分享人：头部量化私募技术总监
入行时间：7年
从业地点：深圳
采访人：Selena
点击阅读《量化众生相》第一篇分享：独家重磅！头部量化CTO：从业8年，交易科技仍让我兴奋！成就感来自主动解决行业重要问题！（猛戳揭秘深度干货）
01
做研究是贝塔
做技术才是阿尔法
Q总说，金融行业是一个人人都想成为将军的行业。7年前他进入量化投资，初生牛犊不怕虎，当然也是冲着管钱去的。但技术背景出身的他，又在一家初创团队，自然是人少事多。
他不得不又做研究、又做交易系统，一个人当两个人用。那时Q总很迷惑，“我到底是做研究还是做技术呢？”
Q总很快打定主意：先做技术。因为他发现，做技术回报更快，只要投入时间，就可以出成果。做策略则未必了，投入不一定立马有成效。
如今Q总已经是某知名量化私募的技术总监，技术领域独档一面。在量化行业打拼了7年，他对于研究和技术这两条路已经有了深刻的洞见。
“做研究实际上是贝塔，做技术才是阿尔法”，他一语惊人地说。
这么说是为什么呢？Q总解释说，技术的迭代周期比较慢，只要有好的方向，能做出一些成果，想要被淘汰很难，但做策略需要不停投入时间、精力去更新迭代。
当初怀着要当“将军”的初心，进入量化行业，Q总白天在公司做技术开发，晚上回家做研究。虽然辛苦，但辛苦慢慢有了回报。Q总形容自己的策略是“先求不败而后求胜”，做技术能保证有饭吃，在此基础上他就能够更好的去做研究，正所谓“锦上添花”。
Q总当时做期货和股票，对这两者的底层交易机制理解得很深，期货的机制他熟的可以倒背如流。后来再设计交易系统，他一个人就顺畅搞定。在自己设计的系统上，他可以做函数、开发因子、策略。底层交易系统可交易股票、债券、期货，也可以交易期权。
“我在我的系统上迭代策略的周期是很快的，比如我策略做一个优化，我先用基础数据做一个回测，没问题，然后我就可以直接上实盘了。”
Q总对自己的定位独特而清晰：“守正出奇”。技术是吃饭的家伙。做技术系统就是他的“正”。在这基础上，他也是一位交易者。他对底层技术系统的熟悉，也能让他更好地去迭代系统，并满足自己的策略，这就是他的“奇”。
02
我命由我不由天
几天前，我约Q总喝咖啡，想请他聊聊他作为资深量化从业者的经历和路径，可以给后来人一些参考和启发。Q总不仅一反技术宅的“人设”，直言直语，言无不尽，分享了不少干货与行业洞见，还爆了不少好玩新鲜的创业故事。我听得大呼过瘾。
Q总的性格中有种“我命由我不由天”的劲头。如果对现状不满，他总能找到途径去“hack”一把。
他跟我分享了这样一个花絮。当初考上研究生时，他是跨专业从电子考到计算机，这种跨专业学生并不受导师青睐，最后只能哪个实验室有剩下名额去哪里试试。到处碰壁的Q总在院系办公室偶遇到机器人实验室的大牛导师。导师和招生老师表达想补招一名工程硕士，导师离开办公室后去往电梯方向。Q总想着他可是明媒正娶的科学硕士，敏锐地感知到，这是自己的一个大机会。Q总立即追上去，一口气从5楼跑到1楼，追上导师，和导师聊了半个小时，跟导师介绍了自己的背景和研究兴趣。导师的实验室做智能机器人研究，行业内排名非常靠前，这很吸引他。他用自己的热忱和坚持打动和说服了导师，他接受了Q总进入自己的实验室。
硕士毕业后，Q总加入了本行业最知名的外企，团队内他领头重新设计了一套车载语音系统里的中文语音理解平台和框架，并且击败了公司在全球的另外两个团队，拿到客户项目，成绩斐然。受邀代表团队前往波士顿参加学术会议。在美国出差期间，他趁机去纽约华尔街摸了铜牛，合影表示“到此一游”。
后来进入量化行业，绝非一帆风顺。2014年底Q总加入券商资管团队，团队成立产品时，正好赶上2015年量化行业的风格转变。那时团队的Alpha策略风格不适应，而他们成立的产品又正好“高位接盘”了。 
股灾后，第三方接入被禁，Q总为了破解券商进去做交易，又发挥了hack精神，他用Python重新写了一套交易系统，想各种办法破解网页、通达信，终于跑起来了。由于团队的策略不太赚钱，压力下他自己也开始做研究，慢慢做出一点成绩。
后来在第二个创业团队，Q总已经有比较丰富的策略回测和交易系统开发的经验。他带着两个应届生，建起了全品种高频数据，投研回测，实盘，监控。打通了整个闭环，并且整个闭环支持股票期货和期权，技术上支撑公司的高频策略需求，公司也取得了不错的业绩。
