投资组合管理之一:经典Markowitz理论

1 均值方差优化问题

设投资者所能投资的资产有个品种,投资每个品种的权重为,每个品种的收益为代表第个资产的在投资组合中的权重,代表第个资产的收益,于是有:

在Markowitz理论中,资产的风险由标准差表示,用表示,于是有协方差矩阵:

个品种的期望收益为,则对于一个投资组合而言,其当前组合收益为,其期望收益和方差分别为:

在经典Markowitz理论中,Markowitz使用方差替代风险,于是整个问题就变成了如何选择到一组使其满足投资组合的方差最小:

其约束条件为:

2 有效边界问题

上面的均值方差模型没有考虑到无风险资产,现在假设投资组合中无风险资产的比例为,剩下的为风险资产的比例为,于是投资组合的期望收益为:

因为,所以:

即:

又因为,所以:

3 例子

任意选取上证50指数中的5支成分股票600000.SH,600048.SH,601169.SH,601669.SH,601989.SH,收益如下图所示:


这5支股票组成的最小均值方差组合及有效边界如下图:

R代码如下:

library(WindR)
library(data.table)
library(dplyr)
library(PortfolioAnalytics)
library(PerformanceAnalytics)
library(DEoptim)
library(ROI)
require(ROI.plugin.glpk)
require(ROI.plugin.quadprog)
library(devtools)
w.start(showmenu = FALSE)

#准备数据
Index = w.wset('IndexConstituent','date=20130601;windcode=000016.SH')
Index = as.data.table(as.data.frame(Index))

Stock = w.wsd(Index$Data.wind_code[1],"close2","2013-06-01","2015-06-02","adjDate=0;Fill=Previous;PriceAdj=F")
Stock = as.data.table(as.data.frame(Stock))
colnames(Stock)[3] = as.character(unique(Stock$Code))
Stock = Stock[,2:3,with = FALSE]

for (i in 2:dim(Index)[1]) {
  SingleStock = w.wsd(Index$Data.wind_code[i],"close2","2013-06-01","2015-06-02","adjDate=0;Fill=Previous;PriceAdj=F")
  SingleStock = as.data.table(as.data.frame(SingleStock))
  colnames(SingleStock)[3] = as.character(unique(SingleStock $Code))
  SingleStock = SingleStock[,2:3,with = FALSE]
  
  setkey(SingleStock,Data.DATETIME)
  setkey(Stock,Data.DATETIME)
  Stock = merge(Stock,SingleStock,all=T)
}

rownames(Stock)=Stock$Data.DATETIME
Stock$Data.DATETIME = NULL
Stock=as.xts(Stock)


R <- Stock[, c(1,10,20,30,40,50)]
funds <- colnames(R)

#创建投资组合
init <- portfolio.spec(assets=funds)
init <- add.constraint(portfolio=init, type="full_investment")
init <- add.constraint(portfolio=init, type="long_only")

#创建有效前沿组合
init <- create.EfficientFrontier(R=R, portfolio=init, type="mean-StdDev")
chart.EfficientFrontier(init, match.col="StdDev", type="l", RAR.text="Sharpe Ratio", pch=4)

高频交易系列之一:简介

本系列的博客是我在高频交易的一些经验的合集。在我还是一个孩子的时候我就开始着迷于市场拥有的魔力,所以当我结束学业之后我就立即在一家对冲基金正式开始了我的职业生涯。然后市场上关于高频交易的信息是如此之少,以至于任何一个想要学习市场微观结构的人除了成为一个实际的市场参与者之外没有其他途径。我相信许多年轻人进入这个行业是因为这个行业对智力的考验(当然不否认金钱的因素也很重要)。因此,任何怀揣对高频交易和市场微观结构有兴趣的人,都是本系列博客潜在的观众。

