Designed by senivpetro/freepik
Quant Development переводится с английского как «количественная разработка». Это подход к программированию, который позволяет строить масштабные математические модели и создавать алгоритмы для анализа рынка ценных бумаг.
Термин «Квант» охватывает не одну, а несколько специализаций, таких как Quantitative Analyst, Quantitative Developer, Quantitative Researcher и Quantitative Trader. Все они относятся к направлению Quantitative Finance. Направление Quantitative Finance зародилось еще в 1900 году с диссертации Луи Башелье «Теория спекуляции» в которой была представлена модель ценообразования опционов при нормальном распределении. Однако современная версия началась с исследования Эдварда Торпа. Торп использовал теорию вероятности и статистический анализ, чтобы создать систему для успешного выигрыша в Блэкджек, известную сейчас как «подсчет карт». Впоследствии инвестиционные компании с Wall Street начали использовать его исследования для получения прибыли на финансовых рынках, используя статистические методы анализа. Однако популярность профессия начала набирать только в последние годы вместе с развитием Data Science.
Описание профессии
Quant Developer — это программист, задача которого искать и создавать новые алгоритмы вычислений и прогнозирования в сфере финансов. Пользуясь различным инструментарием, он помогает компаниям принимать правильные инвестиционные решения.
По сути, профессия Quant Developer — это частный пример Data Scientist, только в финансах, хотя он часто совмещает обязанности с Data Analyst. То есть ищет данные, строит математические модели для их обработки и самостоятельно интерпретирует результаты.
Задача специалиста — сделать так, чтобы волатильность финансового портфеля была как можно меньше, и клиент не проигрывал в инвестициях.
Обязанности, которые исполняет Quant Developer:
Леонид Меркин, академический руководитель программы «Анализ данных в финансах»
В России финансовых математиков принято называть «квантAми» (Quants), поскольку на английском языке семейство этих профессий начинается со слова Quantitative. Сегодня это такие профессии, как Quantitative Analyst, Quantitative Developer, Quantitative Researcher, Quantitative Trader.
Quantitative Analyst (QA) – финансовый математик, основным направлением деятельности которого является ценообразование и риски деривативов – производных финансовых инструментов, в основном, опционов. Разбуди его среди ночи и спроси: какое самое главное слово в твоей профессиональной жизни? Этот специалист ответит: волатильность, то есть мера неопределенности. Моделирование структуры волатильности, оценивание ее параметров, предсказание ее будущих распределений – это основа основ, исходя из которой строится ценообразование опционов. Для успеха в этой профессии нужно иметь глубокие знания в теории вероятностей, математической статистике, теории случайных процессов, уравнениях в частных производных, численных методах. Внутри QA существуют собственные специализации — например, по классам финансовых активов: методология работы с инструментами процентных ставок совсем иная, чем с фондовым рынком. Есть такие отдельные направления, как валидация моделей и управление рисками, но в целом QA должен быть готов к решению любых аналитических задач финансовой математики.
Следующая профессия – Quantitative Developer (QD). По сути, это – Computer Scientist, работающий в области финансовых рынков. В его деятельности акцент смещается с математики на разработку математических библиотек, которые реализуют модели и методы, подготовленные Quantitative Analyst’ами. Q D больше нацелен на реализацию, хотя тоже должен понимать всю теорию. Главное слово для него – С++. Именно технологии программирования на С++ всегда и везде используются в реализации библиотек моделей и методов финансовой математики. Профессионал в этой области умеет и знает в целом то же самое, что и Quantitative Analyst, но дополнительно имеет больший опыт в реализации наукоемкого программного обеспечения, и обычно именно на языке С++.
Эти две профессии очень похожи и, например, в банке Goldman Sachs разделения на Quantitative Analyst и Quantitative Developer нет – и те и другие называются Strategist. Сотрудником становится тот кандидат, который при отборе показал знания и в математике, и в компьютерных науках, и в инженерии программного обеспечения. Если он не показывает знания хотя бы в одной из областей, его просто не берут на работу.
