做量化交易的人不需要懂金融吗？

1. 做量化交易的人不需要懂金融吗？

我觉得量化交易方面的书主要还是强调实现策略。需要将策略的逻辑用机器执行出来。
这就要求代码必须严谨，不能出错。如果出个光大乌龙指那样的事件，几年的收益毁于几秒~~~
所以，我认为，量化交易的实现是不能有闪失的。这也就导致了做交易策略可以进行两步分工。即，策略研发工作和策略搭建工作。
那些python量化书籍侧重的是策略搭建工作。
我觉得，题主之所以会问这个问题，是因为很多懂策略研发工作的人都是自己搭建策略的。也就是交易逻辑和编写程序是一个人完成的。这让人产生了一种会写代码就能开发策略的错觉。这就本末倒置了。
从底层讲，策略研发是需要金融知识和实践经验的。只懂编程的人如果没有这个想开发出有效的策略几乎不可能。而有金融知识和实践经验却不会编程的人，可以通过找会编程的人来帮他进行策略的搭建、回测和实施。
但是，这里面也有成本。那就是，编程的人可能无法完全理解策略研发者的交易逻辑和思想。进而在编写策略代码的时候出现逻辑错误。要解决这个问题，还是策略研发者自己学习一下编程知识，然后自己来把策略搭建出来。这样就降低了沟通成本。
因此，我的结论就是：python量化书籍是给策略研发者提供的一个编程工具书。