也许你曾听说过高频交易是一个非常复杂的领域,毫无疑问这个行业有许多细节需要花时间去弄明白,但是从我过去的从业经验来看,相当大的一部分知识也许可以通过几个例子来说明白。甚至有些利用市场无效型的例子是如此简单,你会觉得这个行业花费如此大的精力去保守这些通过简单规则产生的交易策略是一件非常悲哀的事情。在其他技术性行业,人们往往会乐意分享他们的技术,在互联网行业甚至还有影响深远的“开源运动”,然而在交易这个行业,一切都是那么的讳莫如深。当然,我不会分享我的全部知识,这也是不现实的,但是我希望的经验能对那些和我当初一样考虑进入这个行业的年轻人有点作用。如果当初我能看到我现在正在写的材料,我一定是会非常的心怀感激的。

国内主要量化交易平台比较

目前的量化交易平台可以从开发语言、技术架构、系统架构、策略方向、交易方式等几个方面,分为中低端和高端量化交易平台。

中低端量化交易平台

中低端平台只支持复杂度不高的脚本语言实现策略逻辑,多数的实现只能在图表上加载技术指标进行自动化交易、程序化交易等量化交易方式。
中低端平台一般采用的技术架构是投资者使用平台商提供的客户端软件,采用互联网接入方式连接平台商或者金融经纪公司提供的行情和基础数据服务器,投资者在本地运行的策略触发后,通过经纪公司的普通交易席位进行交易。由于技术架构的限制,行情、交易有一定的延时。
受策略脚本解析和执行效率、技术架构的限制,中低端平台对于多品种、多周期、多账户、多交易市场、多策略、复杂金融工具包等复杂系统架构的支持都有一定的限制。一般的系统实现流程为:投资者的策略在本地接收市场数据后,根据策略简单计算的触发条件,进行简单的账户持仓、资金计算和管理,进而下达买卖方向、数量、价格等指令,进行自动交易。
中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略,是目前市场上个人投资者应用最多的一类大众化的量化交易平台。

国内中低端量化交易平台

国内应用的中低端量化交易平台主要有文华赢智程序化交易、交易开拓者、金字塔决策交易系统、达钱&multicharts、安翼金融终端等。

1.文华赢智程序化交易平台

文华赢智采用麦语言开发技术指标模型,产生买卖信号后驱动交易下单。在量化模型研发方面,赢智提供了国内股票和期货的全部品种多周期的时间序列历史行情数据和近期的TICK数据,同时提供了丰富的行情函数、账户和交易的部分函数和一些统计函数用于策略开发,还提供了丰富的策略回测报告项作为策略绩效评估的依据。在量化交易方面,赢智提供支持最多24个品种进行的多线程独立的程序化交易,同时使用下单精细化组件,实现了部分算法交易的功能。由于采用客户端的技术架构,虽然赢智实现了高频交易的功能模块,但是在实际应用中,高频交易建议托管在文华机房。现阶段,赢智以其程序化实现简单、性价比高等特点,在中低端量化交易平台中占有一定的优势。

2.交易开拓者程序化交易平台

交易开拓者(TB)采用语法类似Pascal的TBL语言开发策略模型,根据账户持仓状况和图表买卖信号驱动交易下单。在量化模型研发方面,TB提供了国内期货多周期的历史行情数据和近期的TICK数据;提供了较为全面的行情数据函数、账户和交易函数、统计函数用于策略开发;提供了丰富策略回测报告项作为策略绩效评估的依据。在量化交易方面,单个TB终端支持20—30个单品种的图表并发接收行情并交易,但由于客户端技术架构的限制,其对于高频和更复杂策略的支持不足。现阶段,TB市场推广做得较好,合作的期货公司较多,在中低端量化交易平台的市场占有率较高。

