1-1-2. What is a Quant?

1. Quantitative Trading – LESSON 1 Welcome to the Nanodegree Program

Lead Instructor: Jonathan Larkin

In his book, The Quants,

Scott Patterson really hit the nail on the head.

He described Quants as those searching for the truth.

The truth being the universal underlying hidden dynamics

in the markets and that has always captivated me.

Quants build computational models of the world.

Specifically, that could be about financial instruments or markets,

and Quants apply the scientific method to finance.

You’ll find Quants working across the entire financial industry these days.

Most people associate the job of a Quant with

very well known quantitative hedge funds and

it is certainly true that Quants work in that type of organization,

but Quants also work in commercial banks, proprietary trading firms,

asset management firms, data vendor firms,

and they also work across functions.

You’ll find Quants working in many aspects of a investment organization.

You’ll find Quants in the research function.

Those are Quants looking for predictive signals and

data that can be applied downstream to a portfolio.

You’ll find Quants working in risk management trying to

predict the risk of a particular portfolio or the risk firm wide.

You’ll find Quants working in portfolio construction,

combining the signals and models produced by other Quants.

You’ll also find Quants working in data vendors,

data vendors who are preparing unstructured data,

then to sell to the financial industry.

One of the reasons that I’m so fascinated with

this field is that there really is no typical day.

That being said, the work product of a Quant is to create a model.

That could be a model of financial time series or it could

be the model of a portfolio or firm-wide risk,

or it could be a model to reduce

unstructured data to structured form for further use in the investment process.

One thing that makes this field fascinating is that things are always changing.

There’s new developments in markets.

There are new datasets.

There are new computational techniques.

You always need to keep learning and you

always need to continually up your game in order to compete.

People who have achieved substantial success in other scientific disciplines

are often humbled when they come to quantitative finance.

The reason for this is that signals in financial data are very, very faint,

and you need to combine not just a scientific approach,

but you need to combine that with understanding of markets,

intuition of markets, and domain knowledge about markets.

For example, take Isaac Newton who experienced significant stock trading losses

in his personal account and is quoted as

saying “I can predict the movements of the heavens,

but I cannot predict the madness of people.”

한국어 자동 번역:

그의 책에서 Kuan Scott Patterson

은 퀀트를 진실을 찾는 사람들이라고 설명했습니다

. 진실은 시장의 보편적인

숨겨진 역학이며

, 이는 항상

Kwan이 구축한 세계의 계산 모델에 매료되었습니다.

금융 상품이나 시장에 관한

것이라면 Kwan’s는 금융에 과학적 방법을 적용합니다.

오늘날 대부분의 사람들

은 퀀트의 직업을 잘 알려진

퀀트 헤지 펀드와 연관시키며

퀀트가 작동한다는 것은 확실히 사실입니다. 그런

유형의 조직에서 퀀트

는 상업 은행 독점

거래 회사 자산 관리 회사

데이터 공급업체에서도 작동하며

기능 전반에도 작동



다운스트림에 적용할 수 있는 예측 신호를 찾는 양자입니다.

포트폴리오 특정 포트폴리오의 위험이나 회사 전체

의 위험을 예측하려고 하는 위험 관리

에서 일하는

퀀트를 찾을 수 있습니다. 다른 퀀트에 의해 생성된 신호와 모델을 결합하는 포트폴리오 구성에서 일하는 퀀트를

찾을 수도 있습니다. 금융 산업에 판매하는 것보다 비정형 데이터

를 준비하는 데이터 공급업체 및 데이터 공급업체에서 일하는

입니다. 제가 이 분야에 매료

된 이유

중 하나는

퀀트의 산출물이 금융 시계열의 모델이 될 수 있는 모델을 만들려면

포트폴리오 또는 회사

전반의 위험 모델이 될 수 있습니다. 또는 투자 프로세스에서 추가로 사용하기

위해 구조화되지 않은 데이터를 구조화된 형태로 줄이는 모델

이 될 수 있습니다.

흥미로운 분야는 상황이 항상 변화하고 있다는 것입니다.

새로운 개발과

시장이 있습니다. 새로운 데이터 세트가


계속 학습하는 데 항상 필요한 새로운 계산 기술이 있습니다. d 당신은

항상 게임을 계속해서 향상시켜야 하고

다른 과학 분야에서 상당한 성공을 거둔

사람들은 양적 재무에 관해서 종종 겸손해집니다.

그 이유는 재무

데이터의 신호가 매우 약하고

과학적 접근 방식

을 결합할 뿐만 아니라 이를 시장 직관에 대한 이해와 결합해야 합니다.

예를 들어 개인 계정에서 상당한 주식 거래 손실을 경험한 아이작 뉴턴(Isaac Newton)

말한 대로 시장의 움직임을 예측할 수 있습니다.


사람들의 광기를 예측할 수 없다

%d 블로거가 이것을 좋아합니다: