P Quant 和 Q Quant 到底哪个是未来？

最近听到一些朋友言论认为Q Quant正在走下坡路，研究risk neutral pricing和随机建模越来越少，相反，在physical measure下，不管是监管方面要求的credit modeling还是买房越来越多研究大数据，machine learning导向的算法交易变得越来越普遍。放眼望去，job posting也可以看出，传统pricing quant少之又少，只有几家金融科技公司在招人，而各大行往往走validation和strategist方向。
在这里问问各位大牛看法，希望大家各抒己见。

热心小回应 · 2020-12-16 13:57:50

首先确认下问题：P quant和Q quant哪个是未来是指行业发展规模？升值空间？就业难度还是别的什么东西？

实在抓不住问题是什么，又有机会在两边短暂的带过，那么就简单说下我对这两块的理解。

首先两便所需要的专业技能重合度有一些，但是挺不同的。
Q那块使用的大量的随机过程，借助蒙特卡洛模拟和偏微分方程定价和计算希腊值，编程的话也有要求，但是大的投行还是会招收数学专业的学生去写相应的程序。问过老大为什么不招IT的直接培训下数学，老大说相比较而言IT容易培养一些，使用的编程语言在非系统学习的情况下也是可以维护的。但是相比较而言数学这边基础不到位想补上的话需要的时间成本会很大很大。

P这边使用的技能就是个万花筒，即使是量化，也很不相同，比如说有统计套利的，信号分析的，趋势追踪的，中值回归的，还有结合基本面的量化分析，不需要什么Q那块的知识，因为交易的品种都是流通非常好的衍生品，所以形式简单，多为delta one的产品。有一些期权的，但是还局限于交易所里边的产品，而且期权交易员不会使用新的或者复杂的模型，也即是说有个black sholes，在加个波动率的模型就可以啦。为什么要波动率？因为期权这个很多时候交易员交易的是volatility，所以需要自己的模型来判断市场的vol偏高还是偏低。所以不怎么涉及概率，蒙特卡洛和偏微分的东西。碰到过的exotic trader，貌似大部分都在大投行里边。量化对冲基金使用exotic option？见识有限，还没碰到过。
P这块所使用的IT技能分两块，因为不像是投行里边的Q quant需要去维护pricer，所以分为专业的IT和搞策略的所需要掌握的IT。做策略的需要的IT技能要求是在Q之下的，因为什么语言都可以自己选，哪怕是R，matlab这样的工具也可以（虽然R，Matlab是计算机技能，但是不敢认可其是编程语言，个人觉得他们是以excel一样的工具形式存在的，相比较C++等还是有很大的区别的）。专业的P IT更加注重速度，所以要求还是很高很高的，也有很多这样的IT说自己是P quant或者 quant dev的，但是实际上专注的东西很不一样，更加偏向developer，量化方面的涉及多少因为不了解所以不做评论。

职业发展的话两个也挺不同的。但是一般从投行入门还是一个常规线路。也有很多PHD直接去了量化对冲基金的，条条大路通罗马。
Q 这块因为业务主要在投行里边，所以门槛还是有的，目标院校和专业肯定是存在的。比如伦敦金融街上的quant一半都是法国人，简历上贴个NB的专业名字一般都会换来一个面试。当然这个是道听途说。有幸在巴黎一投行的quant组工作过，整个组40多个人，一半左右都是法国排名第一的那个量化专业的出来的，当然PHD的比例也很高，接近50%，很多博士做了一段时间助教过来的。当然组里每个小组的专注业务还是区别很大的，其中近一半都是处理市场数据偏IT的。
后期发展的话因为这个行业已经很成熟，所以晋级机会比较受限，不过如果仅仅只是关注钱的话报酬还是可以的，其次工作压力小，因为不直接面对交易，不承担太多风险。
问我老大为什么做quant在巴黎不去伦敦?他说巴黎压力小，节奏适度，可以更好的平衡生活和工作。另外我发现去quant组做free lines的consulting貌似报酬很高（投行付的钱应该是自己员工的4-5倍，但是没有奖金和福利，工作压力稍微大一些，但是时间也自由，说走就的旅行是可以有的，自己就是自己的老板），相应的不稳定，投行可以随时停合同，但是内部员工的话投行想结束合同这个问题就非常的麻烦，这也是为什么投行即使愿意找consulting也不愿意招人。