3.金字塔决策交易系统

金字塔决策交易系统(下称金字塔)采用VB脚本语言开发策略模型,使用较复杂的账户函数和交易函数进行资金管理,既可以使用图表买卖点,也可使用非图表的交易判断驱动交易下单。在量化模型研发方面,金字塔提供了国内股票和期货的历史行情数据和TICK数据,也可以使用外盘数据;提供了更为全面的行情数据函数、较多的账户和交易函数、统计函数用于策略开发,同时也支持外接统计数据库和专业的统计分析软件Lib库做扩展;提供了较为丰富策略回测报告项作为策略绩效评估的依据。在量化交易方面,除了支持图表驱动的程序化交易外,也可以进行篮子交易、算法交易和较复杂的对冲交易的实现,但是同样受客户端的技术架构限制,其对于高频交易、全市场策略的交易等更复杂的策略支持不够。现阶段,金字塔合作的期货公司逐渐增多,在中低端量化交易平台的市场占有率较高。

4.达钱&multicharts自动化交易

达钱&multicharts自动化交易系统(MC)采用power language开发策略模型,达钱提供行情和交易网关,multicharts实现策略开发和执行平台。在量化模型研发方面,由达钱提供的一段时间内的国内期货历史行情和TICK行情。MC承袭了TradeStation的丰富的函数库和策略库,以及便捷的开发特点,提供了更为完善的回测和绩效评价体系,为策略的研发提供了完善的评估。在量化交易方面,MC只支持程序化和自动化交易,对于高端的量化交易模式支持不够。由于MC进入国内不久,在中低端量化交易平台的市场占有率还不高。

5.安翼金融终端程序化交易

安翼金融终端(下称安翼)采用技术指标的通用脚本语言开发交易模型,进行图表驱动的自动化交易,是由某券商独立开发的进行国内股票和期货的自动化交易工具。目前安翼提供了国内股票和期货的历史行情,可以进行相对简单的图表交易和股票、期货的对冲交易,程序化交易工具免费使用。虽然安翼只能用该券商交易通道进行交易,但却标志着国内股票和期货的量化交易已经提升到一个全面发展阶段。

高端量化交易平台

高端量化平台除了支持复杂脚本语言实现策略逻辑外,均支持直接使用C++、JAVA等开发语言实现复杂的策略逻辑,一般为了追求执行效率,不采用界面显示图表,而采用多进程、多线程方式进行自动化交易、程序化交易、算法交易,甚至为了追求极致,使用硬件技术进行高频交易等量化交易方式。
高端交易平台通常采用的技术架构是使用服务器执行策略的架构,行情使用转发路径最少的极速、深度行情,交易通道采用专用、直连的交易通道进行交易。行情和交易的延时都要求尽可能最低。

高端交易平台定位于资产管理,在系统架构上严格区分策略研发和策略运营执行两个阶段。对于策略研发阶段,需要多品种、多周期、多账户、多交易市场、多策略、复杂金融工程包的支持,以实现复杂的策略逻辑;对于策略运营执行阶段,系统架构要保证各种风控、应急处理、交易方式和策略的平稳有效执行。系统的实现流程除了满足交易本身的要求外,还要满足机构本身的业务流程和规范,以及监管层的要求。
高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。随着国内金融市场创新的提速,机构投资者对高端交易平台的需求和潜在需求呈快速上升趋势。

国内高端量化交易平台

国内应用的高端量化交易平台主要有Progress Apama、龙软DTS、国泰安量化投资平台、天软量化平台、飞创STP、易盛程序化交易、盛立SPT平台等。

1.ProgressApama

Apama采用EPL和JAVA语言开发或者定制策略模型,通过行情、资讯等驱动CEP引擎进行交易、风控等操作。在量化模型研发方面,Apama使用第三方的行情授权,提供了各市场行情接口和各种柜台交易接口的接入,可以接入国内股票和期货多周期的时间序列历史行情数据和TICK数据;提供了丰富的金融工具包进行复杂策略开发;提供了便捷的studio开发工具,可以进行复杂策略的快速开发和定制;提供了1万倍加速测试进行策略回测,可以方便地定制测试报告。在量化交易方面,Apama提供了150万笔/秒的交易并发处理能力,进行高频交易、算法交易。Apama高端的并发处理能力,使全市场的多品种并发套利、对冲等交易策略和实时风控策略可以高速执行。现阶段,Apama在国际投行的自营、资管、经纪业务中占有很大的市场份额。从2012年开始,Apama逐步拓展国内的业务,几家较大的证券和期货公司已经开始正式上线推广Apama和相关的量化交易应用。

