量化研究与交易

前置声明：本篇只描述岗位的工作性质与能力要求，不含任何策略思路、因子、模型、参数、代码与操作方法，也不含任何标的信息与收益表述。

金融与投资
├── 前端客户与销售线 —— L2-金融与投资-01-银行客户经理|银行客户经理
├── 研究与投研线
│   ├── L2-金融与投资-02-证券分析师|证券分析师（卖方研究）
│   ├── L2-金融与投资-04-基金与资管投研|基金与资管投研（买方研究员）
│   └── 量化研究与交易 ← 本篇
├── 中后台风控合规线 —— L2-金融与投资-03-风控与合规|风控与合规
└── 一级市场与资本市场线 —— L2-金融与投资-05-投资银行|投资银行（IPO／并购）

定位一句话：量化研究与交易是**"用数据和代码代替行业直觉做投资判断的人"——多数金融岗位的核心能力是"理解企业与人"，这个岗位的核心能力是数学、统计与工程**：它是金融领域里对理工科背景最友好的方向，也是对工程能力要求最高的方向。

一句话定义：量化研究与交易人员以数据、统计模型与计算机程序为主要工具，开展策略研究、模型构建、组合与交易执行以及相关风险控制工作，岗位通常区分为策略研究员、量化开发与交易执行三类角色（部分机构三者在同一团队内混合）。

职责边界（五类日常）：

1. 数据与特征研究：数据的清洗、对齐与特征构建，理解数据背后的经济含义（数据质量决定研究上限，这是这行最枯燥也最基础的活）
2. 策略研究与验证：提出假设、建模、回测与样本外验证，识别过拟合与结构性失效风险（"回测好看"与"真实有效"之间隔着严格的验证纪律）
3. 组合构建与交易执行：仓位与风险约束下的组合管理、交易成本与执行效率优化（执行层面的损耗往往比模型优化更影响结果）
4. 系统与工程协作：与量化开发、技术团队协作，把研究结果落地为可运行、可监控的系统
5. 风控与合规：交易限额与异常监控、交易纪律的执行、程序化交易相关合规要求的遵守

相邻岗位辨析：

判断口诀：写模型做策略 → 量化研究；写系统做工程 → 量化开发；执行与盯盘 → 交易员；看行业与公司基本面 → 买方／卖方研究；管限额与合规 → 风控合规；做算法优化互联网业务 → 算法工程师。

入行与转出（公开口径）：

• 背景：数学、统计、物理、计算机、电子等理工科背景为主，金融知识不作为主要门槛（可通过自学补齐）；部分研究岗对博士学历有偏好，工程岗更看重代码与系统能力
• 前置能力：扎实的概率统计与线性代数、编程能力（数据处理与研究语言为主，工程侧另有性能语言要求）、严谨的实验与验证习惯、对"看似有效的结论"保持怀疑的能力
• 常见入口：① 应届通过竞赛经历、实习或论文成果进入；② 从互联网算法、数据科学岗位转入（技术能力强但需补市场微观结构认知）；③ 从量化开发转策略研究（需要补研究方法论）
• 适配画像：喜欢与数据和代码打交道、能长时间做重复验证、接受"多数想法会被证伪"；能接受研究成果与收益之间的不确定性；不适合需要强社交反馈、或对结论可解释性有强烈执念的人
• 职业特点：这是金融领域里技术含量最高、也最接近科技行业工作方式的一类岗位——它的能力（统计、工程、数据）在金融与科技之间可双向迁移，这是它在职业安全感上的独特优势。同时它的策略失效风险是真实存在的：市场结构变化会让历史有效的逻辑快速衰减，这也是行业内的普遍认知。发展路径为研究助理／开发 → 研究员／开发负责人 → 策略负责人／投资经理；横向出口包括互联网算法与数据科学、金融科技、风险管理
• 合规提示（重要）：程序化与高频交易受交易行为监管约束（异常交易、报撤单行为等），从业人员须遵守交易纪律与合规要求；同时任何策略与模型信息均属机构机密，行业内对信息保密要求极严。求职者应了解相关合规要求，不参与任何违规交易行为（本页不含任何操作细节）

一条策略从想法到上线要经过什么

第一步：想法来源。 通常来自对市场结构性规律的观察——交易机制、参与者行为、信息扩散路径。关键是要说清「为什么这个规律应该存在」，而不是从数据里翻出一个看起来不错的形态。