Очень часто QA и QD – это один тот же человек, который во время работы над проектами может выступать сначала в одной, потом в другой роли. Если этот проект связан с более сложными аналитическими решениями, то в начале он как QA строит соответствующие математические модели. После того, как модели созданы и отработаны на прототипе, их нужно вывести в промышленную эксплуатацию и реализовать в виде системы функций и классов в библиотеке, подготовить документацию – это сделает тот же самый человек, но немножко в другой роли – теперь он QD. Когда в одной команде работают два специалиста, то они все равно тесно связаны: как Quantitative Analyst может предлагать идеи и улучшения для Quantitative Developer, так и наоборот. Они должны общаться не только на уровне формальных письменных спецификаций, как это принято в традиционном процессе разработки программного обеспечения, но и понимать предметную область и задачи друг друга даже не с полуслова, а с полувзгляда.
И при этом, на какой бы позиции ни работал специалист, Quantitative Analyst или Quantitative Developer, он должен понимать реалии рынков финансового капитала и разбираться в финансовой экономике. Тренды, волатильность, хеджирование – эти понятия он воспринимает не как математические или программные абстракции, абстрактные понятия, а действительно понимает, что за ними стоят реальные рыночные процессы и деньги, и знает границы применимости разработанных моделей и библиотек.
Тренд – главное слово для Quantitative Researcher’а (QR). Q R занимаются выявлением и отслеживанием трендов для эффективного управления инвестиционными портфелями. Он составляет портфель так, что за счет антикорреляции риск-факторов можно существенно уменьшить волатильность портфеля. И после этого он интересуется тонкой структурой трендов, анализирует ее и работает над ее улучшением. По содержанию работы и уровню знаний QR ближе всего к Data Scientist. Q R должен знать и уметь применять все имеющиеся методы анализа данных, Data Science и цифровую обработку сигналов.
Research Analyst (RA) – это скорее Data Engineer, а не Data Scientist, и его профессиональный статус в целом немного ниже, чем у QA, QD или QR. У RA, как правило, достаточно узкая сфера деятельности – подготовка больших наборов данных для их последующего использования всеми вышеперечисленными специалистами. Для того, чтобы Quantitative Analyst или Quantitative Researcher мог строить свои модели, нужны данные. К сожалению, данные никогда не бывают идеальными. Иногда компании сами записывают рыночные данные, но чаще покупают их у провайдеров данных, для которых это является областью профессиональной деятельности. В данных бывают грубые выбросы, пробелы, и что особенно опасно – искажения отметок времени, в результате чего начинает казаться, что тот или иной набор данных обладает предсказательной силой, а на самом деле это банальное «подглядывание вперед»(forward looking). В высокочастотной алгоритмической торговле важно проставлять отметки времени с точностью до микросекунды. Задача Research Analyst’а заключается в том, чтобы очистить данные от всех изъянов, а если есть такие, которые исключить не удается, например,«подглядывание вперед» очень трудно исправить, то выдать об этом заключение, и такие данные вообще не приобретать, так как от них больше вреда, чем пользы.
И наконец, QT – Quantitative Trader – это специалист, который одновременно может быть Quantitative Researcher’ом, Quantitative Developer’ом и Quantitative Analyst’ом. Он сфокусирован на построении алгоритмических торговых стратегий, как правило, высокочастотных. Понятно, что QT должен обладать всеми навыками и знаниями вышеперечисленных специалистов. Однако на первый план у него выходит стратегическое мышление. По сравнению, например, с Quantitative Researcher’ом, это более продвинутая стадия карьеры, на эту позицию не возьмут только что выпустившегося студента без опыта работы, даже если он закончил самую блестящую программу финансовой математики. Q T реально управляют деньгами. Если Quantitative Researcher допустит ошибку, то это будет просто плохой результат, который не будут использовать. Ошибка трейдера – это прямые убытки компании.
Одно из важных качеств QT и QR – это очень развитое воображение. Они способны придумывать идеи новых стратегий и сигналов. В одной знаменитой международной компании от каждого QR требуется открывать по два-три торговых сигнала в день, и они это делают. В данном случае трудно обойтись какими-то формальными аргументами, для этого необходимо очень развитое воображение. Они должны быть как писатели-фантасты, но только в финансах, им необходимо много выдумывать.
Всех этих специалистов объединяет одно – глубокое знание финансовой математики вплоть до последних ее достижений. Например, достижения дифференциальной геометрии конца XX – начала XXI века, которые раньше использовались в квантовой теории поля и моделировании состояния Вселенной через одну миллисекунду после Большого взрыва — сейчас они перекочевали в финансовую математику и применяются в глобальном инвестиционном банкинге, так как с их помощью решаются задачи построения плотностей распределения сложных случайных процессов. Любой мировой инвестиционный банк – Goldman Sachs, JPMorgan, Citi, Barclays, Deutsche Bank, Merrill Lynch, наш ВТБ Капитал – все строят у себя математические модели и библиотеки программного обеспечения на С++, в которых применяются решения, основанные на достижениях не только математики, но и других наук.
Различия и сходства, уровень компетенций и знаний всех вышеперечисленных специалистов можно представить в таблице. В ней уровень необходимых компетенций представлен, где возможно, в баллах по 5-балльной шкале.
В нашей программе «Анализ данных в финансах» мы уделяем большое внимание дисциплинам в области финансовой математики и интеграции их с предметами из блока компьютерных наук, развитию аналитических навыков, стратегическому мышлению и наработке базовой профессиональной интуиции. Благодаря этому наши выпускники уверенно смогут претендовать на позиции Quantitative Analyst, Quantitative Developer и Quantitative Researcher сразу по окончании программы.
Где учиться Quantitative Finance?
Quantitative Finance сейчас внедряется в учебные программы ведущих университетов по всему миру. Но профессия начала набирать популярность недавно, и с предложениями пока еще не густо. В России Гугл выдает подходящие программы только в ВШЭ в Москве и ВИЭШ в Санкт-петербурге. В других странах, за пределами США, ситуация аналогичная. Дисциплина представлена, как правило, в одном-двух вузах на страну. С точки зрения более коротких образовательных программ ситуация получше. На Udemy и Coursera Quantitative Finance представлена достаточно широко
Кто такие кванты и как ими стать
Время на прочтение
Редактор блога Turing Finance и, по совместительству, финансовый аналитик хедж-фонда Стюарт Рид опубликовал практическое руководство для тех, кто видит свое будущее на финансовом рынке, исходя из своего опыта работы в профессии. Он обещает рассказать не о том, как стать квантом, а как быть им в любом из секторов финансовой индустрии, в котором вы сейчас работаете. По его мнению, это даже не вопрос выучки, но, скорее, вопрос идеологии. Представляем вашему вниманию адаптированный перевод этого материала.
Количественные методы или количественный анализ в индустрии финансов – это наука, но никак не профессия, считает Рид. Это значит, что знание того, как стать квантом ничего не прибавляет к вашим умениям. Нужно знать, как быть им. Во втором случае мы говорим о принципах и идеологии, лежащей в основе количественного анализа. В первом варианте – речь о том, чтобы проявлять некие практические активности, чтобы получить работу, где в описании стоит слово «квант».
На базовом уровне быть квантом – еще не означает умения выводить изощренные формулы для оценки возможностей диковиной стохастической модели. Это еще не означает создавать, обучать и тестировать стратегии трейдинга, использующие модель статистической регрессии. Быть квантом – значит, верить, что научные модели годятся для общего анализа финансовых рынков.
Подобная идеология набрала вес при оценке деривативов, потом перешла на риск-менеджмент, управление активами и биржевую торговлю. Вероятно, в ближайшее десятилетие мы сможем наблюдать распространение этого подхода в сфере корпоративных финансов, в венчурных и банковских инвестициях.
Философия науки
На последнем курсе по компьютерным наукам автор вместе с остальными студентами потратил год на создание модуля под названием «методологии исследования». В его основе лежали два учебника: «Философия науки: от проблем к теории» и «Философия науки: от объяснения к обоснованию». Обе написаны Марио Бунге. Несмотря на все попытки преподавателя сделать этот предмет скучным, насколько это возможно, автору нравилось изучать философию. Многие идеи модуля оказались востребованы в дальнейшей практике.
Собственно, сам предмет «философия науки» повествует о логических основаниях, методах и выводах науки. Проще говоря, он пытается ответить на вопросы: что такое наука? Как это работает? Каковы пределы научного знания? В истории было дано множество ответов на эти вопросы. Нередко противоположных. Их можно свести к нескольким направлениям: реализм, эмпиризм, инструментализм и индукция, логический позитивизм и фальсифицируемость.
Реализм против эмпиризма
Реализм уверен в том, что наука занимается в своих исследованиях реальным миром, а не той его конструкцией, которая дана лишь в ощущениях. Напротив, эмпиризм, исходит из положения о том, что все, что мы знаем, мы знаем через органы чувств. Значит, наше знание является временным и ограниченным.
Главным аргументом в пользу реализма может стать точность научных теорий. Если мы имеем теорию достаточно точную, чтобы с ее помощью быть способными предсказывать будущее состояние системы, значит, мы описываем реальный мир. В большей степени это справедливо для физических наук. В финансовом мире любая теория будет ограниченной в своих возможностях предсказания и подчиненной искажениям.
Дедукция, индукция и абдукция
В философии науки мы различаем несколько форм логических рассуждений.
Недостаток последнего метода заключается в том, что любые выводы здесь будут ненадежны. Это можно продемонстрировать на хорошо известном примере с черным лебедем. Пока все лебеди, попадающиеся нам на пути, будут белые, мы можем руководствоваться утверждением «все лебеди – белые». Первый же черный лебедь, появление которого модель предсказать не может, опровергнет эту истину. Более подробно этот пример рассматривает в своих трудах Нассим Талеб.
Количественные теории рынка построены на индукции через эмпирические наблюдения. Подобные теории легко опровергаются при наличии противоречащих друг другу данных. Они могут быть стройными на бумаге, но на практике чаще всего являются предметом веры своих приверженцев, которые упускают факты, не вписывающиеся в модель.
Читатель, наверняка, уже задается вопросом, как философия науки помогает стать квантом? Ее идеология важна для понимания ограничений возможностей нашего знания о финансовых рынках. Как бы глубоко финансовые теории не были укоренены в эмпирических данных, не казались непогрешимыми, они хрупки по своей природе. К ним относятся все популярные предпосылки количественных моделей: возвраты нормального распределения, линейность, стационарность, гипотезы случайных блужданий и эффективности рынка.
Научный метод
Научный метод помогает сделать мышление более четким и строгим и увеличить тестируемость модели и проверяемость, лежащих в ее основе гипотез.
Научный метод – это непрерывный процесс, включающий систематические наблюдения, количественные измерения, эксперимент, получения гипотез, проверку гипотез и их совершенствование. Автор предлагает пройти весь путь научного метода на примере теории случайных блужданий.
Наблюдения
В контексте финансовых рынков мы обычно извлекаем полезную информацию из книг, статей, средств массовой информации и даже иногда, почитывая хорошие (или не очень) блоги на заданную тематику. Что мы в них находим? Во многих академических изданиях имеется утверждение о том, что рынок ведет себя случайным образом, в нем действуют стохастические процессы.
Здесь важно начать задавать вопросы. Первые вопросы, которые помогут нам как-то оценить данное предположение могут быть самыми простыми: кто, что, когда и зачем? Попробуем посмотреть с этой точки зрения на гипотезу случайных блужданий.
На часть этих вопросов кто-то когда-то уже вынес ответ. Поэтому критически важно быть в курсе предыдущих исследований. После формулирования своих собственных вопросов и чтения литературы по теме, в голове начнут возникать грамотные и правильные идеи, которые в итоге должны сложиться в проверяемую научную гипотезу.
Формирование гипотезы
Гипотеза – это декларативное утверждение, которое обосновывает взаимоотношения между набором переменных. Хорошая гипотеза должна быть лаконичная, проверяемая, учитывающая весь предыдущий накопленный опыт исследований. Возьмем, для примера, следующие интересные идею, которую прислал автору один из постоянных читателей его блога.