2.龙软DTS

DTS采用LUA脚本语言开发策略模型,通过平台提供的历史和实时行情、基本资料数据、宏观数据的统计分析,实现投研和交易。在量化模型研发方面,DTS既可使用平台自有的数据源,也可以接入第三方数据源。DTS还提供了一些金融工具包,进行复杂策略开发、回测和绩效评价。在量化交易方面,DTS提供的可以扩展的服务器端技术架构,保证了策略的高并发和高速执行,其在程序化交易、量化交易、算法交易、对冲和套利交易方面都有实际应用。

3.国泰安量化投资平台

国泰安量化投资平台分为研究平台(QIA-Lite)和交易平台(QRC),采用matlab的toolbox的形式无缝兼容了matlab的研发环境,由交易平台实现策略交易。在量化模型研发方面,国泰安投研平台使用自有的行情源、基本面数据、高频数据、量化因子数据库,完全兼容matlab所有的函数,实现了模型的研发和回测。在量化交易方面,其支持了国内主流证券和期货的柜台,在股票和期货的程序化交易、算法交易等方面都有实际应用。

4.天软量化研究和交易平台

天软量化研究和交易平台采用天软特有的TSL语言开发策略模型,通过天软的交易网关,实现量化交易的执行。在量化模型研发方面,采用高性能数据仓库提供的历史和TICK行情、基础资料数据、宏观数据等数据源,同时提供了7000种开源的函数库,进行策略的研发、回测、绩效分析。在量化交易方面,其基本实现了自动交易、程序化交易、算法交易等量化交易方式。

5.飞创STP

飞创量化交易平台采用JAVA语言,通过可定制的模板开发策略模型,进行高频交易。STP通过统一的开发和资管运营平台,实现策略的研发、回测、风控和资管运营。由于使用了高速的柜台交易接口,其主要面向高频套利、程序化交易等交易模式的用户。

6.易盛程序化交易平台

易盛程序化交易既可采用类似Easy Language的语言开发策略模型,实现程序化交易和套利交易,也可以根据易盛柜台提供的行情和交易API,采用C++开发外接应用的方式,实现期货、股票的更复杂的量化交易。在量化模型研发方面,易盛程序化提供的EL开发模型,类似于中低端的量化交易平台,但在行情的速度、交易和账户函数的实时性和精细化处理方面,达到了高端量化交易平台的要求。在量化交易方面,易盛柜台的行情和交易速度具有一定的比较优势,量化交易平台支撑的应用主要是期货的程序化交易、自动交易、对冲和套利交易。

7.盛立SPT平台

盛立金融软件的SPT平台,采用C++语言和定制的策略开发模板进行策略研发,采用独立的运营和回测平台进行模拟和真实交易。虽然SPT平台在国内应用不多,但凭借其100万笔/秒的行情并发处理能力、交易的毫秒级别的延迟,在量化交易平台中引人注目。SPT提供了一些策略模板,可以很方便地实现程序化交易、套利和对冲交易、算法交易、高频交易等。

现阶段,除了上述几个相对成熟且具有一定应用客户的高端量化交易平台外,也有较大金融机构使用像Sysbase CEP、StreamBase等高频中间件来构建量化交易平台。此外一些传统的交易柜台厂商如金仕达、恒生等,也在逐步推出高端量化交

如何寻找到一份Quant工作——来自华尔街的建议(翻译自quantnet)

不管你是在寻找第一份工作,改变自己的职业生涯,或者重新进入就业市场,找到工作的两个主要任务是:懂得你自己和懂得就业市场。最近我接受到几封邮件询问我 关于如何寻找一份quant工作的建议和那些大公司都在找寻什么样的人才。通常我都会把这类问题丢给某个我认识的人。然后在过去的一个月,我收到了大量类 似这样的邮件,我决定将这些问题总结在一起,然后给更适合回答这些问题的人来回答。