第二步：数据与因子构建。 清理数据、处理缺失与异常、构建因子与信号。这一步耗时常被严重低估：真实数据里的停牌、复权、成分股变动都会影响结果。

第三步：回测与检验。 在自己的假设下做历史检验，并做样本外测试与极端情景检验。这一步的核心不是把收益曲线做好看，而是把结论做扎实。

第四步：仿真盘与小资金实盘。 用实时数据验证执行环节——成交假设、滑点、延迟、撤单率。很多策略在仿真阶段就会被淘汰，因为纸面收益无法在真实交易中实现。

第五步：上线与监控。 设定资金规模、风险限额与失效条件，持续监控效果衰减并决定是否调整或下线。一条策略的生命周期包括它的退场方式，这一点常被新人忽略。

回测里最容易出现的几类问题

• 未来函数：用了当时还不可得的信息，是回测结果虚高最常见的原因；
• 幸存者偏差：只测试了存活到今天的标的，忽略了退市与失败样本；
• 过拟合：参数调得太细，历史表现优异但缺乏逻辑支撑；
• 交易成本与冲击估计不足：忽略手续费、滑点与市场容量，策略规模一大就失效；
• 数据修正与口径变化：历史数据被事后调整过，而当时的决策依据并非如此。

避免这些问题靠的不是更高的技巧，而是更严格的流程——独立复核、样本外验证、以及把假设写在前面。

这条线的两条分支：研究岗与交易岗

• 研究岗（策略研究）：侧重数据、模型与逻辑验证，交付可检验的策略假设与研究报告，评价标准是策略上线后的表现；
• 交易岗（执行与做市）：侧重执行效率、成本控制与实时风险，评价标准是执行的稳定与偏差控制；
• 风控与合规的配合：仓位限额、失效条件、异常处置流程，是量化业务能规模化的前提。

两条分支的能力要求差别很大：研究岗更看数理与代码，交易岗更看反应、纪律与系统理解。求职时应明确自己更倾向哪一侧。

三个常见认知误区

• 以为数学好就够了。 数理是入场门槛，工程能力（数据管道、代码质量、系统性能）与市场理解往往决定产出上限；
• 以为量化就是「预测涨跌」。 更接近的表述是「在明确的统计假设下管理风险与成本」，收益来自纪律与执行，而不是单次预测；
• 以为策略做出来就能赚钱。 从回测到实盘之间隔着执行、容量与成本，这条线上的失败多数不是想法不够聪明，而是低估了执行的复杂度。

日常工作的时间分配

数据与代码通常占用最多时间——清洗、维护、修复与优化；监控与复盘是每天固定的动作，看当日偏差、成交质量与异常；研究迭代则分配到剩余时间，按周或按月的节奏推进新想法的验证。这份工作的节奏是由系统与数据驱动的，而不是由会议驱动的——这也是它与多数金融前台岗位最明显的差别。

量化团队里研究与工程的配合

量化业务通常由三类角色配合：策略研究负责想法与验证，工程负责数据管道、回测框架与交易系统，交易与风控负责执行、限额与异常处置。三者之间的接口是否清晰，直接决定策略从想法到上线的速度。

新人最容易犯的错误，是低估工程一侧的工作量。 一个看似简单的新因子，可能涉及数据源接入、历史回补、清洗规则、存储与计算效率等一整条链路——这也是量化岗位对代码能力要求高的现实原因。

数据质量为什么是这条线的命门

• 数据错误会直接变成亏损：与研究报告不同，量化策略的错误会被真实资金放大；
• 问题往往很隐蔽：复权处理、停牌填充、成分股变动、时间戳对齐，都可能带来系统性偏差；
• 发现靠监控，而不是靠感觉：上线后需要持续的偏差监控与对账机制。

因此这条线上「先把数据做对」的重要性高于「先把模型做复杂」。

行业变化带来的新要求

• 算力与工具的门槛在降低，纯粹比拼模型复杂度的空间在收窄，对市场理解与执行细节的要求在上升；
• 监管对程序化与自动化交易的关注度提高，合规与风控要求趋于细化；
• 多策略、多资产的组合管理需求增加，对风险预算与相关性管理的要求更高。

这些变化意味着：只会写策略的人，竞争力不如「懂策略 + 懂执行 + 懂风险」的人。

一条必须记住的底线

这条线涉及真实资金与市场秩序。程序化交易的相关规则、异常情形的处置义务、以及信息使用与数据获取的边界，都属于职业底线。

技术能力越强，越需要清楚哪些事不能做。对量化从业者来说，合规意识不是外部加上的额外要求，而是这份职业资格的一部分。

补充一条：判断力可以积累，但前提是每一次判断都留下记录——写下当时的依据与假设，日后才有可复盘的东西。