者不是那么依靠直觉的东西，那么如果统计上证明它的胜率比如说是大于 50%，胜利带来的收益是大于 lose 带来的损失，就证明它是可盈利的。可盈利、又没有什么人跟你抢，那么对你来说就是巨大的 edge 。
Q: 学校之外，平时会怎么补充知识，可以给大家分享一些渠道吗？
A: 这个就因人而异了，我自己平时比较喜欢读论文，看第一手的资料，去看看有没有什么新的理论，看看有没有新的技术什么的，当然这个对于初学者就不是非常友好了，因为有很大的知识背景需要补充；对于新手来说，其实现在网上有很多的课程，b 站或者 YouTube 上都是有很多配套的课程和作业是很丰富的。
Q: 跟我们分享一下 Quant 的一天吧！
A: 早上九点之前就要开始准备上班，因为要开盘，开盘的过程中，也会去做一些研究，去写一些东西，等到收盘以后也会做一些研究，跟同事讨论一下，我一般中午都会睡睡觉，收盘的时候也会锻炼一会儿，然后下班。其实加不加班都可以，我一般晚上也没什么事，看看书、看看 paper，这也不算加班。
Q: FinTech 社区给你提供了什么帮助，有没有需要改进的方面？
A: FinTech 社区这边的资源是非常好的，能给到你这样的机会，这个是很难得的。我没觉得有什么需要改进的方面，跟 Lucy 的合作还是蛮紧密的，包括我们公司其实跟 Lucy 的关系都是很好的。
欢迎加入 FinTech 社区，和更多人才交流，获取量化职场经验!
FinTech 社区推出新栏目［ Fin － terview ］，明星候选人为大家分享职场心得，给更多想要进入量化行业的朋友分享经验，今天的我们的嘉宾是毕业于美国常春藤大学的 M，现从事量化交易工作。
Q: FinTech 社区
A: M,毕业于常春藤大学，现从事量化交易工作
Q: 为什么会对量化行业感兴趣？
A: 之前自己学了很多数学方面关于优化的东西，自己就很想动手试试，看写出来的东西可以解决什么问题，在大量的搜索当中，发现原来机器学习这些优化算法和交易有大量的关联。对于个人来说，尝试的成本很小，效果检验也很简单——你挣到钱了，说明你的算法在市场上是 work 的，没挣到钱就说明不 work 。
Q: 最早什么时候接触量化交易的？
A: 大学期间学习数学优化算法，尝试过用 Matalab 写了一些很简单的东西跑跑看，但其实就是写着玩儿的。研究生期间，我的导师就是做这方面研究的——如何把机器学习和交易结合起来，所以正式接触量化交易的研究其实是从这个时候开始的。
Q: 为什么对机器学习感兴趣？
A: 大一大二的时候，我那个时候学的是数学上的优化算法，那些其实是机器学习最早期的理论基础，学着学着就过渡到了 Machine Learning，再到后来的 Deep learning，这个是一个很自然的过程，不存在突然跳转过去。
Q: 跟我们分享一些你在美国留学时候的收获吧！
A: 在美国留学最大的收获，除了专业知识，很重要的一点就是思考问题的方式受到了很大的影响。在美国，我碰到过很多很厉害的导师，跟他们聊天就更能知道他们整个思考路径是什么样子的，为什么会得到这样的结果。通常他们的研究都不是脱离现实的，很多就是要解决实际的交易问题的，看他们如何把这些问题定义好，再怎么细分，到最后的解决，在这个过程中他学到了很多方法论。这对于我之后去开发新的模型、去解决问题，都有很大的益处。
Q: 毕业的时候你就确定要进入量化行业吗？
A: 对的。我毕业的时候就是想找这方面的工作，但是当时不知道怎么找，投简历都不知道往哪儿投。当时是朋友推荐的 FinTech 社区，Lucy 确实给我提供了非常大的帮助，她帮我对接到了很多国内特别好的量化私募。
Q: 你当时是怎么准备面试的？
A: 我其实没有花太多时间专门准备面试，毕竟自己也不了解国内量化行业的偏好，国内市场这方面 Lucy 帮助了我挺多的，她给的建议都比较有针对性，效率还是挺高的。算法嘛，因为我记性特别好，我以前看过的什么论文、公式什么的，都记得特别清楚，所以面试的时候当他们问到这些问题的时候，我都会写得很详细。自己主要就是把自己的简历看一下，把之前做过的项目过了一遍。
Q: 量化行业给你带来的最大收获是什么？
A: 最大的收获就是整个思维体系的养成和训练。刚入行的时候可能是你的上级去教你，慢慢的你自己会遇到很多问题，在网上是根本查不到答案的，那就要培养自己解决问题的能力；到后期你想越做越多或者把这个东西做得非常好的时候，又得去培养自己发现问题的能力，做这个行业其实是一个不断认清自己的过程。在这个行业很少会有一个真正的老师去教你，更多的是和同事之间互相学习。像现在，这个行业已经发展得成熟多了，团队的力量、成员之间的协作，比以前那种单打独斗的方式重要多了。