能告诉我一些关于你们的公司和你们工作的部门吗?
总经理1:在主要投资银行的市场风险部门
总经理2:我工作的公司是一家负责股票,固定收益债券,外汇和大宗商品交易以及其他投资活动的投资银行。我在大宗商品交易部门负责管理和商品指数挂钩的投资组合
资 本管理基金合伙人:我在一家资本管理基金工作。这是一家位于香港的咨询公司,主要提供财富管理和对冲风险方面的建议。我以前在股票和衍生品部门工作,现在 在交易策略部门和一群才华横溢的交易员和分析师在未来的交易策略。股票部门的大部分新人招募的工作由我负责。我们公司在北美的多伦多,芝加哥,旧金山在蓬 勃的发展。
CEO:我的公司制造各种数量化的投资策略,然后将这些策略卖给高净值的机构,比如养老基金,捐款基金等。

当你们作为公司的人事部门经理时,你们面试候选人主要是为了哪些工作职位?
总经理1:风险管理前台,模型审核,市场风险报告,市场风险数量分析,模型审核主管,风险实习生,风险分析员,办公室主管,IT项目经理
总 经理2:我主要面试候选者以下几种职位:分析员,交易员和Quant职位。作为分析员,你的工作是为前台提供支持,做一下分析市场的工作等。交易员的角色 意味着从一开始,你就加入到市场的交易方。作为一名Quant,你应该在一个更高的分析层上操作,你必须明白在前台操作的各种产品的量化模型。
合伙人:交易员和分析家
CEO:在我的职业生涯中,我面试过潜在的研究者,编程家,策略家,还有交易员。

现 在全世界的金融工程项目如MFE(master in science in financial engineering),MQF(master of quantitative finance)和 MSCF(master of science in computational finance) 大量涌现,你们如何区别项目的好坏?
总经理1:声誉取决与我遇见的人。我以前有个家伙从顶尖的项目毕业,结果却证明是个呆子,从此让我对这个项目产生了偏见。我也有个一个从排名很差的项目毕业的很优秀的员工让我获益颇丰。另一方面,我发现从卡内基梅隆大学和沃顿商学院毕业的人是不可置疑的优秀。
总经理2:我对项目好坏的判别标准来自于我发现好的项目的学生能很好的平衡数量金融领域的理论知识和实际操作知识。那些有分析背景的候选人能很快的建立模型证明他们对商业的理解。我认为那些“不好的项目”则向学生大量灌输理论知识,却缺乏实际动手操作的训练。
合伙人:取决于候选人的技能,而不是他们从哪个项目毕业。
CEO:说实话,我从来不关心他们从哪里来的,只要那个项目是我以前听说过的。

在以前,一些非金融专业如统计,计算机专业的硕士和博士有可能进入quant领域。现在,一个MFE学位是进入quant领域的门槛吗?现在有两个其他条件都类似的候选人,一个拥有MFE学位,一个是非金融专业的硕士,那个拥有MFE候选人会占明显优势吗?
总经理1:完全不是这样。MFE在统计方面有劣势,但是在编程方面却很强。
总经理2:当两个候选人都有很强的量化分析背景,不管他们是MFE,还是非金融专业的硕士,我都不会有任何偏见。我寻找的是那种能“跳出条条框框”思考,并且能面对交易环境压力的人。我也看重候选人能够转化风险的能力。还有终身学习的激情也是我所看重的。
合 伙人:实际上,这个取决与面试。我不能仅仅依靠候选人的学位而不是他的技能做出选择。我们需要的是那些有技能为我们创造利润的家伙。但是你让我从其他硕士 和MFE中选择的话,我会倾向于MFE。但是,如果一个来自麻省理工学院的其他专业的硕士和一个我从来没听过的学校的MFE,我会倾向于那个麻省理工学院 的家伙。然后,最后的决定还是取决与你的技能,你的面试,而不是你的学位。
CEO:不管什么学位,对我来说不是问题。我寻找的是拥有高GPA的人。高的GPA说明这个候选人在学校很认真。然后我会寻找候选人简历上引人注目的东西,比如数学奥赛一等奖等等。像学生会主席之类的经历吸引不了我。

