چگونه می توان کمی شد

اگر می خواهید مالی کمی را به عنوان یک رشته درک کنید ، باید به برندگان جایزه نوبل اقتصاد نگاه کنید.

در بیشتر قرن گذشته ، تصمیم گیری مالی بر اساس اصولگرایان اکتشافی بنا شده بود ، اما در سال 1990 این جایزه به دلیل شناخت رویکرد ریاضی خود در مطالعه مالی ، به هری م. مارکوویتز ، مرتون اچ. میلر و ویلیام اف. شارپ رفت. بازارها و تصمیم گیری سرمایه گذاری. در سال 1997 ، این جایزه به روش خود برای تعیین ارزش گزینه های سهام و سایر مشتقات به رابرت سی مرتون و میرون اس. اسکولز رفت.

این جایزه 1990 به تأسیس به اصطلاح زیرمجموعه P کمک کرد ، که در درجه اول به رفتار دارایی های زیرین-سهام ، اوراق ، ارز و غیره توجه داشت. جایزه 1997 ایجاد زیر مجموعه Q-Mestive را که مربوط به مشتقات است ، رسمی کرددر مورد آن دارایی ها ، مانند گزینه ها.

مالی کمی (یا امور مالی) متولد شد. از آن زمان در حال تحول است.

امور مالی کمی یک کلیسای گسترده است. قبل از بحران مالی 2007-2008 ، پرسود ترین شغل در امور مالی کمی در ایجاد محصولات مشتق پیچیده همیشه پیچیده یافت شد. از زمان بحران ، تأکید به ریسک و مدیریت پیچیدگی ، تنظیم و استحکام تغییر یافته است.

امروزه ، امور مالی کمی یک اصطلاح صید است که بسیاری از زیرزمین های مختلف را در بر می گیرد. اگر شغل مالی کمی دارید ، ممکن است در هر یک از زمینه های زیر کار کنید:

• امور مالی محاسباتی: روشهای محاسباتی ، از جمله مونت کارلو ، PDE ، شبکه و سایر روشهای عددی با برنامه های کاربردی در مدل سازی مالی.
• اقتصاد: از جمله اقتصاد خرد و کلان ، اقتصاد بین المللی ، نظریه شرکت ، اقتصاد کار و سایر مباحث اقتصادی خارج از امور مالی.
• امور مالی عمومی: توسعه روشهای کمی عمومی با برنامه های موجود در امور مالی.
• امور مالی ریاضی. روشهای ریاضی و تحلیلی مالی ، از جمله تجزیه و تحلیل تصادفی ، احتمالی و عملکردی ، جبر ، هندسی و سایر روشها.
• مدیریت نمونه کارها: انتخاب و بهینه سازی اوراق بهادار ، تخصیص سرمایه ، استراتژی های سرمایه گذاری و اندازه گیری عملکرد.
• قیمت گذاری اوراق بهادار: ارزیابی و محافظت از اوراق بهادار مالی ، مشتقات آنها و محصولات ساختاری.
• مدیریت ریسک: اندازه گیری و مدیریت ریسک های مالی در تجارت ، بانکی ، بیمه ، شرکت ها و سایر برنامه ها.
• امور مالی آماری: تجزیه و تحلیل آماری ، اقتصاد سنجی با برنامه های کاربردی در بازارهای مالی و داده های اقتصادی.
• تجارت و ساختار بازار: با نگاهی به ریزساختار بازار ، نقدینگی ، مبادله و طراحی حراج ، تجارت خودکار ، مدل سازی مبتنی بر عامل و ساخت بازار.

به عنوان کمیت ، اینها برخی از کارهای خاص است که می توانید انجام دهید:

مشاغل کمی وجود دارد که مدل های قیمت گذاری مشتق را ایجاد می کنند

معاملات مشتقات ، به ویژه تجارت مشتقات عجیب و غریب ، در جریان بحران مالی جهانی (GFC) منفجر شد و پس از چند سال عدم اطمینان که به وجود آمد ، دوباره رشد کرده است. براساس گزارش مشتقات WFE 2020 ، طی ده سال گذشته ، حجم معاملات جهانی مشتقات 40. 4 ٪ افزایش یافته است ، که عمدتاً با افزایش معاملات مشتقات سهام در سه سال گذشته هدایت می شود.