2. 机器学习到底在量化金融里哪些方面有应用

随机过程stochasticprocesses泊松过程Poissonprocesses更新过程renewalprocesses布朗运动Brownianmotion仿射（跳跃）扩散过程affineprocesses(oraffine-jumpdiffusions)列维过程Levyprocesses连续状态分枝过程continuousstatebranchingprocesses随机微分方程stochasticdifferentialequations半鞅semimartingale偏微分方程partialdifferentialequations偏积分－微分方程partialintegro-differentialequations倒向随机微分方程backwardstochasticdifferentialequations二阶倒向随机微分方程secondorderbackwardstochasticdifferentialequations随机偏微分方程stochasticpartialdifferentialequations随机最优控制stochasticoptimalcontrol极值建模modelingofextremes风险度量riskmeasures蒙特卡洛模拟MonteCarlosimulation============StochasticProcesses============IntroductionandReferences『随机过程』(stochasticprocesses)是概率论的一个分支，一般来说是特指一个学科，而『蒙特卡洛』(MonteCarlo)是一种获得某种统计量、待求值或函数值的方法，二者不太具有明显的并列关系或者包含与被包含关系。随机过程从内容上来说大致有两类：第一种我称之为应用随机过程，也是大家一般所说的随机过程，内容包括几种具体的经典随机过程，例如：Poissonprocess，renewalprocess，discretetimeandcontinuoustimeMarkovchain，basicsofBrownianmotion，以及他们的应用，比如queuesystems等。相关的书籍有：Stochasticprocesses,SheldonRoss另外一本稍微高阶书的是CornellUniversity的“李登辉”教授(LeeTengHuiProfessor)、应用概率大牛SidneyResnick所著的Adventuresinstochasticprocesses第二种是指随机过程一般理论：一般包括概率论、随机过程的测度论基础(probabilityspace、convergencetheory、limittheory、martingaletheory等)，Markovprocess，stochasticintegral,stochasticdifferentialequations,semimartingaletheory（半鞅）尤其是后者等比较艰深的概念和问题（内容参考以下书籍）；其中入门的书籍有：StochasticcalculusforfinanceII,StevenShreveArbitragetheoryincontinuoustime,TomasBjork这两本是与金融交互讲的；另外一本稍微偏理论的随机分析入门书籍是：Stochasticdifferentialequations,BerntOksendal高阶数学研究生水平的书籍有：Stochasticintegralsanddifferentialequations,PhilipProtterBrownianmotionandstochasticcalculus,Karatzas,ShreveBrownianmotionandcontinuousmartingales,Revuz,YorLimittheoremsforstochasticprocesses,Jacod,Shiryayev一本比较艰深的讲套利数学的研究生读物（需要懂半鞅、泛函分析）：Mathematicsofarbitrage,Delbaen,Schachermayer，其中讲了不同模型设定下的的套利理论，包括离散模型，连续模型比如半鞅等过程驱动的市场对应的套利结论；utilitymaximization,convexduality等概念。当然，学习高级随机分析的书籍需要比较坚实的概率论基础，在此我推荐：Probability:theoryandexamples,RichardDurretRealanalysisandprobability,Dudley特别地，我强烈推荐两本我当作参考文献的概率论书籍。一下两本书全面介绍了概率论基本理论，非常适合已经有一定测度背景并且想继续深入学习随机分析的读者：Probabilitytheory:acomprehensivecourse,KlenkeFoundationsofmodernprobability,KallenbergOverview『数学金融』中涉及的随机过程应该主要涵盖上述第一类里的几乎所有内容和上述第二类里的stochasticintegrals,stochasticdifferentialequations(SDE)，semimartingale等，其中实务中最常用的是Itoprocess和Levyprocess；因为他们都有比较好的马尔可夫性(Markovianstructure)，根据Feynman-Kac等定理，所以又能与partialdifferentialequation和partialintegro-differentialequation联系起来。这也是期权定价的PDE方法。讲定价公式可以写成PDE的好处是可以使用现成的PDE数值方法。此外，Itoprocesses和Levyprocesses是特殊的semimartingale。