对quant职位来说,你们觉得最重要的数学技能是什么?
总经理1:微积分,线性代数。
总经理2:良好的随机微分方程基础是必须的。拥有信息理论,博弈理论,模式识别或者信号处理的背景是一个巨大的优势。
合伙人:对于交易来说,必须具备最基本的数学知识。通常我喜欢他们对股票以及金融数学有强烈的直觉,但是最关键是你要懂得市场是怎么运作的。
CEO:最低要求是统计,概论,经济学,时间序列分析,微积分等一些基本的核心知识

还有那些技能对quant职位至关重要?
总经理1:SQL语言,推理,良好的Excel技能,EDA,常识。
总经理2:知道如何精准地编写一个复杂的数量程序。有时候我遇到一些分析技能高超的quant,但是却对编程了解的很少,这样我不得不再雇佣一个程序员。我强烈建议你多学会几门编程语言。
合伙人:C++,VBA,建模技能。
CEO:R, Matlab,C/C++编程技能。

你觉得应聘quant职位最重要的5项品质是什么?编程?数学?交流?名牌大学毕业?
总 经理1:交流能力也许是最重要的。有许多quant还不能清楚的表达他们的观点。当你手下有这些员工的时候感觉就像没有配上好鞍的好马一样。学校的牌子有 一定的帮助,这意味着这个人可能很聪明。不要编程 的。如果我需要会编程的,我会再雇佣一个程序员。我们会训练员工所有他们需要的编程技能。除非是做模型的,我不需要一个数学博士。
总经理2:
1. 好的交流能力
2. 强的数学能力
3. 强的编程能力
4. 跳出条条框框思考的能力
5. 良好的人际关系。对学校牌子倒不是特别重视

合伙人:好的交流能力,激情,知识和技能(不仅仅是在数学和编程领域,还有其他领域),想象力(用不同的方法去解决问题)
CEO:
1. 高GPA,反映他们在学校很认真
2. “适应能力“,候选人能不能融入小组或者公司文化
3. 完成任务的决心
4. 慈善工作或者指导工作,展现他的成熟和无私
5. 学校牌子是最后考虑的事情,我注意到我比较偏袒我去过的学校,但只要你GPA够高,这些都无所谓。

人们应聘这个工作的时候对这个工作最大的误解是什么?
总 经理1:其实软实力和硬实力一样重要。我们并不关心你取得PRM/FRM/CFA这些资质是手段还是目的。人们总认为参加这些考试是赚”大钱”的捷径,这 实际上赚”小钱”的捷径,而且往往伴随着高压力和长的工作时间。如果你觉得有趣你就考吧,否则你就是一个悲惨的,疯狂工作的为了赚钱从一个公司跳槽到另一 个公司的呆子。
总经理2:人们总认为能马上进入到交易的角色中。这是一项特权,你自己争取。
合伙人:恩……有很多关于这个工作的误解,我不确定哪个是最常见的。
CEO:你必须足够聪明,而且你还有一些能让别人愿意和你共事的软技能。我想每个人事部的经理都想招聘比他聪明或者优秀的人。只要你能不抱怨的干掉最重的活和最苦难的认为,那你会得到许多工作机会的。