در حالی که قبل از GFC ، تأکید بر افزایش پیچیدگی ، به عنوان مثال ، ایجاد مشتقات عجیب و غریب بود ، پس از GFC ، تمرکز به سمت پیچیدگی و افزایش رئالیسم و استحکام مدل های قیمت گذاری تغییر کرده است.(برای لیستی از مقالات در مورد این موضوع ، به https://sites. google.com/site/home/home/risks-1 مراجعه کنید).

کورهایی که روی مدل های قیمت گذاری مشتقات کار می کنند ، به عنوان مشتقات قیمت گذاری و یا به سادگی قیمت گذاری به آنها گفته می شود. آنها همچنین ممکن است به عنوان Quants q اندازه گیری شوند زیرا تحت اندازه گیری خنثی (Q) در معرض خطر کار می کنند.

مشاغل کمی وجود دارد که از مدل های قیمت گذاری مشتق موجود استفاده می کنند

همه Quants با اندازه Q این فرصت را ندارند که مدل های جدید قیمت گذاری مشتقات را ارائه دهند. ریسک ریسک همچنین حاکی از آن است که به جای ایجاد چیز جدید ، باید به دنبال راه حل های آزمایش شده و آزمایش شده باشید. بنابراین ، اکثر Quants به سادگی مدلهایی را که توسط شخص دیگری ایجاد شده اند ، پیاده سازی و سفارشی می کنند.

این بدان معنا نیست که جایی برای نوآوری وجود ندارد.- می توانید راه حل های سفارشی را در مورد مدل های موجود مهندسی کنید. به همین دلیل است که اصطلاح مهندسی مالی اغلب در اولویت به امور مالی کمی برای توصیف این نوع کار استفاده می شود. شرکت های خدمات مالی آماده هستند تا هر دو این فعالیت ها را به طور خوشمزه بپردازند.

مشاغل کمی در حال ایجاد محصولات جدید هستند

مهندسی مالی و به طور گسترده تر ، نوآوری مالی اغلب به شکل ایجاد محصولات مالی جدید می شود. حتی اگر مجموعه بزرگی از اگزوتیک های کلاسیک (گزینه های دیجیتال ، گزینه های سد ، گزینه های نگاه ، گزینه های آسیایی ، گزینه های موجود در سبدها ، گزینه های شروع به کار ، گزینه های مرکب و غیره وجود داشته باشد) ... ، هنوز هم زمینه ای برای ایده های جدید وجود دارد وگاهی اوقات برخی از محصولات کاملاً جدید و مفید را می بینیم.

اما امروزه ، به جای ایجاد محصولات عجیب و غریب جدید ، شرکت های خدمات مالی اغلب محصولات به اصطلاح ساختاری را تولید می کنند. اینها محصولات مالی از پیش بسته بندی شده برای تسهیل اهداف بازپرداخت ریسک سفارشی بر اساس بازده برخی از دارایی های سرمایه گذاری است. محصولات ساخت یافته می توانند در معرض دیدگاه های خاص بازار و پروفایل های ریسک مورد نظر تحت محدودیت بودجه های مالی و چارچوب های قانونی برای سرمایه گذاری قرار بگیرند.

متخصصانی که روی محصولات ساختار یافته کار می کنند ، معمولاً به عنوان ساختار به جای quants شناخته می شوند ، اگرچه کار یک مقدار و ساختار سازه همپوشانی قابل توجهی دارد.

مشاغل کمی وجود دارد که استراتژی های معاملاتی ایجاد می کنند

در حالی که قیمت مشتقات معمولاً تحت اندازه گیری بی طرف (Q) در معرض خطر قرار می گیرد ، طراحی و توسعه استراتژی های معاملاتی یک فعالیت اندازه P است. به همین دلیل است که معمولاً کسانی که درگیر آن می شوند ، معمولاً Quants با اندازه P نامیده می شوند. مهارت آنها غالباً با قیمت های مشتقات متفاوت است: قیمت گذاری مشتقات به ریاضیات کاربردی متکی است ، مانند راه حل معادلات دیفرانسیل جزئی و تجزیه و تحلیل تصادفی ، در حالی که کار اندازه گیری P به انواع مختلفی از ریاضیات متکی است-مانند مواردی که در کتاب شرح داده شده است. عناصر یادگیری آماری (آمار و به طور فزاینده ، یادگیری ماشین).