P 这块能聊的可能只有research这块，带头的一般都是在大基金公司或者投行自营部出来的，带着一些新手research搞策略。门槛的话不好说，现在机器学习很火很火，再加上挣钱这个东西市场会给最直接的反馈，挣不挣钱一眼就可以看到，所以不管黑猫白猫，能抓到老鼠就是NB。所以来说大的hedge fund要求还是很高很高的，能进一个业界响当当的hedge fund，比如citadel，jump trading，难度比进世界top 10或者本国top 3的投行要难。当然另外还有很多小的hedge fund是比较open的，愿意给更多的机会。可能会有一些抱团的现象，比如喜欢招校友，自己不了解所以不多说。
发展而言的话，research在有了自己的策略之后是可以拿策略提成，所以有种一般不开张，开张吃几年的情况。压力不小，因为没有策略的时候还是很焦灼的，在加上政策，和现在策略更新迭代，有效盈利期也越来愈短。后期发展有可能一直做策略，也可能成为基金经理。
IT那块的话自己不了解，所以不多说。

两者的市场规模趋势？
这个问题其实回答了相当于没有回答，08年的经济危机使得Q的需求没有之前那么高，但是之前的那些衍生品还是存在的，所以需要这样的人才去维护之前的定价系统，导致Q成了一个概率，数值分析和编程相结合的岗位。再次爆发性的增长不知道，国内现在去年开放50etf 期权，称为期权元年，后边发展怎么样看不透，所以不乱说话。现状是市场不大，同时竞争非常激烈。市场上毕业1，2年还在找工作的也大有人在。
P的需求相比较Q应该更强，缺人才，不缺大部队。一般量化私募十几个人，有一半做research已经很多很多啦，再加上量化私募在中国还是很小众的存在，所以真正做这些的真的不多。而且做这个的一般不会说自己做这个，说自己做这个的一般不做这个。另外还有很多公募，券商做research的，不过他们不叫自己的quant，他们说自己的是金融工程的。券商的靠出报告，排名什么的。收入很高，很高。自己了解的理想的职业线路是毕业先进公募或者券商，因为是大机构，压力小，有时间静下心做研究，报告的话出点边缘的东西就可以啦，核心的话应该不会报告出来吧，毕竟是自己将来吃饭的家伙。相应的大机构门槛很高，碰过过一个国内金工新财富第一的团队中的一个人，聊过之后觉得自己还是too young too simple, always navif。进门的时候看了下前面来访的登记，清一色清华，一个北大。之外真的没有别的院校啦。

PS:
其实这两个方向都很有趣，争个谁强谁弱没有什么意义，因为不同所以没有办法比较。选择方向的话就按照自己的兴趣来定好啦。被选择的话就别想那么多，有人要就很不错，因为市场真的竞争很残酷。个人建议有机会还是先在自己简历上印几个大机构的名字，这样子职业线路会稳妥很多。
钱途而言，真的想挣钱还是不要入行，因为能挣钱的机会太多了。

最最后建议，做自己喜欢的事情。多少人因为钱入了这个行是因为真的喜欢？我记得面试的时候说自己喜欢和（shi）最（ji）聪（shi）明（gang）的（bi）人（ye）一（wu）起（xing）工（que）作（jin）。就像是某度CEO喊着不忘初心，做的却看（zhuan）不（zhu）到（yu）初（li）心（yi）。我想他也有苦衷，和我类似，诚实点就会活地很艰难。

热心小回应 · 2020-12-16 13:57:51

这个被讨论了很多遍的话题咋那么多人邀。。。好吧谢邀

trading界基本都是p quant，因为很少用stochastic这种东西。q quant主要在sell side，之前被裁的都是这帮人，唔，现在街上找不到工作的还是他们。

