转 为了做宽客选择读一个PhD值得吗?
编者按语:接触不少想往quant方向走的童鞋,对于量化交易是很感兴趣也觉得未来大有可为,但是quant由于其行业性质其门槛具有一定的专业要求。现在很多投行、银行、公募、私募等招聘职位基本都要求硕士学历,甚至偏向录用名校PhD,至于本科学历或以下的基本很少,即使有也是少数或者集中在一些私募公司或金融科技服务公司。那问题就来了,为了做quant,是不是有必要去选择读相关专业的博士呢?正文将分享下行业内的quant们的个人看法
@星光居士
作为一个博士毕业困难户+quant这种同时从事者世界上最容易跳楼的两项工作的人前来现身说法。如果你要成为背靠大树的分析师或者找一份像样子的工作,不仅要读PHD,还要读名校的PHD,top2常青藤那一类的;如果你要靠自动打钱机实现财务自由,读一个PHD可以给你足够的时间沉淀下来做研究,慢慢的你会发现:在丛林里,爪牙的锋利和铠甲的厚度是决定食物链的唯一标准,皮毛是否美观,那只会影响到探索频道的摄像机。
@Yupeng
做金融的其实就是看regulator的脸吃饭,人家让你做什么不让你做什么,你都要去按部就班,不然市场就没有你的立足之地。包括一些central clearing、capital charge,银行也在适应新的市场规则。而学位方面,不是phd的quant前后台都有,但感觉在银行里quant的phd还是不少,因为phd有四年的时间,足够你去更多的了解市场、学习量化分析、做好编程,优势相对于msc还是很多的。但银行不是看学位,而是看能力,如果一个msc具有以上的水平,该收的肯定收。phd之所以多是因为phd有了更多时间去学习,所以能力会比一般msc强一些。
这几年已经不像过去了,过去纯数物理phd可以一点也不懂市场但依旧靠数理在quant领域横行霸道,也不需要跟其他部门沟通太多。但现在regulator push us to collaborate,一些市场规则让这些quant不得不去做出改变,对市场的理解和概念也是越来越重要了,因为大家都要在规则下玩游戏。
这几年很火的高频交易在实际中跟数学其实关系不大,重点是如何分析limit order book,而计算机明显感觉比数学占更多份额,而这几年这一领域随着regulator的限制(自然不止是中国),逐渐由灰色地带走出来,以后的发展不知道会变好还是变坏,但未来应该会有很多限制在里边。
再比如单单counterparty risk一个方面,市场规则这几年一直非常混乱,有的银行只算cva,有的算dva,还有的会charge kva和fva,而对不同客户,银行的策略还是不同的,有时考虑competetive还会不charge或少charge,而最近regulator又想搞ccp以减少系统性风险,ccp一出cva、dva将变im,一些学者模型论文没写完,规则就让他模型变了废纸,所以现在大家都要理解规则。
而hedge fund方面,有的fund不需要传统意义上的quant,因为他们的策略对衍生品的需求不大,更多需求一些tech的人,而有的量化fund会需要quant,但tech的东西还是很多,coding会被当作一项基本技能,msc在这方面比做过数据处理的phd会有些差别。但归根到底,业内是看能力而不是学位的。
@董可人
非常值。有两点考虑:
出国找工作,只读master的话压力非常大,这意味着你刚到国外就要马上开始找工作。这个时候文化还没适应,课程才刚开始学,人脉还没建立,要想在短时间内找到工作,压力是非常大的。读PhD的话有比较长的时间慢慢做准备,找到好工作的概率会更大一些。
PhD不等于做科研。现在PhD烂大街的情况下,完全可以把它当作一种培训。你主要的任务是去学习如何系统化的分析问题,以及看论文,做演讲等能力,这些都是对以后的Quant工作有直接帮助的。如果你一开始就准备毕业后去业界工作,和导师沟通好,PhD期间的发论文压力可能也会比较小,不会读的很痛苦。
金融业应该是这世界上最看重PhD的工业了,Quant简直就是为数理PhD量身定做的工作,这在任何其他行业都是很难找到的(它们也许会因为你是PhD给你一个稍微高一点的起薪,但是工作内容很可能不会直接需要你读PhD期间所学到的那些能力,而在金融业,你不用担心会有这种浪费)。所以以Quant为目标去读一个PhD,基本上是可以无脑选择的。
我同意PhD并不是一个必要条件,我自己就有朋友以本科学历找到Quant工作;也不是充分条件,拿到PhD的也有找不到工作的。但是这些都可以算作outlier,不太有参考价值。一定要对自己的能力有清醒的认识,如果没有十足把握本科或硕士毕业就能找到工作的话,读PhD是非常值得考虑的选择。
@郑阶
在我看来,读不读博士的问题,从来不是由一个单因素模型决定的。
首先,从客观分析,不得不承认,quant的就业市场近几年一直处于萎缩状态。第一,是金融监管力度加强。新的金融创新产品种类越来越少。第二,金融工程,金融数学方面人才太多。很多的欧美名校,为了减缓财政压力,设立金融工程项目并大量招生用来吸金。第三,市场需求不大。银行中做quant的人本来就不多,并且很多大银行都在裁员和缩招。第四,交易平台统一的冲击。很多银行的交易定价系统全部是买的三方软件。从一定角度上说,银行自己不需要去开发定价和风险管理系统,极大的减少了对quant的需求。
其次,从自身角度分析。第一,自己正真想做的是什么?是定价模型,交易策略还是风险管理?如果是定价模型,随着计算技术的发展,可拓展的空间已经不大。如果是交易的话,很难找到能稳定盈利的策略。做高频交易更和计算机专业有关。如果是风险管理的话,市场需求不会很大,因为风险管理更多的和公司的policy相关。第二,自己是不是能静下心来读博士,做科研。即使周围的朋友可能在业界已经干的不错。第三,能不能够申请到欧美名校的博士。第四,自己是不是真的喜欢和数学统计打交道,对编程有没有兴趣呢?第五,家里人是不是支持。
最后,我想说,我可能说的负面情况过多。不过,这些都是需要考虑的因素。通过考虑这些,你可以发现自己是不是真的喜欢金融数学。从我的角度而言,我觉得,对金融行业而言,数学永远只是一个工具,并不是核心。
结语:看完这几位“大咖”的看法,想必可以给很多童鞋可借鉴的参考。
来源:知乎 整理
---------------------------------------------------------------------
《算法导论 第三版英文版》_高清中文版
《深度学习入门:基于Python的理论与实现》_高清中文版
《深入浅出数据分析》_高清中文版
《Python编程:从入门到实践》_高清中文版
《Python科学计算》_高清中文版
《深度学习入门:基于Python的理论与实现》_高清中文版
《深入浅出数据分析》_高清中文版
《Python编程:从入门到实践》_高清中文版