در سطح ، آمار آسانتر از ریاضیات کاربردی به نظر می رسد. این شامل چنین فرمالیسم های عمیقاً تو در تو نیست (به عنوان مثال ، به همان اندازه به نظریه اندازه گیری در کار آماری اعتماد نمی کند). با این حال ، کاربرد موفقیت آمیز از روشهای آماری برای استخراج استراتژی های معاملاتی با نسبت شارپ بالا ، یک تلاش بسیار چالش برانگیز است.

Quants با اندازه P در چشم انداز و مهارت ها بسیار متفاوت است. چند مورد موفق وجود دارد که یک یا دو استراتژی تجاری سودآور را توسعه داده اند (یا تصویب شده اند) و مشاغل خود را در اطراف خود ساخته اند. با این حال ، این نادر است ، زیرا استراتژی های فردی مشمول پوسیدگی آلفا هستند و آنچه امروز کار می کند ممکن است فردا کار کند. بنابراین ، بسیاری از Quants وقت و تلاش خود را در توسعه روش ها و چارچوب های به اندازه کافی عمومی (چه علمی یا نرم افزاری) سرمایه گذاری می کنند که آنها را قادر می سازد تا به سرعت استراتژی های معاملاتی جدید را تولید کنند و موارد موجود را تطبیق دهند. بسیاری از بنگاه های تجاری این فعالیت را به سطح صنعتی رسانده اند. آنها "کارخانه" برای تولید انبوه استراتژی های معاملاتی را تشکیل می دهند. برخی دیگر خدمات به این شرکتهای بازرگانی ارائه می دهند ، به عنوان مثالدر قالب نرم افزار ، اتصال ، داده ها و غیره

بخش عمده ای از زمان کمیت P برای استفاده از استراتژی ها و ایده های معاملاتی (آزمایش مدل های پیش بینی کننده بر روی داده های تاریخی) صرف می شود.

هنگامی که شما در حال ایجاد استراتژی های معاملاتی هستید ، ماهیت شغل شما به عنوان مقدار کمتری با تجارت فرکانس / دوره برگزاری و کلاس دارایی متفاوت است. به عنوان مثال ، Quants که برای بنگاه های تجاری با فرکانس بالا کار می کنند ، استراتژی های خود را در مورد داده های تیک که به هر میلی ثانیه ، میکرو ثانیه یا نانو ثانیه می رسد ، می سازند ، در حالی که Quants که برای مدیران دارایی طولانی مدت کار می کنند (بعداً در مورد آنها بعداً) به بازده ساعتی یا روزانه نگاه می کنند.

مشاغل کمی وجود دارد که مدلهای قیمت گذاری موجود و استراتژی های معاملاتی را تأیید می کنند

از زمان بحران مالی ، مدل ها و استراتژی های قیمت گذاری مورد بررسی قرار گرفته اند. فاجعه معاملاتی ، مانند اختلال در معاملات سهام Knight Capital 2012 و تصادفات فلش ، که هر دو سال در کلاسهای مختلف دارایی اتفاق می افتد ، نیز در توجه نظارتی نقش داشته است. چارچوب های نظارتی ، مانند MIFID II در اروپا ، مستلزم آن است که ماهیت استراتژی های معاملاتی برای تنظیم کننده ها فاش شود و الزامات مربوط به یک دنباله حسابرسی را تعیین کند.

توجه نظارتی به تنهایی تنها دلیلی نیست که باید مدل های قیمت گذاری و استراتژی های معاملاتی با دقت تأیید شوند. خود بنگاه های تجاری به طور طبیعی به اعتبار سنجی خود علاقه مند هستند. استراتژی های معاملاتی و به ویژه مدل های قیمت گذاری مشتقات اغلب بسیار پیچیده و غیرمستقیم هستند. از این رو از متخصصان غیر از سازندگان خود (و مشمول همان تضاد منافع) خواسته می شود تا آنها را تأیید کنند.

این نیاز باعث ایجاد یک مقدار مختلف تخصص - اعتبار سنجی مدل شده است.

از یک طرف مدل اعتبار سنجی مشاغل کمتری نسبت به مبدأ مدل ها و استراتژی های جدید "پر زرق و برق" هستند. آنها متناسب با افراد با جزئیات بیشتر هستند که دوست ندارند تحت فشار دفتر جلوی کار کنند. اعتبار سنج های مدل به مهلت های کمتری کار می کنند و این فرصت را دارند که ایده های دیگران را به طور کامل آزمایش کنند (و از آنها یاد بگیرند). آنها به عنوان یک محصول جانبی از فعالیت های خود ، اغلب مسئول نوشتن اسناد هستند.