用semimartingale做金融建模的好处有两点：1、semimartingale作为stochasticintegrator，是从一致度量(uniformmetric)下可料(predictable)被积过程所形成的空间到随机变量(topologizedbyconvergenceinprobability)所形成的空间的连续线性映射，这种性质对应于金融资产价格的稳健性，通俗地讲就是：如果你对投资策略施加一个小小的扰动，最后投资组合的价值在某种意义下也会只有相应较小的扰动。因此用semimartingale模拟金融价格是合理的。2、semimartingale组成的空间在Emerytopology(metrizable)下是完备的；这个性质加上一个比较符合经济逻辑的无套利假设(Nofreelunchwithvanishingrisk,NFLVR)，可以推出存在sigma-martingalemeasure，反之亦然；这是目前最广义的套利定价理论，它的特殊形式是：1、在离散模型中，无套利等价于存在等价鞅测度，2、在Itoprocesses中，NFLVR等价于存在等价局部鞅测度(equivalentlocalmartingalemeasure)，而NFLVR可以推出无套利。这里可以参考Ageneralversionofthefundamentaltheoremofassetpricing,Delbaen,Schachermayer，慎入，作者均是泛函分析领域的大牛，教过无数顶尖分析和概率领域的学生，写的文章非常艰深；前者也是鄙人所在学校ETHZurich概率论与金融数学组的退休教授，他们的学术成果请自行scholar.google；笔者的老师用了大约20学时教相关的半鞅知识，20学时教这篇论文)。简而言之，用这两种随机过程模拟价格是可以满足无套利的，因此可以用鞅方法定价，这即是用这两种过程建模的好处之二。在衍生品定价问题中，一般假设underlyingpriceprocess服从例如上述某种随机过程，定价则是利用金融工具的复制（超复制super-replication）等方法，在特定金融市场的假设（比如无套利，或者更特殊的假设NFLVR；又比如自由买卖假设；假设很重要!!!）下求得一个该金融工具的无套利价格，以及对应的复制（或超复制）策略。当然（超）复制问题大概涉及两个数学问题，一个是：optionaldecompositiontheorem，这个定理与最广义的FTAP有着天然数学美感的交互；另一个是随机控制论中的stochastictargetproblem，问题是如何找到一个期初价格和交易策略使得期末payoff被（超）复制。总之，不论在何种方法和假设下，资产定价理论中都用随机过程模拟资产价格。ConcreteExamplesBrownianmotion，这是搞金融数学不得不懂的随机过程，略，请参考：StochasticcalculusforfinanceII,StevenShrevePoissonprocesses，compoundPoissonprocesses在金融数学中的应用之一是：在结构定价问题中，我们假设资产过程除了布朗运动驱动的部分之外，还有跳跃，而跳跃经常是由这两种过程模拟的；更一般地，我们还可以假设资产价格过程服从更广义的跳跃形式，该跳跃形式存在于Levyprocesses,affineprocesses或者continuousstatebranchingprocesses中，一般称作Levy-typejump。Levyprocesses可以看做weakclosureofCompoundPoissonprocesses；Levyprocess区别于Brownianmotion和compoundPoissonprocess的地方在于，Levyprocess还有一项squareintegrablemartingale，它可以理解为是intensity为无穷大、跳跃幅度无穷小（因此有可积性）的compensatedcompoundpoisson，在Ito-Levydecomposition中，它是由可数个compoundcompensatedPoissonprocesses组成的。在模型的微分形式中，跳跃和布朗运动驱动的部分经常是线性存在。关于Levyprocesses，请参考IntroductorylecturesonfluctuationsofLevyprocesses,KyprianouLevyprocessesandstochasticcalculus,ApplebaumRenewalprocesses，Levyprocesses经常被用于金融保险中的Ruin问题，鉴于这已经超越我的知识范畴，在此不详细讨论，一本可能的参考文献是：IntroductorylecturesonfluctuationsofLevyprocesses,Kyprianou除衍生工具性定价问题，在金融控制问题中，一般也假设资产过程价格或者其他相关过程服从某种随机过程。比如在最简单的Mertonproblem中，我们假设资产价格服从多维几何布朗运动。又比如在Jacod和Shiryayev在1993年发表的关于optimaldividend的文章中，公司的价值服从一个带线性漂移的布朗运动减去一个左极限右连续的红利支付过程，然后用一个停时(stoppingtime)使其停止于价值首次为0的时刻。随机过程在金融中也可以描述资产价格之外的过程。比如SDE可以描述短期利率，在此请参考StochasticcalculusforfinanceII,StevenShreve关于伊藤过程驱动的高级利率模型，比如affineprocess，请参考Termstructuremodels:agraduatecourse,DamirFilipovic随机过程还可以描述除了价格、利率之外的金融变量。