在對沖基金中擔任量化程式設計師的經驗

作者：由 Alpha Zone 發表于文化時間：2020-09-18

之前寫了很多關於如何成為金融工程師或量化分析師的文章，但是並沒有真正研究過，他們實際上在對沖基金中所扮演的角色，即量化程式設計師所參與的工作內容。

考慮到許多人可能對數學和金融程式設計同樣感興趣，因此，藉此機會，我想和大家討論一下這個角色的實際情況以及在“日常工作”中正在做什麼。

如果你也想從事量化方面的工作，你可考慮考慮量化程式設計師和更加存粹的“碼農”哪個更適合你！

許多系統/量化對沖基金的結構是獨立的“企業內部”單位，由小部分量化研究人員，量化交易者和量化程式設計師組成。所有這些職稱都以“ quant”為字首，因為它們都

涉及很大程度的數學

。系統交易的每個方面都是高度交織的，因此每個人都需要接觸數學和演算法。

在systematic funds中，在建立“交易管道”之前，需要實施三個關鍵領域。大致來說，它們是：

定價/收費：

量化研究人員和交易員需要

針對證券價格時間序列開發其演算法

。因此，量化研究的重要部分是

獲得優質的證券定價資訊

。資料資訊種類繁多，需要以統一的方式檢索，儲存，清理然後將其提供給Quants，這是量化程式設計師需要做的，這項工作佔了工作內容的80%。

訊號/演算法：

此方面涉及對獲得的定價資料進行統計研究，以識別交易機會。對沖基金採用的策略極為多樣化。對於systematic funds，它們通常會屬於

趨勢追蹤，均值迴歸，統計套利或高頻/做市的類別。

這些都是基金公司安身立命的核心機要，因此很少會向外界透露出具體策略。該領域是量化研究人員主要從事的工作內容。

執行/訂單：

一旦交易策略已經透過任何必要回撤測試，並已獲得了足夠的理論表現，量化交易員的工作是建立交易模型，以便有效地執行交易策略，而

不會產生過多的滑點或交易成本

。與定價一樣，量化團隊經常研究有效的執行演算法，實際上，執行和訊號存在大量重疊。一旦設計了執行演算法，執行量化開發人員的工作就是構建一個與主經紀商的介面，允許進行交易。此外，

投資組合管理和調節工具需要完全自動化

，並且能夠按需生成快照報告。後者約佔工作的20％。

定價量化發展

定價包括

四個主要方面

：連線到資料來源並獲取資料，以統一的方式儲存資料，清理資料使其沒有錯誤，並以簡單易用的方式向量化研究人員展示資料。

有些基金主要使用股票多頭/空頭模型作為交易機制。這類基金主要關注以下資產類別：全球股票，固定收益宏和衍生品資料，外匯現貨資料（和期貨），商品（期貨和期權）以及諸如S＆P500，FTSE100，VIX等指數。每日/ OHLC（開盤價，最高價，最低價，收盤價）等其他特定來源的十分鐘資訊資料。

建立這類證券資料庫的第一步是

建立所謂的證券主清單

。這列出了單個非重複資料庫中可能感興趣的每個資產/資產。這種主列表的關鍵問題之一是，可以讓量化程式設計師可以透過不同的證券程式碼源來引用相同的證券程式碼，因此有必要構建一個證券對映表，為每個證券提供唯一的定價資料。

定價資料通常是透過

應用程式程式設計介面（API）

從專有、免費的資源組合中獲取的，因此可以重複，自動化的方式進行。我們構建了一個系統來檢查錯誤，在未獲得資料或與相同證券的其他來源不匹配的情況下標記關注點。資料儲存在關係資料庫管理系統（RDBMS）中，該系統已針對性能和用例進行了廣泛的調整。

下載資料後，

將執行三種主要型別的資料分析和修改指令碼

。首先檢查從不同來源獲得的相同證券資料是否獲得了相同的值。第二個檢查資料中沒有沒有無法解釋的“峰值”（即，與正常交易範圍的顯著偏離），通常表明存在錯誤。第三類分析是針對公司行為的價格調整（股息，股票分割，股票發行等），這樣我們的產出變成了

一系列百分比價格變動，而不是絕對價格變動

。

然後，透過內部編寫的API和資料庫複製技術，將這些資料公開給其他軟體包。

整個過程最終實現了完全自動化。唯一需要執行的手動任務是檢查錯誤日誌和修復資料來源，新增新資料來源以及調整API以允許呼叫其他功能。

除了作為“量化程式設計師”的職責外，還為某些任務製作了基於Web的報告工具，投資組合對賬工具和各種其他“內務處理”指令碼。所有這些任務都是使用Python（80％）和C ++（20％）的混合編寫的。使用C ++時，需要大量加速某些演算法（尤其是投資組合對帳）和Python，以用於大多數資料收集和儲存。我們還大量使用MatLab和Excel進行策略開發和分析。