مشاغل کمی در طبقه تجارت وجود دارد

هرچه به سود و زیان (PNL) که از معاملات ساخته شده است نزدیکتر باشید ، پول بیشتری نیز به عنوان کمیت پرداخت می شود. اکثر Quants صاحب PNL نیستند. در عوض ، تصمیمات معاملاتی (کوتاه مدت) و سرمایه گذاری (بلند مدت) توسط دیگران-معامله گران و مدیران دارایی-گرفته می شود.

با این حال ، مرز بین دو نقش می تواند کاملاً مبهم باشد. به عنوان مثال ، در مشاغل تجاری الگوریتمی ، Quants وظیفه توسعه استراتژی های معاملاتی را بر عهده دارند. نقش یک معامله گر - در این زمینه به نام The Book Runner - رسمی تر و خلاقیت تر از نقش کمیت است. از آنجا که تصمیمات معاملاتی قبلاً توسط نرم افزار Quant گرفته شده است ، نقش دونده کتاب به بررسی یا اعتبار این تصمیمات پس از واقعیت می رسد. در عمل ، کمیت و دونده کتاب باید از نزدیک با هم همکاری کنند تا تلاش تجاری موفقیت آمیز باشد.

برای مقایسه اگر شما یک مشتقات قیمت گذاری کمی و نوشتن نرم افزار قیمت گذاری مشتقات هستید ، غالباً فاقد تخصص تجارت و محافظت از تجارت هستید و روابط مشتری نخواهید داشت. شما با جزئیات بیشتر از معامله گر می دانید که چگونه محصولات قیمت گذاری می شوند ، اما این معامله گر است که صاحب دانش هدینگ پویا است-و این معامله گر است که معمولاً جبران آن می شود.

بسیاری از بازرگانان گزینه های خود را از پیشینه های کمی تهیه می کنند و قبلاً به عنوان قیمت گذاری یا میزهای میز کار کرده اند (به تصویر زیر مراجعه کنید).

Quants که به پول نزدیکتر هستند (به PNL) معمولاً سهم بیشتری از سود را کسب می کنند. با این حال ، با این نزدیکی مسئولیت افزایش یافته است: اگر استراتژی های معاملاتی و همچنین انتظار می رود ، ابتدا شغل خود را از دست می دهد؟

مشاغل کمی در شرکتهای مدیریت دارایی (سمت خرید) وجود دارد

معمولاً از کلمه "تجارت" برای توصیف تصمیم گیری تاکتیکی کوتاه مدت و تاکتیکی استفاده می شود ، در حالی که "سرمایه گذاری" برای تصمیم گیری طولانی مدت و استراتژیک تر محفوظ است. سرمایه گذاران حرفه ای تمایل دارند که مدیران دارایی یا مدیران نمونه کارها نامیده شوند (به بخش ما در مورد مشاغل مدیریت دارایی مراجعه کنید).

مشاغل مدیریت نمونه کارها متعلق به PNL هستند. مدیران نمونه کارها مسئولیت خط پایین را بر عهده دارند. اگر روش آنها سیستماتیک (کمی) باشد ، به جای اختیاری ، ممکن است خود را به عنوان quants توصیف کنند. یا ممکن است آنها با Quants کار کنند ، که تجزیه و تحلیل را برای آنها انجام می دهند ، اما چه کسانی تصمیم گیری ندارند و بنابراین PNL را ندارند.(توضیحات کمی از میز را در زیر مشاهده کنید.)

مشاغل کمتری وجود دارد

یک میز کمیته مدیر معامله گر/نمونه کارها را در یک میز معاملاتی تکمیل می کند. میزهای میز معمولاً با معامله گران روی میز معاملاتی می نشینند (در حالی که مشاغل مشتقات و اعتبار سنجی مدل ، به همراه تکنسین ها ، اغلب به طور جداگانه می نشینند و ممکن است به جای میزهای معاملاتی در مکعب ها کار کنند.) میزهای مختلف تجارت سطح احترام به میز خود می پردازندQuantsبرخی از میزهای میز به عنوان معلمان کمی در نظر گرفته می شوند. برخی دیگر به سادگی تعداد خرد کردن مورد نیاز معامله گران را انجام می دهند و مهم نیستند.

