券商投行量化研究專題

㈠ 請問券商風險管理部的量化分析崗都做什麼工作

券商的風險管理部主要研究開展新業務或者實際業務開展中，是否對公司造成風險。這風險是否可以度量，是否可以接受。其中包括流動性、信用風險、市場風險，信息系統風險等方面的風險。
量化分析類崗位的工作內容一般包括：
1 負責研究和開發金融產品估值定價模型並計算相關風險指標；
2 負責研究和開發市場、信用風險計量模型
3 負責研究和開發數量化分析工具、對部門各組數量化分析需求提供支持

㈡ 什麼是券商資管量化投資請說詳細一些

通過歷史數據和計算機建立的模型，自動選擇股票（擇股）或者選擇買賣時機（擇機）。

㈢ 量化投資的主要方法和前沿進展

量化投資是通過計算機對金融大數據進行量化分析的基礎上產生交易決策機制。設計金融數學和計算機的知識和技術，主要有人工智慧、數據挖掘、小波分析、支持向量機、分形理論和隨機過程這幾種。
1．人工智慧
人工智慧（Artificial Intelligence，AI）是研究使用計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及計算機科學、心理學、哲學和語言學等學科，可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。
從思維觀點看，人工智慧不僅限於邏輯思維，還要考慮形象思維、靈感思維才能促進人工智慧的突破性發展，數學常被認為是多種學科的基礎科學，因此人工智慧學科也必須借用數學工具。數學不僅在標准邏輯、模糊數學等范圍發揮作用，進入人工智慧學科後也能促進其得到更快的發展。
金融投資是一項復雜的、綜合了各種知識與技術的學科，對智能的要求非常高。所以人工智慧的很多技術可以用於量化投資分析中，包括專家系統、機器學習、神經網路、遺傳演算法等。
2．數據挖掘
數據挖掘（Data Mining）是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程。
與數據挖掘相近的同義詞有數據融合、數據分析和決策支持等。在量化投資中，數據挖掘的主要技術包括關聯分析、分類/預測、聚類分析等。
關聯分析是研究兩個或兩個以上變數的取值之間存在某種規律性。例如，研究股票的某些因子發生變化後，對未來一段時間股價之間的關聯關系。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。一般用支持度和可信度兩個閾值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。
預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
聚類就是利用數據的相似性判斷出數據的聚合程度，使得同一個類別中的數據盡可能相似，不同類別的數據盡可能相異。
3．小波分析
小波（Wavelet）這一術語，顧名思義，小波就是小的波形。所謂「小」是指它具有衰減性；而稱之為「波」則是指它的波動性，其振幅正負相間的震盪形式。與傅里葉變換相比，小波變換是時間（空間）頻率的局部化分析，它通過伸縮平移運算對信號（函數）逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了傅里葉變換的困難問題，成為繼傅里葉變換以來在科學方法上的重大突破，因此也有人把小波變換稱為數學顯微鏡。
小波分析在量化投資中的主要作用是進行波形處理。任何投資品種的走勢都可以看做是一種波形，其中包含了很多噪音信號。利用小波分析，可以進行波形的去噪、重構、診斷、識別等，從而實現對未來走勢的判斷。
4．支持向量機
支持向量機（Support Vector Machine，SVM）方法是通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特徵空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特徵空間中的線性可分的問題，簡單地說，就是升維和線性化。升維就是把樣本向高維空間做映射，一般情況下這會增加計算的復雜性，甚至會引起維數災難，因而人們很少問津。但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特徵空間中卻可以通過一個線性超平面實現線性劃分（或回歸）。
一般的升維都會帶來計算的復雜化，SVM方法巧妙地解決了這個難題：應用核函數的展開定理，就不需要知道非線性映射的顯式表達式；由於是在高維特徵空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復雜性，而且在某種程度上避免了維數災難。這一切要歸功於核函數的展開和計算理論。
正因為有這個優勢，使得SVM特別適合於進行有關分類和預測問題的處理，這就使得它在量化投資中有了很大的用武之地。
5．分形理論
被譽為大自然的幾何學的分形理論（Fractal），是現代數學的一個新分支，但其本質卻是一種新的世界觀和方法論。它與動力系統的混沌理論交叉結合，相輔相成。它承認世界的局部可能在一定條件下，在某一方面（形態、結構、信息、功能、時間、能量等）表現出與整體的相似性，它承認空間維數的變化既可以是離散的也可以是連續的，因而極大地拓展了研究視野。
自相似原則和迭代生成原則是分形理論的重要原則。它表示分形在通常的幾何變換下具有不變性，即標度無關性。分形形體中的自相似性可以是完全相同的，也可以是統計意義上的相似。迭代生成原則是指可以從局部的分形通過某種遞歸方法生成更大的整體圖形。
分形理論既是非線性科學的前沿和重要分支，又是一門新興的橫斷學科。作為一種方法論和認識論，其啟示是多方面的：一是分形整體與局部形態的相似，啟發人們通過認識部分來認識整體，從有限中認識無限；二是分形揭示了介於整體與部分、有序與無序、復雜與簡單之間的新形態、新秩序；三是分形從一特定層面揭示了世界普遍聯系和統一的圖景。
由於這種特徵，使得分形理論在量化投資中得到了廣泛的應用，主要可以用於金融時序數列的分解與重構，並在此基礎上進行數列的預測。
6．隨機過程
隨機過程（Stochastic Process）是一連串隨機事件動態關系的定量描述。隨機過程論與其他數學分支如位勢論、微分方程、力學及復變函數論等有密切的聯系，是在自然科學、工程科學及社會科學各領域中研究隨機現象的重要工具。隨機過程論目前已得到廣泛的應用，在諸如天氣預報、統計物理、天體物理、運籌決策、經濟數學、安全科學、人口理論、可靠性及計算機科學等很多領域都要經常用到隨機過程的理論來建立數學模型。
研究隨機過程的方法多種多樣，主要可以分為兩大類：一類是概率方法，其中用到軌道性質、隨機微分方程等；另一類是分析的方法，其中用到測度論、微分方程、半群理論、函數堆和希爾伯特空間等，實際研究中常常兩種方法並用。另外組合方法和代數方法在某些特殊隨機過程的研究中也有一定作用。研究的主要內容有：多指標隨機過程、無窮質點與馬爾科夫過程、概率與位勢及各種特殊過程的專題討論等。
其中，馬爾科夫過程很適於金融時序數列的預測，是在量化投資中的典型應用。
現階段量化投資在基金投資方面使用的比較多，也有部分投資機構合券商的交易系統應用了智能選股的技術。