Возвраты рынка демонстрируют случайность, поскольку рынок способен быстро адаптироваться, чтобы избавиться от любых слабых мест.
Мысль хорошая. Но сама по себе гипотеза так себе. Многие термины не определены, слишком много всего намешано в одну кучу, и ее не так-то просто проверить. Попробуем разбить эту гипотезу на несколько отдельных.
Гипотеза 1. Движения рынка (вверх или вниз) неотличимы от бинарных случайных последовательностей Мартина-Лёфа.
Разбор автором гипотезы случайного блуждания, привел его к выводу, что рынок не является случайным, по крайней мере, в таких жестких терминах. Вслед за этим появляется множество других вопросов, требующих дополнительных исследований. Следовательно, эту новую гипотезу можно разбить еще на две части.
Гипотеза 2. Эффективность рынка, временная доступность всем участникам любой информации, вынуждает рынок развиваться случайно.
В одном из следующих материалов автор обещает рассказать, как проверить эту гипотезу на истинность. Пока же, тем, кто интересуется, можно почитать две статьи на эту тему: «Неприятие рисков и мартингальное свойство рыночных цен», Ле Рой, 1973 год, и «Цены на активы в экономике обмена», Лукас, 1978 год. (по ссылке оба материала почему-то недоступны – прим. переводчика). В них исследователи пытаются выяснить, как влияет доступ к информации рациональных агентов рынка на случайное распределение цен. В общих чертах вывод таков: свободный доступ к данным может вести к случайному движению рынка, а может и не вести. То есть эффективность еще не означает случайность.
Далее все это нас приводит к третьей гипотезе, которую исследуют относительно редко, по причине того, что ее сложно проверить.
Гипотеза 3. Вне зависимости от того, развивается ли рынок случайно или нет, все возможности заработать на нем вымываются слишком быстро, чтобы инвесторы успели построить постоянную эффективную стратегию.
Эта гипотеза не слишком лаконична и декларативна. Ее довольно сложно опровергнуть или подтвердить. То есть по всем параметрам она не так изящна, как предыдущие. Поэтому на данном этапе ей можно пренебречь.
Разработка тестируемых прогнозов
Для того чтобы построить прогноз, нужно для начала определиться, верна ли ваша гипотеза. Затем следует понять, какие величины включать в прогноз. Например, если мы за базовую берем первую гипотезу, то возвраты рынка (вверх или вниз) можно проверить и рассчитать с помощью набора статистических тестов NIST. Их поведение должно соответствовать бинарной последовательности Мартина-Лёфа. В одном из прошлых постов автор уже проделывал эту операцию, используя генератор псевдослучайных чисел под названием «Вихрь Мерсенна». Выяснилось, что данная гипотеза неверна.
Многие люди совершают одну и ту же ошибку: они уверены, что в исследовании все дело в одной объективности. На самом деле, не так уж важно, верна гипотеза или ложна. Важно, что при любом раскладе мы приносим новую информацию в научное знание по конкретной проблеме.
Для того чтобы проверить вторую гипотезу, придется пойти на шаг дальше: создать модель базового агента, в которой эффективность будет гарантирована. Из этой модели мы затем извлечем последовательности возврата и протестируем их на предмет случайности. О моделях будет рассказано чуть ниже.
Сбор данных для проверки предсказания
Название этого этапа говорит само за себя. Единственная вещь, о которой стоит предупредить: данные для проверки нужно брать из реального мира (эмпирические данные). На крайний случай, они могут происходить из модели, соответствующей гипотезе. Оба подхода имеют свои плюсы и минусы. С эмпирическими данными многое зависит от того, как вы их измеряете, собираете и храните. Имитирующие данные предполагают, что выполнение модели было сделано корректно.
Уточнение или опровержение гипотезы
Опираясь на собранные данные, мы можем ответить на вопрос, были ли предсказания верны, и подтвердили ли доказательства нашу гипотезу. Важно отметить, что при положительном варианте, речь идет лишь о поддержке гипотезы. Доказать, что она верна мы не можем. Во втором случае, гипотеза считается ложной.
Создание общей теории
Итак, мы собрали достаточное число гипотез, тщательно их протестировали. Теперь мы можем собрать из них одну общую теорию. Например, для теории портфельного выбора потребовались десятки лет исследований взаимоотношений между риском и прибылью, прежде чем она была принята научным сообществом. На момент публикации докторской диссертации Марковицем, в теорию портфеля практически никто не верил. Ему даже хотели отказать в присуждении степени доктора экономических наук.
История, по правде говоря, весьма поучительная. Если ваша идея непопулярна, это еще не значит, что она неверна. Сообщество финансистов очень консервативно. Устаревшие идеи и подходы здесь отстаиваются с почти религиозным пафосом и серьезностью. В навыки кванта как раз и входит умение смотреть на этот мир объективно и постоянно бороться с мифами о финансовых рынках. Забудьте о консенсусе, занимайтесь поиском истины.
Мыслить моделями
Как стать квантом? Оформляйте свои идеи в модели. Затем пользуйтесь этими моделями, чтобы упорядочить свое мышление, проверить и обосновать свои идеи, выявить скрытые паттерны.
Модель – это репрезентация отдельных объектов или процессов, существующих в реальном мире. Для построения моделей кванты используют методы математики и компьютерных наук. Квант, например, может собрать модель рисков, сопряженных с конкретных портфелем активов. Почему на первый план выдвинуты именно модели? Тем более что некоторые полагают, что такой тип мышления лежал в основе финансового кризиса 2008 года.
Модели помогают нам более ясно мыслить
Развивая идею до уровня подходящей модели, сделанной в коде или прописанной в математических формулах, не важно, заставляет более четко видеть смысл, достоинства и недостатки самой идеи. Мы смотрим на умозрительные вещи в терминах инпутов, аутпутов и технологических процессов. Через модель и процессы можно обнаружить недостающие части и исправить неточности.
Модели проверяемы, интуиция нет
Как только идея была систематизирована и закодирована в модель, она становится проверяемой. В конечном итоге, мы можем увидеть, насколько идея соответствует реальному раскладу вещей. Возьмем, для примера, стохастическую модель броуновского движения в применении к рынку ценных бумаг. Как она соотносится с реальным миром? Учитывает ли они падения рынков? Учитывает ли она периоды высокой и низкой волатильности? Ответ, разумеется, отрицательный. Все это заставляет нас заняться разработкой более качественной стохастической модели: модели диффузионных скачков Мертона и модели стохастической волатильности Хестона.
Другой, общий вариант проверки модели – посмотреть, как она ведет себя на исторических данных. Возьмем обычную инвестиционную стратегию смещенного значения. Пока она зиждется на интуиции брокера, нельзя проверить, могла ли она приносить хорошую отдачу в прошлом. Можно лишь верить словам финансового управляющего, что он хорош в своем деле.
Модели помогают находить скрытые паттерны
Забудьте на время про поиск паттернов с помощью машинного обучения и нейронных сетей. Даже отжившие простые модели могут находить скрытые паттерны и открывать новое понимание привычных вещей.
Возьмем пример из другой области. Сколько, по вашему мнению, человек в отдельном городе должны быть расистами, чтобы уровень расовой сегрегации достиг 80%? Ученые выяснили, что достаточно, чтобы 30% людей были расистами для возникновения расовой сегрегации в относительно изолированном обществе. Все это можно просчитать с помощью старой модели сегрегации Шеллинга. И таких примеров, когда модель открывает нам новое знание о привычных вещах, масса. Тем, кто интересуется, автор советует пройти курс понимания моделей на Coursera.
Математические или компьютерные модели помогают нам отойти от умозрительных построений и снять когнитивную нагрузку на отдельного человека. Проще говоря, они делают нас умнее. Гораздо умнее.