Q: 这个行业给你带来的最大的挑战是什么？
A: 不像别的计算机问题一样，量化行业里，很多问题并没有被定义得那么好。你建立一个模型，希望它可以根据你的数据给到你想要的结果，但刚开始往往都是事与愿违的，那就需要你从这个不太好结果上反应出来的东西去推断到底哪一步出了问题，不断迭代、到处修改，这是一个最棘手的问题，大部分人都会把时间花在这个上面。
Q: 平时是怎么解决棘手的问题的？
A: 你需要建立好自己的理论体系。首先要对基本模型的理论很清楚，这样当出了问题的时候你能快速定位出来。举个例子，当市场上发生了某个问题，你的策略在这里的表现不是特别好，这时候你要弄清楚两个问题。
第一个问题是：这个模型有没有能力去解决这个问题，第二个问题是：如果这个模型有能力去解决这个问题，那么是哪个环节出了问题导致它没能解决。你要去清晰的去思考这个过程，尝试才是有结果、有意义的，不然，中间环节实在是太多了，你可以尝试的东西实在是太多了。
Q: 你觉得什么样的人适合量化行业？
A: 性格方面，TA 肯定要是一个乐观的人。因为做量化行业，90%的工作时间都是，你有一个新想法，但是这个想法不 work，需要再改进。所以如果你不是一个乐观的人，你很难在这个上面坚持很久。很简单一个道理，如果这个东西很简单就可以 work 的话，那对别人来说也会是这样，那市场上机会就会均摊给这么多人，均摊的机会就相当于没有机会。
除了乐观，还要很冷静、积极学习。做量化的时候是不管你有什么 background，你是初中毕业也好、MIT 博士毕业也好，无论什么样的头衔，你在市场面前都是平等的，你要向任何可以学习的人学习，向市场上任何可以学习的地方去学习，忘掉所有乱七八糟的东西。
很多进到这个行业的人本来就是自身带了很大的光环，无论是之前的工作也好、学校也好，这样的话，当面对一些很小的失利的时候，就会去怀疑自己，会很沮丧。所以除了乐观，还要很自信，其实都是在受挫-解决问、再受挫-再解决问题，当中不断建立的，而不是平白无故的自信。
Q: 那么你经历过特别怀疑自己的阶段吗？
A: 肯定有的，但我很少会怀疑我这个人本身，我就是去想着怎么去解决这个问题，出了问题，肯定是能解决的。要么就是我证明了这个东西解决不了，要么就是只要我证明不了，那我就能解决这个问题。不太存在证明这个东西解决不了，因为不管什么问题，到最后好像都还是有了一个不错的结果。不过，我在这个行业也没有待那么久，像七八年以上，那他们可能会有别的领悟吧。
Q: 你如果看待机器学习用于量化交易？
A: 先说缺点吧，很多人把这个当作一个 blackbox 来用，只是说直接拿过来用，期望得到一个比较好的结果，但这个时候就会出现很多意料之外的结果，它的可解释性其实是非常弱的；真正一些有高技术含量的算法，它的门槛或者要求其实是非常高的，并不是那么有普适性。
优点的话，一旦有了一个比较好的机器学习的框架，或者说是你们很好的定义了问题，它就可以给你带来很多超额收益。因为，像刚才说的，可解释性差，也就是说很多你机器模型给出来的信号是人脑想不出来的，或者不是那么依靠直觉的东西，那么如果统计上证明它的胜率比如说是大于 50%，胜利带来的收益是大于 lose 带来的损失，就证明它是可盈利的。可盈利、又没有什么人跟你抢，那么对你来说就是巨大的 edge 。
Q: 学校之外，平时会怎么补充知识，可以给大家分享一些渠道吗？
A: 这个就因人而异了，我自己平时比较喜欢读论文，看第一手的资料，去看看有没有什么新的理论，看看有没有新的技术什么的，当然这个对于初学者就不是非常友好了，因为有很大的知识背景需要补充；对于新手来说，其实现在网上有很多的课程，b 站或者 YouTube 上都是有很多配套的课程和作业是很丰富的。
Q: 跟我们分享一下 Quant 的一天吧！
A: 早上九点之前就要开始准备上班，因为要开盘，开盘的过程中，也会去做一些研究，去写一些东西，等到收盘以后也会做一些研究，跟同事讨论一下，我一般中午都会睡睡觉，收盘的时候也会锻炼一会儿，然后下班。其实加不加班都可以，我一般晚上也没什么事，看看书、看看 paper，这也不算加班。
Q: FinTech 社区给你提供了什么帮助，有没有需要改进的方面？
A: FinTech 社区这边的资源是非常好的，能给到你这样的机会，这个是很难得的。我没觉得有什么需要改进的方面，跟 Lucy 的合作还是蛮紧密的，包括我们公司其实跟 Lucy 的关系都是很好的。
欢迎加入 FinTech 社区，和更多人才交流，获取量化职场经验!
目前尚无回复
Select Language