㈣ 券商研究報告有一類「量化投資組合策略」的研究報告

你需要理解幾個概念：

1，量化投資：即用一定的策略去表達對投資品種的預期。用各種表達方式來制定各種投資模型，然後按照模型嚴格執行。
2，投資模型（投資策略模型）：根據歷史總結出來的投資模型，會進行不同測試以證明可行性，如歷史數據測試，數據沖擊測試，滑點測試，實盤測試等等，一般能推出的產品都經過考驗。
3，組合：根據模型得出的結果，不同的股票，其所在宏觀周期、市場結構、估值、成長、盈利質量、分析師盈利預測、市場情緒等各方面都不一樣，簡單說，其漲跌預期不一樣，所以其權重也會不一樣。各種的股票湊成一個買賣要素，叫買賣組合

簡單總結一下，券商根據各種數據總結（即量化）出一套買賣策略（即投資策略組合），這個組合經過測試，得出幾個股票，而且股票重要性不同（權重不同）。因為是經過測試（通過考驗），可信度較高，希望客戶（潛在客戶）根據他們的數據進行買賣，特別是對於沒有任何買賣知識的投資者，盈利的可能性較高。
至於自營還是做產品這就無法得知了，因為不知道券商是否有更好的投資策略。

㈤ 從事基金量化研究員需什麼專業背景

量化基金研究員
主要負責價量方面的量化模型開發、研究；
緊密跟蹤市場動態和行業發展，捕捉產品投資機會；
撰寫相關策略模型的研究報告

資歷
金融、經濟等相關專業碩士及以上學歷，
1年以上相關行業工作背景，有基金、券商或第三方理財機構研究經驗者優先；
具有較強的數據處理、統計分析、歸納總結能力；
具有良好的人際交往和社會活動能力，善於協調、溝通，責任心、事業心強，有較強的親和力、判斷力、創新能力，有良好的職業道德操守。