در هر حالت ، نقش مقدار یک میز معمولاً براساس برنامه های محکم تر از یک مقدار قیمت گذاری است و به عنوان بخشی از دفتر جلو دیده می شود.

مشاغل کمی در مدیریت ریسک وجود دارد

افراد دارای تخصص مالی کمی اغلب نه تنها به عنوان ماشین حساب ریسک بلکه به عنوان مدیران ریسک نیز خدمت می کنند. از زمان بحران مالی ، محاسبه ریسک نسبت به تجارت از اهمیت برخوردار شده است. این به عنوان یک تابع مهم تولید کننده پشتیبانی و غیر درآمد دیده می شود.

محاسبه ریسک نه تنها استعداد کمی ، بلکه تکنسین هایی را نیز که سیستم های ریسک ایجاد می کنند ، شامل می شود. استحکام این سیستم ها نقش مهمی در موفقیت بانک (یا در غیر این صورت) به عنوان یک تجارت دارد.

اعداد ریسک مورد استفاده برای استفاده از شکل VAR ، CVAR و معیارهای مرتبط ، که تا به امروز به شدت به آنها اعتماد دارند. پس از بحران مالی جهانی ، این معیارها توسط "تعدیل ارزیابی" های مختلفی که بانک ها باید هنگام ارزیابی ارزش قراردادهای مشتق که وارد آن شده اند ، تکمیل شده اند. اینها در مجموع به عنوان تنظیمات مقدار X یا XVA شناخته می شوند. هدف از این موارد دو برابر است: در درجه اول محافظت از خسارات احتمالی به دلیل عدم موفقیت طرفین در پرداخت مبلغ ناشی از قراردادهای مشتق. بلکه برای تعیین (و محافظت) میزان سرمایه مورد نیاز طبق قوانین کفایت سرمایه بانک.

ظهور XVA منجر به ایجاد میزهای تخصصی در بسیاری از موسسات بانکی که مدیریت قرار گرفتن در معرض XVA را مدیریت کرده است. اینها جدا از عملکرد ریسک سنتی در نظر گرفته می شوند.

مشاغل توسعه دهنده کمی وجود دارد

مشاغل موجود در خدمات مالی مقدار زیادی کد را تولید می کنند. این کد ممکن است در تاکتیکی باشد (به عنوان مثال نوت بوک های Jupyter مورد نیاز برای ایجاد و اشکال زدایی یک مدل) یا استراتژیک (به عنوان مثال یک کتابخانه قیمت گذاری مشتقات). بسته به اینکه چقدر کد استراتژیک است ، باید به استانداردهای مختلف مهندسی نرم افزار نوشته شود. کسانی که کدی می نویسند که در تولید اجرا می شوند باید مهندسین نرم افزار انجام شوند. غالباً ، خودشان این مهارت را دارند. برخی از بهترین Quants اغلب برخی از بهترین رمزگذارها نیز هستند. در مواقع دیگر ، افراد متفکر کمتر نرم افزار ممکن است به کمک توسعه دهندگان کمی اعتماد کنند ، که وظیفه آنها ایجاد کد (و اشکال زدایی) است نه اینکه مدل های کمی جدید ارائه شود.

بنابراین ، تفاوت بین strat و یک مقدار چیست؟

اهمیت Quants در امور مالی با تغییر نام Quants به Strats ، که در چندین موسسه مالی صورت گرفت ، تأکید شده است. کلمه Strat یک مخفف برای تحلیلگر استراتژیک است. تأکید از ماهیت کار (تجزیه و تحلیل کمی) به نقش استراتژیک آن در سازمان منتقل شده است.

اگر می خواهید کمی باشید ، به شما توصیه می شود که نه به عنوان یک نقش بلکه در ماهیت عمیق تر آن نگاه نکنید. بسیاری از مشاغل کمی وجود دارد ، که به طور متفاوت نامگذاری شده اند ، با اهمیت استراتژیک مختلف (و جبران خسارت مربوطه).

مسیرهای شغلی برای Quants در امور مالی

اگر به عنوان یک مقدار در یک بانک یا صندوق کار خود را شروع کنید ، لازم نیست در آن طاقچه بمانید. گزینه های دیگری دارید

به عنوان مثال ، شما می توانید به صنعت فناوری مالی (FinTech) بروید. Fintech به فناوری و نوآوری با هدف رقابت با روشهای مالی سنتی در ارائه خدمات مالی اشاره دارد. برخی از fintechs بزرگتر با بانک های مستقر و صندوق های تامینی برای استعدادهای کمی رقابت می کنند. به ویژه این امر در مورد ارائه دهندگان نقدینگی غیر بانکی صدق می کند.