之前有相关的实习经验对一些入门级别的工作来说有多重要?那些在金融领域没有经验的学生如何展示他们的价值?
总经理1:实习会有帮助,但是不是决定性的。那些没有相关经验的人应该多做一些功课。别光告诉我你对固定收益债券或者股票研究或者外汇模型感兴趣。哪一个?为什么?向我证明了解这个行业。
总经理2:对我来说更重要的是数理背景,商业方面的知识总可以再工作中再继续学习。我可以教会你商业上的知识,但是却教不会你如何使用随机方程。
合伙人:有一段实习经历对未来的工作的确很有帮助。学生需要展示他们用数学解决实际问题的能力。实际上量化部门喜欢招那些虽然在金融领域没有经验,但是却喜欢用数学解决实际问题的人。
CEO: 对我来说,实习经验对有些职位并不重要。相关的实习经历只是说明了你能够在公司环境中生存。如果你没有实习经验,你可以向我展示一些其他你做过的事情,你 可以向我展示一个你建立的模型,你可以告诉我什么是后台测试,市场微观环境,研究设计,一切展示你创新的东西,你还可以向我展示你写过的研究论文,这样我 可以知道哪些东西你会哪些东西你不会。
你觉得量化金融行业哪一块领域需求增长最快?风险管理?产品结构设计?交易?
总经理1:风险管理的增长是长期性的,而产品结构设计和交易的增长都是周期性的。
总经理2:我觉得需求增长最快的领域应该是风险和交易领域。看一下过去几年全世界发生了什么,就知道应该更着重于风险管理和交易领域而不是如何设计出更复杂的产品。
合伙人:风险管理。
CEO:随着监管的进一步加强,风险管理师将是金融工程师里很大的一部分。我个人比较喜欢交易,制造新的模型然后实践它们。

对于一个新人来说,在投资银行得到一份有保障的工作最好的途径是什么?常规招聘?网上招聘?校园招聘?学校的就业中心服务?
总经理1:熟人推荐。通过人际关系。
总经理2:在投资银行得到一份有保障的工作最好的途径就是参加各种招聘。参加行业的各种研讨会也是一种非常好的方法,可以遇到行业专家并且得到指导。
合伙人:就是关系。不仅仅是各种招聘会,其他地方也可以,比如IAFE会议,甚至是教堂也可以。候选人应该懂得如何展示他的技能并且经营关系,这时得到面试的最好的机会。有时候校园招聘或者学校的就业服务中心也是一个选择,但是你需要确保自己如何脱颖而出。
CEO:和你的校友联系。找猎头往往浪费时间,但是也有一些好的猎头。想找入门的quant工作,你可以Google “quant-jobs”,会出现一大堆,你申请就是了。

对新人来说,人际关系有多重要?关于好的建立好的关系网,你有什么好的建议?
总经理1:人际关系至关重要。GARP,PRMIA,会议,协会,博客,学校,等等,都是很好的途径。还有,和你的教授好好交流。
总经理2:参加行业研讨会是很好的扩大社交圈的方式。这些活动本身就是用来招聘新人的方式。参加这些活动也能让候选人意识到在风险管理和交易中存在的问题。从我个人的经历来说,这些是极好的社交的地方。
合伙人:就像我说过的一样,不仅仅对新人,就是对其他银行家,交易员,经理来说,社交也都是最重要的。我恐怕没有什么好的建议,但是如果你约你的教授出来喝个茶什么的,或许你就能找到答案了。
CEO:我觉得人际关系也许对高层人员来说更重要。对新人来说,他们需要的东西在网上都能找到。

谢谢你抽出时间,我非常感激,还有没有什么其他要说的留给我们,这样我们也能进入类似你们的公司?
总经理1:简历上的东西,你最好能够解释它们。我遇到很多人说他们会蒙特卡洛模拟,但是却不能够告诉我随机游走或者高斯连结函数是什么。
总 经理2:有时候在现在这种经济环境,在投资银行保全一份工作或许不可能,但是这并不意味着你不可以先在一个技术公司工作,这样能帮助你以后在投资银行得到 更好的工作。不论什么工作,积累经验总是好的,这样最后你就能得到满意的工作。在我个人的职业生涯中,在我得到交易经理这个职位前,我做了许多职业。从长 远来看,这些职业帮助我更好的管理别人,同时也让我更好的管理交易风险。还有,花时间培养软技能也是很重要的。
合伙人:学习,社交,再社交。
CEO:告诉我为什么你比那些简历和你差不多的人更好,向我展示你在quant世界的独特。祝你好运!