比如在著名数理金融学家DarrelDuffie写的关于intensitybasedcreditriskmodel的文章中（原文叫creditriskmodelingwithaffineprocesses,Duffie），假设defaultintensity服从affineprocess，则可违约债券定价形式与短期利率下的债券定价有相同的形式和计算方法，只是将短期利率改写成违约强度而已。关于affineprocess，请参考Affineprocessandapplicationsinfinance,Duffie,Filipovic,SchachermayerTransformanalysisandassetpricingforAffinejump-diffusions,Duffie,Pan,Singleton以及以上文到的那本讲Termstructure的书：Termstructuremodels:agraduatecourse,DamirFilipovic在KMV模型中，假设公司价值服从某个随机过程，比如几何布朗运动。以上这两种随机过程在信用风险中的应用均可以在DarrelDuffie的书CreditRisk:Pricing,Measurement,andManagement中找到。随机过程也可以描述衍生金融工具的价格。比如我们知道欧式期权的payoff（在这里是期末价值），同时知道underlyingassetpriceprocess，我们可以论证欧式期权的价格过程满足倒向随机微分方程(BSDE)；如果underlyingassetpriceprocesses满足Markovianstructure，则该BSDE为一个前向－倒向随机微分方程(FBSDE)；其中方程期末条件是payoff，方程生成元(generator)与underlyingprice相关；方程有一对解，第一个解是期权价格过程，第二个解则对应欧式期权在该市场下的复制策略。如果假设underlyingprocess是几何布朗运动，则该BSDE为线性BSDE，其解的形式就是欧式期权的定价公式：风险中性测度下期末值贴现的期望。相关文献请参考：Backwardstochasticdifferentialequationsinfinance:Karoui,Peng,Quenez类似地，BSDE也可以描述效用，称作随机微分效用(stochasticdifferentialutility)，可以参考：Stochasticdifferentialutility,Duffie,Epstein此外MarekMusiela，RamaCont，TomasBjork，ReneCarmona等人也尝试过用随机偏微分方程(stochasticpartialdifferentialequations，可以近似理解为用无穷维随机微分方程或Banach空间取值的随机微分方程)；用SPDE建模就是用SPDE来模拟一个取值为连续函数的forwardratecurve演化过程。这应该就是Heath-Jarrow-Morton-Musiela，请参考：StochasticPDEsandtermstructuremodels,MusielaTowardsageneraltheoryofbondmarkets，TomasBjork,etalModelingtermstructuredynamics:aninfinitedimensionalapproach,RamaContInterestratemodels:aninfinitedimensionalstochasticanalysisperspective,ReneCarmona当时实务中并不需要这么多高深的数学知识。只要能明白概率论，应用随机过程，随机分析（基本内容一般包括stochasticintegral,SDE，特别是与Itoprocesses相关的内容）就能看懂绝大多数常用模型了。如果是做金融数学学术，则额外还需要专攻以下方向中的一个或多个：Levyprocess,affineprocess,backwardstochasticdifferentialequations,semimartingale,stochasticcontrol,stochasticdifferentialgames,stochasticPDE,等。除了概率论，金融相关的数学还涉及偏微分方程（及黏性解），控制论，数值分析，统计计量等。============MonteCarlo===========MonteCarlo最早是摩纳哥赌场的名字，笔者曾在七月造访。『MonteCarlo』算法一般是指，利用随机抽样的方法，获得一些随机系统的统计量或者参数。比如你有一颗硬币，你想知道掷出后获得正面的概率，那么你通过大量试验以后，可以利用获得正面的频率来估计，这也是中心极限定理的结果。金融中的一个应用是，通过MC来模拟多条标的资产的价格走势，代入形式为求概率期望的定价公式就可以求出估计的期权价格的模拟值。此方法则是实现定价的MC方法。将扔硬币和Brownianmotion联系起来的数学定理是Donskerinvarianceprinciple：我们可以想象用硬币反复地大量地投，减小面值(+\epsilon,-\epsilon)，同时减小投币时间间隔(\delta)，那么累积值过程在某种意义下收敛于布朗运动。MC具体还有很多其他金融应用，比如求某一个风险度量下的风险值。============MachineLearning===========『机器学习』是一门学科也可以算是方法。我在这领域涉足不深，曾经学习的是主要基于数据、利用回归分析、贝叶斯理论等方法种决策树并用它投票，用以实现模式识别、分类和预测等问题。具体方法有adaboost，baggingprediction，randomforest等。假设你是银行数据分析师，你有客户的数据，比如年龄，性别，年收入等。如何根据这些数据来简单的构造一个信用分类法则是机器学习的一个简单应用。