苦于从研究到实盘很久的Q总，建起的交易系统，支持回测，实盘模拟，实盘。按照他的话说，跑完回测之后，改一个参数就上实盘模拟了，没问题再改一个参数就上实盘了，那种感觉极度舒适。在这个系统上，Q总开发了自己的一个高频策略，他笑着说这算是自己交易的“第一桶金吧”。
03
量化行业没有怀才不遇这回事
赚到第一桶金的Q总并没有隐退江湖，而是以更大的激情和执着投入到了交易科技和策略研发中。而我们都知道，量化行业如今已经发展到了一个竞争白热化的阶段。
Q总也告诉我，量化行业刷新了自己对“不进则退”的理解。“现在竞争饱和了，大家就拼时延，不停的投入时间去做优化。如果一个公司策略做得不好，优化时延也不明显，我觉得规模可能就会降，即使不被淘汰，最起码也会掉队了，到最后就没有梯队了”。他说。
这样的紧迫感让Q总随时都提醒自己不能骄傲自满。他经常会跟经纪商和行业内做技术的朋友交流，看看有没有新技术或新趋势。他现在每天晚上回家都会开电脑，看paper，做一些研究。如果不开电脑，心中就感觉不踏实。
比如，Q总想要了解深度学习到底怎么革新了量化行业，就需要了解它到底是怎么运转的，做了一个深度学习的高频策略，怎么去把它实现到一个程序化的程序里面去，这些都是他要自己在业余时间去学习的。除了读研究报告和源码，Q总还会在网上看一些课程，或者上斯坦福的公开课。
回想起来，Q总认为工作途中有些坑和弯路免不了，都会成为自己成长中的财富。虽然进入量化后过程比较曲折，但是Q总觉得总体满意。
他认为自己的事业高度和人生格局都比以前有所提高。现在，他可以和许多大佬在一个更平等的基础上交流，更快乐地去聊天，对于金钱也有了更开放的态度。
更重要的一点是，量化行业，获得财富的机会很多，比互联网和传统金融行业多很多。“每隔两三年甚至一两年，可能就会有一次机会。你只要有点智商加勤奋，积累到足够经验，你总是能抓住的。”
Q总认为，量化这个行业里面没有“怀才不遇”这个词。“如果你觉得别人给你的活不好，你自己去学习去提升，展现自己。将来遇到了很好的机会，你才能把握的住”。
至于有些技术会嫌弃干一些“脏活累活”，比如处理数据等，Q总认为干脏活累活是一种积累。
“积累到了一定程度，公司的工作你很快就做完了，自然而然就会有新的活给你干。资本家怎么可能让你闲着，是不是？”
04
Q总的干货分享
问：新入行的技术人员需要引领进入量化行业吗？您有什么建议？
Q总：新入行的技术还是需要引导的。你需要入门，知道这个行业里面大家在做什么，怎么做的，至于技术层面的提升，我觉得你可以回家再去学，读一些Linux底层的一些库，比如像低延迟的模块，一些开源的源码读一遍，再实现一遍。
Linux底层的一些模块，一些程序是很优美的，很有技巧性，可能就是说同样一个东西，你这样做，人家那样做。功能一样，但是人家就很有技巧性，因为他对底层的这个系统的架构，甚至涉及到硬件做计算的方式，都有很深的理解。
问：您公司新入职的技术人员，你一般会怎样去安排他们的工作？
Q总：新的技术进来公司，我可能是先让他从最基层的开始做，比如先了解我们这个技术平台是怎么开发的，或者去对接一下券商API。对接了API之后，可能对整个系统就有能有比较充分的了解。
如果他要单独做技术，我会让他去做底层的研究，做模块化的一些优化。比如如果风控模块占用了比较大的时延。我就让他想想怎么用一些新的技术、或者是新的设计模式去提升速度，把风控模块的速度提升到最优。
然后比如说我们的行情共享。因为我们有时候一个机器上面会有很多个账号，行情到了交易机器之后，还会算一些信息比如实时的盘口，我们怎么去更快的算实时的盘口，更快的把这个行情共享到给这些托管、给这些机器、账号？是否可以有更快，或者其他更好的优化？新人可以去研究。
或者说其他的基础的技术模块，比如说做RT的模块，实际上其实也是有优化的地方，比如说丢包，我们怎么和快照信息去做对齐。要深度，技术是有很多方向可以做的。关键看本人对做技术真的有没有兴趣。因为它本身很枯燥。不像做研究，做了之后反馈好，就能赚到钱，效果很直观。做技术本身对于公司PNL的贡献，他有时候是看不见的。
做技术交易系统，其实都还算能看得见的了。如果做一些运维工具、做监控，更看不见的，但也得有人做。所以有些人的工作实际上就是就得荤素搭配，要是遇到想踏踏实实的想要说allin做技术，就是要做交易系统，就是要做底层，那我就是遇到好人了。