همچنین می توانید به Faang (فیس بوک ، آمازون ، اپل ، نتفلیکس و الفبای - که قبلاً با عنوان Google شناخته می شد) بروید. بسیاری از شرکت های Faang برای کار در یادگیری ماشین و سیستم های هوش مصنوعی ، کوانت ها را استخدام می کنند.

همه کوانت ها توسط بانک ها ، صندوق های پرچین و سایر شرکت های مالی به کار نمی روند. برخی در آکادمی کار می کنند. دستمزد در آکادمی پایین تر است ، اما مشکلات می تواند بسیار جالب تر باشد. هرچه ارشد بیشتری پیدا می کنید ، می توان در هر دو جهان بنشینید و هنگام کار در یک بانک یا صندوق همزمان ، یک شغل دانشگاهی داشته باشید.

برای Quants که می خواهند تحقیقات را منتشر کنند ، می تواند فرصت هایی برای کار روی میزهای تحقیقاتی یا سازمان های غیر بانکی وجود داشته باشد که تحقیقات کمی از آسمان آبی را منتشر می کنند. به عنوان مثال ، بلومبرگ یک بخش تحقیقاتی قابل توجهی دارد ، اگرچه آنها یک شرکت تجاری نیستند.

مهارت هایی که برای کار در امور مالی به یک کار کمی نیاز دارید

به طور سنتی ، Quants سابقه ای در ریاضیات کاربردی از طعم های مختلف داشته است. بعضی اوقات آنها به جای ریاضیات ، از فیزیک می آیند. اخیراً ، با توسعه آموزش تخصصی مالی ، قیمت گذاری های قیمت گذاری از برنامه های اختصاصی و محاسباتی اختصاصی (مانند کارشناسی ارشد ریاضیات و امور مالی در کالج امپریال ، لندن ، جایی که من تدریس می کنم) آغاز شد.

ریاضیات مورد نیاز برای مشاغل کم

نقشهای کوانتین سنتی Q با اندازه گیری سنتی در راه حل (اغلب عددی) معادلات دیفرانسیل جزئی (PDE) و حساب/تجزیه و تحلیل تصادفی-ریاضیات کاربردی کلاسیک تشکیل شده است.

چنین ریاضیاتی در بخش های ریاضیات و فیزیک دانشگاه های پیشرو تدریس می شد. غالباً از نسبیت و نظریه رشته و پیشینه دینامیک سیال ناشی می شود - مناطقی که PDE ها و stochastics زیاد هستند.

پس از GFC ، مشاغل اندازه گیری P بی شمار شد. چنین مشاغل بیشتر به آمار متکی است تا PDE و STOCHASTICS. بر این اساس ، تعداد بیشتری از افراد به جای سابقه ریاضیات کاربردی با آماری استخدام شدند.

بهترین مدرک برای مشاغل کمی

در سالهای اخیر ، برنامه های اختصاصی مالی ریاضی در اکثر دانشگاه های پیشرو ایجاد شده است. علاوه بر چنین برنامه هایی که معمولاً در سطح کارشناسی ارشد تحویل داده می شوند ، امروزه می توان مدرک دکترا را در امور مالی ریاضی و/یا دوره صدور گواهینامه مانند CQF دریافت کرد.

انقلاب اخیر ML/AI بیشتر تمرکز را به سمت موضوعاتی که به طور سنتی به عنوان علوم کامپیوتر در نظر گرفته می شوند - ML و AI - تغییر کرده است. برنامه های اختصاصی ، مانند کارشناسی ارشد کالج امپریال در هوش مصنوعی ، در پاسخ به افزایش تقاضا ایجاد شده است. کارشناسی ارشد امپریال در ریاضیات و امور مالی همچنین شامل یک مؤلفه قابل توجه ML/AI - یک آهنگ اختصاصی است. همچنین برنامه های صدور گواهینامه مانند MLI وجود دارد.

مهارت های برنامه نویسی که برای مشاغل کمی به آن نیاز دارید

برنامه نویسی به همان اندازه ریاضیات برای بسیاری از quants مهم است.

Quants که نظارت بر کتابخانه های کمی دارند ، باید در معماری نرم افزار آگاه باشند.

و همچنین نوشتن کد ، Quants وقت خود را صرف اشکال زدایی و سرعت بخشیدن به کد موجود ، ایجاد زیرساخت های کمی (به عنوان مثال روشی که سیستم های مختلف برای صحبت با یکدیگر استفاده می کنند ، اشیاء همچنان ادامه دارند و ذخیره می شوند و تعامل بین کتابخانه های کمی و اساسیپایگاه داده) ، اتوماسیون وظایف و - اخیراً - استفاده از یادگیری ماشین. برخی از موسسات مالی پیشرو تیم های یادگیری ماشین اختصاصی دارند. در برخی دیگر تحقیقات یادگیری ماشین یا اجرای هوش مصنوعی توسط Quants معمولی انجام می شود. بانک ها ، صندوق های پرچین و بنگاه های تجاری شروع به اتخاذ روش های جدید مانند قیمت گذاری عمیق و محافظت عمیق می کنند.

اگر می خواهید کمی شوید ، کدام زبان برنامه نویسی را باید یاد بگیرید؟زبانهای برنامه نویسی مدرن هر یک از "سوله های زیست محیطی" مربوطه را دارند:

• پایتون برای نمونه سازی و تحقیقات ؛
• C ++ برای سیستم های تولید با کارایی بالا ؛
• جاوا و C# برای سیستم های تولیدی که مهندسی نرم افزار تا حدودی از عملکرد مهمتر است (اگرچه در برخی مناطق این زبانها برای عملکرد با C ++ رقابت می کنند ؛ به عنوان مثال ، آزول را ببینید).
• جولیا تلاش می کند تا مزایای C ++/Java/C# را با پایتون ترکیب کند.
• KDB+/Q و Shakti برای داده های با فرکانس بزرگ و بالا ؛
• CUDA برای برنامه نویسی GPU در برنامه های کاربردی با کارایی بالا (HPC).

مهارت های نرم مورد نیاز شما برای مشاغل کم

Quants در انزوا کار نمی کند. آنها با معامله گران ، ساختار ، فروش ، تکنسین ها ، تحلیلگران ریسک و سایر افراد متقاضی همکاری می کنند (و گاهی رقابت و همکاری). به همین دلیل ، مهارت های به اصطلاح "نرم" به همان اندازه مهارت های کمی مهم هستند.

Quants ارشد اغلب به مدیریت مردم و پروژه ها می رسد. با پیشرفت شغلی Quant ، تخصص مردم و مدیریت پروژه از اهمیت بالایی برخوردار می شود ، مگر اینکه آنها تصمیم بگیرند که صرفاً روی جنبه فنی چیزها تمرکز کنند ، که بندرت امکان پذیر است.

Quants در سطوح مختلف ارشد نیز وظیفه متقاعد کردن دیگران را از سودمندی و اهمیت کارهایی که انجام می دهند ، متقاعد می کنند. طبق معمول ، بسیاری از شک و تردیدها در اطراف وجود دارند ، به ویژه وقتی که آخرین رویکردها و فناوری ها به وجود می آید.

برای مشاغل مالی کمی پرداخت کنید

با توجه به تنوع زیادی از مشاغل موجود در امور مالی کمی ، جای تعجب نیست که پرداخت بسیار متفاوت است. بررسی حقوق و دستمزد Efinancialcareers نشان می دهد که حقوق و پاداش های سطح ورود و پاداش برای Quants در بانکها در لندن به طور معمول در حدود 65K پوند (88K دلار) به علاوه پاداش هر چیزی از 3. 5 کیلو پوند تا 15 کیلو پوند است. با این حال ، شما به عنوان یک مقدار در صندوق پرچین درآمد بیشتری کسب خواهید کرد.

تماس با: [email protected] در وهله اول. WhatsApp/سیگنال/تلگرام نیز موجود است (تلگرام: Sarahbutcher)

اگر نظر خود را در انتهای این مقاله بگذارید ، با ما همراه باشید: تمام نظرات ما توسط انسان تعدیل می شود. بعضی اوقات ممکن است این انسانها در خواب باشند یا از میزهای خود دور شوند ، بنابراین ممکن است مدتی طول بکشد تا نظر شما ظاهر شود. سرانجام این کار - مگر اینکه توهین آمیز یا افترا باشد (در این صورت نمی تواند.)