3. 一般人学习金融有什么用

1、善于与人沟通，乐观开放的人从没啥技术含量的民间高利贷，到负责资产管理的券商、投行，经纪业务就是需要一张会说的嘴，简单的说就是一名金融销售，能够把金融产品卖给个人客户，高净值客户，甚至是机构客户。当然，销售能力不算是金融行业特有的能力，但一定是赚钱的能力。做销售的人一般都很外向，态度乐观，不能因为被客户拒了一次就伤心落泪，一蹶不振，同事，金融领域很多“撮合”业务，也需要这种外向的人，如金融中介，你找买家，他找卖家，我认识你俩，然后凑合你俩认识，我拿个佣金。
2、数学好的人很多人提到金融的时候，都会想起数学，没错，数学很重要。虽然数学课程在大学挂掉了很多人，但是你没有办法质疑数学对于金融的重要性。一些非常规的金融产品定价方面，比如金融衍生品的设计、销售和购买，以及一些比较复杂的数量化投资分析。如果你的数学好，做这两块就会很有前途。不过，学金融不等于学数学，你不用数学本科毕业，只要能够熟练使用一些数学知识，帮助建模啊，分析就够了。
3、爱学习的人金融没定数，就像资本市场一样，你永远无法知道明天的股市是涨还是跌，只是要考量各种因素，管理风险，把损失降到最低，把收益提到最高。所以积极进取，爱学习的人适合学金融。活到老学到老成为行业共识，不想被行业淘汰的话，停止学习是不行的。圈外人都觉得做金融的人都是学霸，其实，哪个行业里没有学霸呢，金融人比其他行业的人更重视自我提升，尤其是在人工智能开始改变金融业发展的时候，大家争相学习CFA，让自己变得更有价值。
4、不怕吃苦，有野心的人金融工作很辛苦，加班情况严重，但是，但你收到工资到达的短信通知的时候，你会觉得一切都很值得，所以人们才会不断涌入金融行业。如果你喜欢朝九晚五的生活，金融工作确实不太适合你。不是加班就是出差的工作很锻炼人，也很累，但是对于成长和职业发展都很有帮助。你可以清楚的知道，干完这个项目自己挣到很多钱，辛苦这两年，你可以升职到一个更高的位置上。最重要的是，想要实现自己的野心，不管是改变世界，还是给家人更好的生活，金融行业再合适不过。
5、“爱面子”的人论装逼，除了《欢乐颂2》里面的舒展，还有谁能赢得了金融人吗？西装革履陆家嘴，吃饭就要米其林，出差必定头等舱，拍照一定在国外，背景不是名人就是名人的蜡像。这些圈外人看上去像“毛病”一样的生活习惯，其实是既然金融工作的常态。金融行业有种与众不同的气质，这里人美钱多，还有很多富二代，如果你是个爱面子的人，金融业一定可以满足你。这只是金融工作的先天优势，并不是俗套。

4. 国内量化金融方向有哪些好的大学

目前美国的金融类硕士分为三种：　　FinancialEngineering金融工程----金融工程强调数学和计算机背景，申请较为困难，而且就业方向主要为期货、证券等相关高薪但就业机会不多的行业。　　Finance金融-------金融专业申请相对难度要小，但是理论性强、就国际学生而言，就业形势不如其他两个方向。　　FinancialAnalyst金融分析----金融分析专业与市场营销、人力资源管理等专业不同，它的hardskills不论在哪个国家都可以通用，同时该专业的国际学生在美国不仅就业率高，薪水高，而且还相当受人尊重。此外，该专业的硕士学位申请难度要比其他金融类硕士要小的多。但是整体来说，金融专业申请起来还是比较困难的，而且由于将来的资金回报比较高，竞争的比较激烈在加上这个学科本来的奖学金设置就很少，所以拿奖得可能性比较小，如果想要拿到奖，必须有一个很强的背景来支持。　　金融工程是用数学作为工具来解决金融的问题，最为一个新兴的学科，他的发展前景很大。金融工程是一门综合了金融学、数学和计算机科学的交叉学科，其课程通常由大学的商学院、数学系和工程学院联合授课，其课程由于集中于金融领域。所以深度远远超过MBA金融方面的课程，通常包括股票市场分析、投资组合分析、期货和期权、资产定价、资本预算、固定收益分析、利率模型、金融风险管理等课程。金融工程是近年窜起速度最快的科系，研究的范围涵盖计算机、财务、数学与统计四大领域。由於这几年金融环境快速的变化，与科技的进步，使市场国际化，企业的类别也越来越多元化。在这样的环境下，市场需要种类的金融商品，作为投资的工具。面对这样复杂的需求，设计一样金融商品需要财务的概念、数学、统计的辅助，与财务的知识。MFE是专门培养高级金融人才的专项教育。金融工程硕士的课程全部集中于金融领域，申请金融工程硕士不需要有工作经验，但是，申请金融工程硕士要求申请者在大学本科必须修过两门课——微积分和统计，因此不适合那些大学学文科的人们。有的美国大学把金融数学(即金融工程)设立在数学学院里，但是金融数学和数学学院的其他专业相比，又多了金融学这个部分。有的美国大学把金融工程这个专业设立在商学院里，但是金融工程这个专业和商学院的其他专业相比，更加看重的是申请人的数学功底。所以申请人没有很强的数学功底的话，建议你考虑一下金融类的申请了。　　一般我们所说的MASTERINFINANCE是在B—School下面的金融系下面，还有就是MBA的FINANCE管理课程，这些是相对商科性质比较浓的课程，无论是在授课知识还是录取方面比较看重的都是申请人的管理方面的背景。录取的标准也是GMAT而不是GRE。主要培养的也是金融管理方面的人才。但是MASTERINFINANCE和MBA的金融硕士差别还是很大的。MF的录取一般比较容易，而MBA的录取的难度是我们大家众所周知，除了GMAT成绩要求比较高以外，主要的是申请的背景和工作经历，是否有成功运作大公司的金融方面的经验也是很重要的考察点之一。国外金融学和国内金融学有很大不同。国内金融学比较宏观，主要在货币银行学和国际金融，而国外金融是从微观角度即公司金融和资产定价两个方面。因此在国外许多公司的金融教授都是经济系毕业的。金融方面哈佛和宾大，哈佛和UPenn根本没有Finance的Master，只有MBA的Finance方向，没工作经验的本科生肯定是读不了的，Finance不算经济类的专业，和经济学差得很远。中国的金融研究还处于很初级的阶段，本科基本算是文科专业，对实证分析涉及很少，复旦上财这些号称全国Top的Finance比起US差得远了，FinanicalEngineer更是上不了台面，所以LZ如果真的对这方面有兴趣，出去读一个MSF或MFE或工作几年出去读MBA-Finance是很有必要的如果你是去澳洲学金融，应该去学MacquarieUniversity的MasterofAppliedFinance。但是是一个较难读的专业，这个专业受到CFA（注册金融分析师）的认证。