㈥ 在券商裡面做量化主要是干什麼，待遇和發展空間如何能看多少

量化就是把市場中所有的東西全部模型化，風險、收益全部都數學化，很有前途！人做交易逐漸會成為過去式，交易者利用模型進行交易是大趨勢！數學要求很高！

㈦ 證券方面的量化研究員前途好嗎

這個職位要做好很難.不啻於創新發明,猶如西蒙斯的大獎章基金.因為你要發掘可操作的交易模型,要麼從歷史找規律,要麼你統計超牛直接從價格中發現規律.而這只是第一步,有了模型還的有市場來交易,國內目前只有股指期貨和融券可以做空.
目前業內還是主觀判斷為主,公募基金所謂的量化只不過是幌子,無非是選股方面用些模型,就是用了點統計工具,真正的量化交易,無論從發掘交易機會還是資產配置,乃至最後的交易下單和風險控制都是計算機來完成的,國內還差得很遠.只是個噱頭.
定量與定性孰優孰劣難說,就如中醫和西醫一樣,不管怎樣西醫還是主流,計算機量化也是以後的發展方向.

㈧ 世界上著名的投資銀行有哪些

1.高盛（按排名順序排列）

世界上最早的專業投資銀行，由GoldmanSachs先生創辦於1861年。

高盛以其濃厚的企業文化著稱，在100多年的歷史，上一直堅持投行主體戰略，很少涉足商業銀行、零售經紀等領域(但並非完全不涉足)，是華爾街投行之首。

(8)券商投行量化研究專題擴展閱讀：

投資銀行 (Investment Banks) 是與商業銀行相對應的一類金融機構，主要從事證券發行、承銷、交易、企業重組、兼並與收購、投資分析、風險投資、項目融資等業務的非銀行金融機構，是資本市場上的主要金融中介。

投資銀行是美國和歐洲大陸的稱謂，英國稱之為商人銀行，在日本則指證券公司。

投資銀行的組織形態主要有四種：

一是獨立型的專業性投資銀行，這種類型的機構比較多，遍布世界各地，他們有各自擅長的業務方向，比如美國的高盛、摩根斯坦利；

二是商業銀行擁有的投資銀行，主要是商業銀行通過兼並收購其他投資銀行，參股或建立附屬公司從事投資銀行業務，這種形式在英德等國非常典型，比如匯豐集團、瑞銀集團；

三是全能型銀行直接經營投資銀行業務，這種形式主要出現在歐洲，銀行在從事投資銀行業務的同時也從事商業銀行業務，比如德意志銀行；

四是一些大型跨國公司興辦的財務公司。在中國，投資銀行的主要代表有：中國國際金融有限公司、中信證券等。

參考資料：投資銀行-網路

㈨ 國內券商私募量化研究筆試題目有哪些內容會考哪些知識點

去券商做量化實習吧。我是去做量化。
1、現在信息爆炸，你的個人精力不能保證你完全盯盤，必須得到計算機的輔助。
2、傳統方法，你新人，比前輩厲害在哪裡。你是想熬出頭還是用一些方法盡量實現超車。
3、市場上衍生品越來越多，也更加復雜（機會也更多），這些復雜產品需要你用計算機輔助交易。
4、~~~
如果你現在量化的能力還需要提升，可以到Ricequant量化交易和更多像你一樣的夥伴溝通，早日邁入圈子。

㈩ 在投行內部做量化交易與獨立出去做量化交易有何不同

這里我們只說量化交易，不討論量化研究和量化定價這一塊的業務。
量化交易是分兩個階段的。第一個階段是2008年以前，或者說Dodd-Frank法案以前，投行內部林立著各樣的很多對沖基金或者類對沖基金的實體，比如Morgan Stanley的PDT（Process Driven Trading）和高盛的Global Alpha，而很多投資銀行的自營交易業務也很像對沖基金。在這一階段，這些類對沖基金的實體和外面的對沖基金是沒有啥區別的，業務很類似——賭方向、做部分對沖（Partial Hedging）、跨市場套利，也非常敢於承擔風險。
當時在投行內做對沖基金類型的量化交易有著非常大的優勢，因為兩點——第一是銀行有著非常良好的融資渠道，融資成本顯著地低於當時的對沖基金，如果你嘗試去組建過一個基金，你就知道資金成本對於一個對沖基金的影響多麼大——巴菲特這么多年的成功是離不開長期1.6倍的財務杠桿和其低於中央銀行存款准備金率的資金渠道的（詳細內容參見AQR的論文——Buffet's Alpha）。 炒股需要經常總結，積累，時間長了就什麼都會了。為了提升自身炒股經驗，新手前期可以私募風雲網那個直播平台去學習一下股票知識、操作技巧，對在今後股市中的贏利有一定的幫助。
第二是銀行有著一個灰色的信息流——客戶的交易記錄。這個交易信息，就是今天，也是非常有用的內部消息。幾周前Bill Gross從PIMCO離開時，所有投行的Sales都瘋了，不停地研究之前PIMCO在自己銀行的倉位，然後分析那些債券最有可能最先被清盤，從而給其它客戶交易建議。而當年文藝復興多次更迭合作的投行，就是因為其大獎章基金的交易記錄得不到妥善的保密，很多合作銀行的自營交易桌跟著交易。
這兩個優勢造成了當時的自營交易極其暴利，而且管理層為了做大業績，全力支持明星交易員放大杠桿——而實際上，金融危機期間很多的CEO都是靠著自營交易的暴利業績從交易大廳升職到管理層的——比如Citi的前任CEO Pandit和摩根斯坦利的前任John Mack。
這也造成了，為什麼很多高盛離職的自營交易員在金融危機後，當銀行不能做自營交易後出來自立門戶開設對沖基金，卻完全無法復制當年的業績——因為他們是因為整個組織的強大而獲得超額收益，當失去了資金優勢和信息優勢後，一切都成為了浮雲。
2008年，准確說是2009年後，一切都變了。
首先是政府明令規定自營交易不讓幹了，於是各種投行旗下的基金，放入資管部的放入資管部（比如Goldman Sachs Global Alpha進入GSAM），獨立營業的獨立營業（比如PDT從摩根斯坦利分離），要不直接就關門大吉了（比如UBS、德銀）。
還有一些碩果僅存的，一般是在股票交易部門，打著對沖為名，通過會計手法，維持著極小的自營規模，這種類似的團隊很多投行都有。但是不成氣候了，也不會造成任何系統性的風險——當然，各種馬路傳奇故事也銷聲匿跡了。
銀行內部還有沒有量化交易了，其實還有——那就是隨著計算機技術進步的自動化做市交易。做市在國內這個概念剛剛出現——因為期權做市商制度的引入。但是在美國這個是從華爾街開始就有的交易體系了。簡單來說，就是假設你經營一家買可樂的小店，你有兩個主要的交易——一是從總經銷商那裡拿貨，用的價格是Bid，二是分銷給街邊下象棋和夕陽下奔跑的孩子們，這是Ask。Bid是你的進價，Ask是你的出貨價格，Bid一般小於Ask（除非你是搞慈善的）。你持續的維持報出這兩個價格，同時根據你的存貨來調整報價或者對應報價的數量——比如你的存貨太多，大爺不出來下象棋了，你就降低Bid，這樣很難進到貨了，而保持Ask，等待有人來消耗你的庫存。
這個過程就是基本的做市商交易流程，在金融中，由於沒有實際的總經銷商供貨，你的報價（Bid-Ask）是基於你對於對應資產的Fair Price的估計來決定的，通常是你算出來的均衡價格加減一個值構造成Bid-Ask組合。在很長的時間內，這個報價都是靠人來完成，這個過程是枯燥的，而且很容易出錯——而對於期權類產品（非線性價格）也很難快速報價。我之前和期權交易員合作過很長時間，他們的工作不一定智力上很難，但是對於人得耐力絕對是一種挑戰——因為在開市後他們要注意力高度集中的報價，一quote兩quote，一quote兩quote，似爪牙，似魔鬼的步伐，報價，報價，在這交易大廳報價... ...
於是，從簡單的資產起，從交易所級別開始支持API交易了。什麼是簡單的資產，就是Vanilla類別的，比如個股、指數、外匯、國債等等。因此投行由於本來就是大量資產的做市商，開始把原來這套過程通過計算機來完成。後面大家發現計算機是完美勝任這項工作的，因為計算機能夠高速計算庫存來調整報價，還能報出很多復雜的單類型。因此從2000年開始個股、指數開始逐步被自動化做市來包攬，2005年後個股期權自動化做市大熱，而2008年後外匯自動化做市也相當成熟了，2010年開始國債自動化做市也在美國興起——這也是我目前在工作的內容。
那麼對沖基金呢，除了傳統的量化Alpha，他們難道不能也做這個業務嗎？實際上，很多對沖基金的自動化做市業務比投行還要好——比如Citadel，比如KCG。但是區別何在？區別在於兩點，第一是很多對沖基金不是專屬做市商（Designated market maker）。DMM的特權是其有專屬席位——在美國這樣高度商業化的國家，DMM也是非常稀有的。原因在於，DMM是有責任的，那就是在各種大型金融危機中，當流動性極差的時候，DMM還是要持續的報價，一quote兩quote，一quote兩quote，似爪牙，似魔鬼的步伐... ... 在流動很差的時候這是非常危險的，因為大家丟給你的都是不好的資產，比如大跌的時候，都在賣，你的Bid反復被Hit，然後又沒人來hit你的Ask，浮動虧損可以非常大。那麼DMM的特權呢，DMM可以獲得非常高比例的rebate，也就是說，傭金返點非常高。這是對於其承擔的義務的回報。