Заключение
Количественные финансы – это идеология, и быть квантом – значит намного больше, чем быть просто математиком или знать, как писать код. Это история о приверженности научному методу и способности его применять для изучения финансовых рынков в целом. Учитывая это, автор дает единственный совет тем, кто намеревается стать квантом: просто будьте им, вне зависимости от названия своей должности. Нет причин для того, чтобы фундаментальные принципы и количественные методы нельзя было бы применить для других сфер финансовых услуг или даже для нефинансовых компаний. Вполне вероятно, что через десяток лет станет привычным и количественное банковское инвестирование и количественный венчурный капитализм. Даже если вы сможете просто грамотно расписать принципы этой идеологии на своем собеседовании, это уже будет большим плюсом.
К чему я Это все?
Я занимаюсь разработкой автоматизированных торговых систем и алкоалготрейдингом. Quantitative Finance заинтересовал меня как дальнейшее развитие себя в области автоматизированной торговли. Я начал погружаться в эту область и понял что я отчасти всем этим уже занимаюсь. И так как сейчас достаточно остро стоит вопрос с получением ВНЖ какой либо из развитых стран, появилось навязчивое желание пойти в магистратуру на Quantitative Finance, чтобы совместить приятное с полезным, так сказать.
Мне интересно услышать ваше мнение о профессии «кванта» о ценности знаний и навыков, получаемых в магистратуре в этой области. Я уверен на 100%, что могу освоить все, что связано с «Quantitative Finance» своими силами, так как я и ранее сам того не понимания создавал и использовал модели из этой области. Возможно, два года обучения – это лишняя траты времени и денег. С другой стороны, если когда-то я решу уйти из свободного плавания «в офис», к примеру, в США, высока вероятность, что отсутствие корочки окажется единственным препятствием. Если среди вас есть действующие кванты или такие же интересующиеся, готовые порекомендовать хорошие программы для изучения в этой области и поделиться опытом и советами, буду благодарен.
Что нужно знать, чтобы стать Квантом?
Профессия квантового трейдера основана на трех областях: финансах, математике и программировании — и требует знаний в каждой из них. Квант должен обладать глубоким пониманием математических методов для построения аналитических моделей, анализа данных и тестирования результатов. Знания в области трейдинга и финансов необходимы для разработки торговых стратегий. Ну а чтобы реализовать разработанные стратегии в виде автоматизированных торговых алгоритмов, понадобятся навыки программирования.
Ниже представлено стандартное описание требований для вакансии Quantitative Trader. Я оставил только те требования, которые встречаются в большинстве вакансий:
Кто такие Кванты?
Если говорить коротко, то кванты занимаются тем же, чем и классические трейдеры: исследуют данные о ценах и котировках, анализируют рынки и финансовые показатели компаний, выявляют закономерности и разрабатывают торговые стратегии. Главное отличие состоит в том, что кванты работают с большими объемами данных и используют математические методы анализа для проведения исследований и торговли с помощью самостоятельно разработанных моделей и программ.
Направление деятельности по каждой из специальностей можно понять из названия.
Quantitative Researcher занимается исследованиями, Quantitative Analyst— анализом, Quantitative Developer— разработкой, Quantitative Trader— торговлей. Quantitative Trader создает алгоритмические торговые стратегии и управляет ими. Иногда эти понятия смешиваются, и один и тот же специалист может выполнять задачи всех направлений. Чаще это Quantitative Trader. В иерархии Quants трейдер находится на вершине, так как именно он отвечает за финансовый результат. Как правило, он в той или иной степени обладает навыками всех четырех специальностей, за что получает щедрое вознаграждение.
Зарплата Quant Developer
Заработок специалиста складывается из его профессиональных навыков и умений, в частности, знания языков программирования, а также успешности прогнозов. В среднем же те немногие квант-разработчики, которые трудятся на российском рынке, могут зарабатывать до 200000 и даже 450000 рублей в месяц.
Сколько они зарабатывают?
В настоящее время «Quants» является одной из самых высокооплачиваемых профессий в США.