5. 我想转行做金融基金，本来我是学工科的。请问，有哪些自学书籍好的推荐下？

我有以下几个建议

1、学工科的如果你有非常好的数学背景，并且可以熟练使用matlab等软件进行建模的话，你可以尝试向量化投资方向发展。国内外很多在量化投资领域非常成功的人都是理工背景。
量化投资本身对于金融知识的要求并不是非常多，它是一门通过对时间序列进行研究，并对未来进行预测的学科。
推荐丁鹏写的《量化投资》。

2、如果善于和人沟通，并且在金融圈内有一些人脉，可以尝试做基金的渠道或销售。压力大，收入高。

3、从头学起。《会计学》，《证券投资学》，《金融学》，《计量经济学》，《公司理财》，《统计学》。再报名考个CFA，有空的话可以再学学ACCA、CPA。

6. 量化投资 用python好 还是c++

Python是非常适合做quant类工作的语言，本身就是科学计算方面的统治级语言，现在加入了IPython，pandas等重量级神器，为Quant类工作量身定做，而且仍在飞速发展中，以后会越来越重要。

关于其他语言，首先介绍一下我自己最喜欢的一个比较小众的组合，Mathematica+Java/Scala。 Mathematica的优点在于：本身提供函数式的编程语言，表达能力非常强大，比如Map/Reduce是标配，很多时候不需要去做烦人的for循环或下标控制，排版经常可以直接照数学公式原样输入，即直观又不容易写错；代码和输出混排的排版方式使得建模时的演算和推理过程非常流畅，甚至还可以直接生成动画，对于找直观理解非常有帮助（这几点分别被IPython和R偷师了一部分）。Mathematica的缺点在于对金融类的时间序列数据没有很好的内建支持，使得存储和计算都会比较低效，因此需要用内嵌Java的方式来补足，对于数据格式或性能敏感的操作都可以用Java/Scala实现。这个组合在我心目中无出其右，不论是快速建模，还是建模转生产，都远远领先于其他选择。但Mathematica的商用授权很贵，如果公司本身不认可的话很难得到支持，这是最致命的缺陷。另外随着Python系的逐渐成熟，领先优势在逐渐缩小，长远看Python的势头更好一些。