这也不是说q quant就没需求，一般做research还有exotic比较多（当然他们是不是在扯淡你就自己判断了）。当然quant整体的就业也是处于下滑的情况。至于哪个有未来，这真不好说

从理论上说q和p的区别在于q重要的是reasoning，你必须弄一个可以自洽的体系，不能搞出自我矛盾的东西。比如说在实际经验中，做treasury futures的trader都喜欢用yield，但是在数学上你不能这么搞，你必须calibrate一条interest rate曲线出来，或者说弄一个fwd rate曲线出来，然后严格的根据hjm框架进行建模。这是因为quantitative的一切理论基础基于non-arbitrage，否则你搞出来的东西就不满足理论框架——例如余项的独立随机性和高幂下的稳定性会受影响（很多模型的余项在高幂下是发散的，这和正态分布的理论相违背）。但在实际经验中，如果你有交易所的数据，你就会发现真实数据是很难满足理论要求的，比如说garch吧，你很难发现余项会满足模型的基本要求。再比如说options的定价，就算你把levy process用上搞很多fancy的model也很难弄出稳定的参数——所以大家还是用BS，弄一堆vol surface出来。所以对交易员来讲，从头开始用理论推导定价（q quant）就和用cash flow来对股票定价一样不靠谱，因为这是个事倍功半的事情。所以p quant给人的感觉就是“简单粗暴”，我搞出的model就算不稳定不要紧，只要差不多正确，能赚钱就可以，错了的话直接stop loss就行了，反正没有model是永远正确的。

热心小回应 · 2020-12-16 13:57:52

P是近战英雄，Q是法力英雄，前期Q很厉害，后期全靠P撑场面。
不过，我这水平肯定是Q了，希望P派们手下留情。

热心小回应 · 2020-12-16 13:57:53

两个需要不同高阶量化技术的独立分支：

对衍生品定价的“Q Quant”，其目标是“推断现在（extrapolate the present）”
对风险和组合进行量化管理的“P Quant”，其核心是“对未来建模（model the future）”。

第一部分：各自所面临的目标和挑战。
第二部分：两者交叉的部分：风险溢价的概念、所使用的随机过程（虽然在“Q Quant”和“P Quant”中有着不同的名称和假设条件）、模拟这些过程用到的数值方法、对冲以及统计套利。

一、Q Quant——衍生品定价
1下表是对Q Quant——衍生品定价的一个简要总结。

衍生品定价的目标：确定一个给定证券的公允价值，就如同那些流动性充足的证券，其价格是由供求关系决定的一样。
典型的例子包括，奇异期权（exoticoptions）、抵押贷款证券（mortgage backedsecurities, MBS）、可转债、结构化产品，等等。
衍生品定价为的是获得某个证券当下的市场价值，也是卖方的主要工作。
量化衍生品定价
Bachelier：1900年提出，布朗运动，应用于期权的定价。
Merton（1969）以及Black和Scholes（1973）：几何布朗运动，引入期权定价。
Harrison和Pliska：1981年提出，资产定价的基础理论。他们认为，如果证券当前的价格P0是无套利空间的，也就是真正完全公允的，当且仅当描述该证券价格未来变化的随机过程Pt的数学期望等于P0。即，P0=E{Pt}，t≥0。满足上式的过程称为“鞅”。鞅并不对风险给予回报。因此，证券价格所服从的随机过程的概率测度被称为是“风险中性”的，通常用字母Q表示，这也是“Q Quant”这一名称的由来。此外，由于上式对任意时刻t都成立，所以用于衍生品定价的随机过程自然也都是建立在连续时间的框架之上的。
那些从事Q Quant——衍生品定价的金融工程师，对其建模的特定产品都有着极其深入的了解。每一个证券都是被单独定价的，因此本质上QQuant中的问题都是低维的。
校准（calibration）是Q Quant所面临的一个主要挑战。因为，一旦一个连续时间的随机过程模型被校准后用于一系列已经流通的证券，那么它也应当被用于对类似的新上市衍生品进行定价。
处理连续时间Q-过程的主要量化工具：随机微积分和偏微分方程。
二、P Quant——风险与组合管理
2下表是对P Quant——风险与组合管理的一个简要总结。