问：你会看重技术人员是否有行业经验吗？还是会看重其他素质？
Q总：量化技术对人的综合素质要求会更高一点。他是否踏实靠谱，做一个事情靠不靠得住，品德怎么样，我会更看重这些因素。当然前提是，他有还不错的教育背景，学习能力、承受能力还不错，也很专心，努力。并且是计算机相关专业的，有一定的技术能力，有没有行业经验倒不是那么重要。
问：应用层和底层技术这两个技术方向对技术人员各有哪些要求？
Q总：用Python工具去做事情，我认为一般大部分可能都是一些脏活累活，一些比较初级的事情。就是一个比较俯视的事情，什么都要涉及。我们现在的新人主要是Python，像我们的盘后的统计监控的数据，我们的一些运营工具，各种工具，时效性比较高。
每天的交易日报告，交易有没有异常，各种各样的事情都是用Python去写，要求这个人很细致，数据库也是他要去建。比如说老板如果想要看我们的最近交易怎么样，想要统计一些指标、这是即时性的要求，那就需要你细心稳重，及时反馈。
我指的应用层不只是Python，还包括c++跟这种交易层面。这种就偏上层一点的。基本上按技术分类应该就只有上层跟底层，就是纯技术底层这一块的这种比较核心层的技术。我们现在做策略的人手比较少，然后到C/C++那里也是有底层和应用层这样的。底层专门做程序化、交易系统的，交易系统里面还有风控，底层IP、交易系统怎么去调度，交易系统里面还有资金的管理、订单的管理。
交易系统是底层，另外有业务部的同事是为了是把策略实现到我们的交易系统上去，我们交易系统实际上也会提供各种底层的基础函数。就是说要做研究。策略其实是底层的基础函数叠加累积起来的，用底层基础函数去开发出因子，然后因子它有一些合成的方式，算出最终的信号，然后去做交易。
所以交易系统底层到驱动底层，就是说交易Api、风控、基础函数，然后管理资金、持仓、订单，这些信息就是放在了底层的，然后这个是封装起来了，比如说一个同事想要去做一个研究，我们就会把封装的模块给到他，然后他就在封装的模块上去做就可以了。
做底层的技术，对这个人的技术实力和技术耐性要求更高，做策略这个应用层面对这个人的学习性、灵活性要求挺高。现在做策略应用这一块，其实对于技术要求其实也挺高的，因为现在大家对于延时已经比较白热化的竞争。因为交易系统做多了，实际上延时也会降低，我觉得应用层和底层技术这两个技术方向没有很明显的不同或者优劣。
当然趋势会是把应用层的东西逐渐的固化，标准化到交易系统里面去。然后这样的话都是用交易系统底层的东西去开发，那样的话做底层开发的人，他就会去做这些数据的优化了。
问：怎样看待量化技术和互联网技术的差别
Q总：互联网行业技术层面出个错，可能没什么显性成本。但我们这个行业出了个错，可能一下几十万上百万就没了。所以我们这个行业不仅要求你做到很精致，还有个前提是不能出错。不是说你永远不能出错，出错可能避免不了，但是出错的直接反映就是钱没了。
另外一个层面，两者解决问题的方法论是相似的，本质都是找到一个模型去求解。但是问题本身有本质的区别，互联网行业比如说图像识别这个技术，这张图片是狗那它永远是狗，金融数据要求的解今年是狗可能明年就变成猫了。互联网行业的模型，可能75%的准确率也凑合能用，如果能再做一做85%当然更好；量化行业没法凑合，必须得做到极致，而且得不停的进化，才能适应新的变化。
问：怎样看点量化技术人员和传统金融领域技术人员的差别
Q总：我没在银行券商的技术部门待过，但是和券商的技术人员交流比较多，也有同学在从事相关方面。在我看来，如果需要他们单独去开发项目或者创新的话，他们对完整项目的独立开发能力可能会弱一点。但是因为他在圈子里会接触到很多公司，他们对于行业内技术的发展趋势，大家在做什么，怎么去做的，比如怎么优化速度等，是知道一些底牌的。即使他或许不一定会打，但是由于他知道有什么底牌，所以他们有的是另一个层面的优势。
*（如果你希望分享你的量化职场故事和经历，欢迎到文末扫码与我们联系）
更多阅读
独家重磅！头部量化CTO：从业8年，交易科技仍让我兴奋！
别把量化交易变成拼人力、拼硬件、拼资源的烧钱游戏
独家：“馨敌”组合拳，量化终身干
在车库里管几十亿美金，花10几分钟搞定徐小平，他悟出“大道至简”
启林王鸿勇：净值升到1就赎回的投资人，后面大头都没赚到
徐书楠、李爽：因诺进化论
裘慧明：跟世界上最聪明的人博弈
继续阅读
阅读原文