1. Quant的工作内容

Quant的工作就是设计并实现金融的数学模型，包括衍生物定价，风险估价或预测市场行为等。

2. Quant的种类

• Desk quant，开发直接被交易员使用的价格模型。 优势是接近交易中所遇到的money和机会。劣势是压力很大。
• Model validating quant，独立开发价格模型。不过是为了确定desk quant开发的模型的正确性。优势是更轻松，压力比较小。劣势是这种小组会比较没有作为而且远离money。
• Research quant，尝试发明新的价格公式和模型，有时还会执行blue-sky research(不太清楚是什么)。 优势是比较有趣(对喜欢这些人来说)，而且你学到很多东西。劣势是有时会比较难证明有你这个人存在(跟科学家一样，没有什么大的成果就没人注意你) 。
• Quant developer，其实就是名字被美化的程序员,但收入很不错而且很容易找到工作. 这种工作变化很大. 它可能是一直在写代码,或者调试其他人的大型系统。
• Statistical arbitrage quant，在数据中寻找自动交易系统的模式(就是套利系统). 这种技术比起衍生物定价的技术有很大的不同, 它主要用在对冲基金里. 而且这种位置的回报是极不稳定的。
• Capital quant，建立银行的信用和资本模型. 相比衍生物定价相关的工作,它没有那么吸引人,但是随着巴塞尔II银行协议的到来,它变的越来越重要. 你会得到不错的收入(但不会很多),更少的压力和更少的工作时间.

3. 怎样成为一名合格的Quant

作为一名合格的Quant，数学、编程、金融三者缺一不可。数学是思想，金融是原理，编程是手段，三者合一，是谓金融工程。

数学：Quant分两大门派：P Quant与Q Quant。Q是指风险中性测度。风险中性的意思主要是说历史数据不能帮助你预测未来的走势，所以你的决策是没有风险补偿的。由此而得的模型可以给出漂亮的数学性质，而且可以在缺乏数据的情况下得到一些结论。涉及的数学技术主要是随机过程，偏微分方程之类。P是指真实概率测度。所谓真实，主要是说模型依赖的概率分布是从历史数据上估算出来的。这套方法主要依赖数据，数据量越大估算的效果越好。涉及的技术主要是时间序列（ARIMA，GARCH之类），Bayesian，以及现在流行的机器学习等方法。

书籍推荐：Stein的傅立叶分析、复分析、实分析、泛函分析。钟开莱的《初等概率论》。Steven Shreve的《Stochastic Calculus for finance》。科尔多森的《随机微分方程》。Duffie的《Dynamic Asset Pricing Model》。

金融：基本的金融工程知识，对衍生品定价，设计套利策略，风险管理等等。

书籍推荐：John Hull的《期权、期货以及其他衍生品》。《Exotic Option》，《An Option Greeks Primer》，《Active Portfolio Management》。博迪的《投资学》。Paul Glasserman的《Monte Carlo Methods in Financial Engineering》。麦基尔的《漫步华尔街》。柯蒂斯·费思的《海龟交易法则》。罗伯特·帕多的《交易策略评估与最佳化》。欧内斯特·陈《量化交易——如何建立自己的算法交易事业》。

编程：基本的数据结构和算法，道数组，链表，哈希表这些数据结构的原理和区别，能够自己实现一些基本的搜索，排序算法，能帮助你正确的估算程序运行时间和需要的内存等资源，出现性能瓶颈的时候也可以自己分析。对一些进程间通信的方式，比如文件，socket，或者共享内存，应该有基本的理解，这会让你能够组合不同的工具（比如Excel和C++）来实现复杂的功能，很多时候这些小组合会让你事半功倍。语言的话，建议学习Python、C++。

书籍推荐：有关Python、C++语言和数据处理的书籍均可。《Python数据分析基础教程：NumPy学习指南》，《利用Python进行数据分析》

4. Quant的前景

中国的市场在高频交易、对冲、市场开放度等方面跟国外差距甚大，很多Quant的传统领域或现在的前沿领域无法应用。大量的公司储备Quant，其实是在储备研究结果，现在无法发挥威力。

在一个市场由散户主导，向机构主导转变的过程中，数量化策略及数量化风险控制的兴起是必然趋势。

当前，国内金融市场的量化交易大概占到市场交易量的20%（比较早的数据），同时每年都在增加。从国外的情况来看，70%的金融市场交易量由程序化交易完成，而国内才刚刚起步。

Quant 的职位主要集中在投资银行、对冲基金、商业银行和金融机构。总体来说工作相对辛苦，收入比其他行业高很多。以Quant Developer为例，虽然实际工作和其他行业的程序员没有本质区别，但不仅收入高，而且很容易找到工作。