其他答案里也列举了不少其他语言，我自己既做Quant的工作，也做软件开发的工作，这里想从一个软件工程师的角度，说说我的理解。平时工作中会和一些偏Quant背景的人合作，很容易发现建模能力好的人往往在计算机方面基础比较薄弱（因为以前的训练重点不在这里）。他们也可以快速学习掌握一种像C++，Java这样的语言，实现很多必要的功能。但是一方面这些语言陡峭的学习曲线和繁琐的开发步骤会给他们真正要做的工作增加不必要的负担，另一方面一旦涉及到性能敏感的情景，他们对计算机体系结构缺乏理解的缺点就容易暴露，比如说很可能他们没有计算复杂度，内存碎片，cache miss，甚至多线程等概念，导致写出的程序存在相当大的隐患。

即使是计算机功底扎实，如果每天的工作需要在C++，Python，R/Matlab，甚至一众脚本语言之前来回切换，思维负担也会非常重，人的精力是有限的，很难同时兼顾数学建模和底层代码调试这种差距巨大的工作。长期发展下去最可能的结果就是要么远离建模，专心做生产环境开发，要么远离生产环境，专心建模。这种局面显然不论对个人还是团队都是有很大弊端的。

如果深入思考这个问题，相信不难得出结论，对于Quant来说，C++这种相当面向机器的语言肯定不是最佳选择。的确在历史上，它比更面向机器的C已经友好了很多，但是在计算机技术飞速发展的今天，如果还需要Quant大量使用C++做建模类的工作显然是很遗憾的事情。设想一下你拿到一份股票数据，不论你是想分析价格走势，成交量分布，还是波动性，第一件要做的事一定是画出图来看看，有一个直观认识。如果你的工具是C++，肯定有很多时间花在编译，调试，再编译的过程上，好容易能解析文件了，接下来怎么算移动平均？怎么算波动性？全都要自己写代码。再然后怎么画图？这整个工作流简直惨不忍睹，这些问题浪费掉你大部分精力，而他们全部和你真正感兴趣的工作毫无关系。所以如果你是一个数理金融等背景的新人打算开始Quant生涯，在决定是否要投资到这项重量级技术上时需要慎重，即便它目前的市场定价可能仍在峰值。相比之下我认为Python会是更理想的选择，即能很好的完成建模工作，也可以训练一定的编程技巧，使你在必要时也能胜任一些简单的C++工作。

最后同意 @袁浩瀚，不要拘泥于语言，不论学习那一种，对其他的语言还是要抱有开放的心态。另外世界变化很快，你会发现单一的语言分类方式其实是没有意义的，每一门语言在发展过程中都会逐渐吸收其他语言的特性，比如Python本身就既有C/C++/Java那样命令式的特点，也有函数式的特点，像pandas甚至还提供类似SQL的使用方式，在其他语言或系统里也都或多或少包含了不同的特点，可以在学习过程里慢慢体会。

7. 在中国，做量化交易一天的工作是怎样的

做量化交易一天的工作：
8:00~9:00： 打开交易策略，设置一些运营参数
9:00~9:30： 观察策略运转，确保没有问题
9:30~15:30: 解决已有策略的问题并研究新策略，测试新想法
15:30~17:00: 分析交易记录， 确定第二天的交易计划
17:00~18:00: 运动
岗位职责：分析金融市场（期货、股票等）数据，寻找可利用的机会；开发与维护量化交易策略；提供机器学习/数据挖掘相应的技术支持；
岗位要求：1.熟练计算机编程能力，熟练掌握至少一门编程语言，python优先；
理工科背景，具有良好的数理统计、数据挖掘等相关知识储备，熟悉机器学习方法（分析科学问题和相应数据，建立模型和方法，验证模型和方法，应用模型和方法并分析结果，改进模型和方法）；
有处理分析大量数据的经验，并能熟练选择和应用数据挖掘和机器学习方法解决科研和工作中的实际问题；良好的自我学习和快速 学习能力，有工作激情，喜欢金融行业；两年及以上实验室研究经验或研发类工作经验优先；

扩展资料
量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，
极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
参考资料：百度百科--量化交易介绍

8. 金融类含金量高的证书，哪些值得一考