Средняя зарплата Кванта в Нью-йорке 322 687 долларов в год по данным Сomparably. По данным других рекрутинговых сайтов средняя зарплата находится в диапазоне от 125 000 до 175 000 долларов, но мой личный короткий ресерч говорит о том, что скорее всего этот диапазон зарплат не учитывает годовой бонус который составляет до 100% от годового вознаграждения, а иногда и более. Потому что зарплаты до 150 000 — 200 000 в вакансиях на linkedin предлагаются в основном джунам.
В индивидуальных случаях годовой доход квантов может достигать нескольких миллионов долларов. При этом речь идет о найме, а не о частных управляющих капиталом, использующих количественный подход.
Где работают Кванты?
Квантовые трейдеры могут работать в инвестиционных компаниях, хедж-фондах и банках, а также могут выступать в роли самостоятельных трейдеров, используя личные средства или привлеченный капитал для инвестирования. Также они могут работать и вне финансовой сферы, разрабатывая алгоритмы, например, для игры в онлайн-покер и других областей, где требуются аналогичные навыки.
Что касается географии, то основное количество вакансий по этой специализации приходится на США. Но найти работу Квантом можно и в других частях света. В достаточном объеме профессия представлена в Сингапуре, Гонконге и других азиатских мегаполисах, в которых широко представлены ведущие финансовые и инвестиционные организации. В России и Европе позиции пока имеют более точечный характер, но тоже появляются с завидной периодичностью.
Где работает Quant Developer
В России эта профессия сравнительно редкая, поскольку финансовый рынок не настолько велик, как в США. За рубежом Quant Developer трудится крупных банковских структурах, трейдинговых конторах, публичных компаниях и IT-корпорациях, чьи акции торгуются на рынке.
Другие материалы по теме финансов и фондового рынка от ITI Capital
Самая сложная часть работы квант-разработчика кроется, разумеется, в бэктестинге, поскольку обработка больших массивов данных и выявление закономерностей с прошлыми требует мощных аналитических способностей и технических знаний.
Кроме того, квант-девелопер должен отлично владеть соответствующим инструментарием:
Квант-разработчик должен хорошо разбираться в трейдинге и основных финансовых инструментах, без этого будет невозможен качественный анализ рыночных позиций.
Я занимаюсь разработкой автоматизированных торговых систем и алкоалготрейдингом. Quantitative Finance заинтересовал меня как развитие себя в области автоматизированной торговли. Я начал погружаться в эту область и понял что я отчасти всем этим уже занимаюсь. И так как сейчас стоит вопрос с получением ВНЖ, появилось навязчивое желание пойти в магистратуру на Quantitative Finance, чтобы совместить приятное с полезным, так сказать.
Обучение Quant Developer
Такой специалист должен обязательно иметь техническое математическое образование. Без него он не сможет создавать аналитические алгоритмы.
Самые подходящие направления:
Помимо прочего следует хорошо знать языки программирования, начиная с C++.
Специалист по управлению сетями квантовых коммуникаций
создает и управляет элементами квантовых компьютеров на основе отдельных атомов и кластеров в твердотельной матрице, а также сетями квантовых коммуникаций
Исследования в области квантовой криптографии за последние годы перешли от чисто фундаментальных работ к практической реализации и первым коммерческим прототипам. В ближайшем будущем технологии, основанные на законах квантовой механики, позволят государствам и корпорациям обеспечить полную сохранность своих секретов. Квантовая криптография дает возможность выявлять попытки прослушивания переговоров и обеспечивать секретность передаваемой информации с помощью фундаментальных законов природы, а не технических или вычислительных ограничений. Узким местом в криптографии до сих пор остается передача и смена криптографических ключей. Квантовая криптография позволяет автоматически генерировать и менять общие ключи посредством передачи однофотонных состояний по открытым оптоволоконным линиям связи.
Естественным развитием систем квантовой криптографии является их интеграция в локальные телекоммуникационные сети. Несомненно, технологии квантовой коммуникации будут определять облик информационных технологий и систем защищенной передачи информации уже в ближайшем будущем.
Оценки рынка
составит среднегодовой темп роста рынка квантовой криптографии в период с 2017 по