第二就是絕大多是對沖基金不是Broker，也是你一般想買股票不會去找他們報價。在外匯和債券這類市場中，有兩級市場，一個是B2C市場，也就是零售市場，裡面基本都是Broker-Client，而第二級就是B2B市場，都是Broker-Broker。一般來說，B2B市場的Bid Ask Spread要低一些。一個形象的例子就是，我小時候去批發書的商店買書，一個商店有本習題集沒有，於是老闆去隔壁家拿了一本，賣給我，最後肯定這個老闆要把一部分價格還給隔壁家，我付的價格和老闆付給隔壁家的價格就是B2C到B2B市場的差價。
這里投行又耍流氓了，他們有著B2C市場的接入優勢，因此只要客戶量夠大，基本都能把自動化做市實現盈利——因為根據大數法則，一定時間內，買賣雙方的交易量應該是均衡的。
那麼對沖基金靠什麼——靠更好的策略。對沖基金如果要做高頻做市的，基本在B2B市場參與，他們不是DMM，但是也自己去報價，然後靠著對於價格走向的准確判斷，來調整報價，實現拿到多數對自己有利的單，或者持有更久符合預測方向的單，來達到盈利。這種不是DMM卻自發去做做市商的行為，叫做Open Market Making。
Citadel是期權自動化做市的王者，頂峰時期一年的利潤可以到1 Billion（2009），而整個市場那年的利潤也就是7 Billion左右。因此如果策略逆天，沒有客戶流，也能靠做市賺錢的。
此外，做市業務之外，對沖基金還多了很多機會。因為很多業務銀行做起來不劃算——比如商品。考慮一個金融類公司，不能光討論交易策略，宏觀上你一定要思考資金成本等問題，這才是投資之道在投資之外。商品這些之前銀行幹了很多壞事的業務（詳細參加高盛的銅交易和JP的風電交易）都被監管方克以了極高的資本罰金。這是Basel III裡面的規定，也就是你拿著1元的股票和1元的監管資產過夜受到的處罰是完全不同的，具體演算法參見Basel對於RWA（Risk Weighted Asset）計算的細則。這一系列監管，造成了對沖基金有了大量的新業務——因為投行退出。而大量銀行的人才也流向了對沖基金。
現在門徑這么清晰，那麼投行和對沖基金做量化交易的工作差別就很明顯了——投行主要以自動化做市為中心的高頻信號、客戶流分析、報價博弈論等研究為主。而對沖基金主要是傳統的量化Alpha、量化資產配置為主——當然還有公開市場自動化做市了。
希望可以幫助到你，祝投資愉快！