风险与组合管理定位于在某一给定的投资范围内，对市场价格建立概率分布模型。
买方的主要工作：基于真实的分布，决定证券的仓位以改善组合的收益-风险特征。
Markowitz（1952）：均值-方差体系。
Treynor（1962）、Mossin（1966）、Sharpe（1964）、Lintner（1965）和Ross（1976）：资本资产定价模型（CAPM）和套利定价模型（ATP）。
它们都假设概率分布P是已知的。但在实际操作中，P必须从可获得的市场信息中估计得到。而信息的一个主要来源便是历史价格的变化以及其他一些金融变量，这些都是在离散的时间点上采集并记录的。
估计（estimation）是P Quant所面临的主要挑战。对离散时间序列的分析需要高阶的多元统计和计量经济的技术。值得注意的是，在风险和组合管理中，估计市场上所有证券的联合分布函数非常重要，每个证券不可能像在QQuant中那样被单独考虑。因此，降维技术，如，线性因子模型，在PQuant中扮演着核心角色。
为了解决上述问题，近年来，PQuant也成为了金融行业中的一个重要岗位。而那些原本用以训练QQuant金融工程师的硕士项目也越来越多地加入了PQuant的课程，以满足市场的需要。
三：P vs Q：金融工程两大分支的异同一文展示了P Quant和Q Quant在理论上的诸多差异。但在实际中，两者的共同点多不胜数，在多个领域都有着频繁的交叉。
1风险溢价
从数学意义上来说，风险中性测度Q和真实概率测度P只是对同一个金融变量的同一个可能的结果赋予了不同的权重。从一种概率权重到另一个的转移就是所谓的风险溢价，而反过来说，也正是人们对风险溢价的认知在原则上允许了这两种测度的转换。但遗憾的是，正确估计风险溢价至今仍然是一个极具挑战性的工作。2 随机过程
随机过程不论在P Quant还是Q Quant中，都是量化模型的支柱。虽然Q Quant关注的是连续时间的风险中性过程，而P Quant以离散时间的过程为主，但相同的数学模型在这两个领域都有广泛的应用，只不过假设条件和名称可能有所区别。下表总结了这些随机过程的主要特征。

（1）基础假设：
最基本的离散时间随机过程是随机游走，它是一系列独立同分布的随机变量在时间上的和。
随机游走是风险和组合管理中，对利率和股票的对数价格建模的基准假设。
在连续时间的情况下，随机游走变成了Levy过程。布朗运动是最著名的一类Levy过程，也是期权定价的基础。类似地，泊松过程作为另外一类最简单的Levy过程，广泛地应用于信用产品的定价中。
（2）自相关性。当金融序列不是一系列独立变量的和时，就会存在自相关。
在离散时间的情形中，标准的建模工具是自回归移动平均模型（auto-regressive-moving-average，ARMA），它深受买方计量经济学家的推崇和喜爱。而ARMA过程的连续时间形式就是Ornstein-Uhlenbeck及其相关的过程。其中，由Vasicek（1977）以及Cox、Ingersoll和Ross（1985）命名的两类特殊的Ornstein-Uhlenbeck过程，是卖方债券定价业务的核心工具。
（3）波动率的聚集性：高波动或低波动倾向于聚集在一起出现。
在离散时间的情形中，买方的P Quant金融工程师用GARCH及其变型捕捉这一特征。
而在卖方的Q Quant业务中，对波动率的聚集性建模的最主要方法则是随机波动率模型。
3数值方法
上述讨论的这些理论上的随机过程在实际应用中都必须通过数据形式呈现出来，而实现这一目标的两类最流行的数值方法就是“分类树（trees）”和蒙特卡洛模拟。
“分类树”本质上是一个可能的结果不断膨胀的随机过程。今天的状态将导致明天多种可能的结果，其中的每一种又会引发后天的多种可能，并以此类推。由此可见，使用“分类树”方法，结果的数量会随着时间的推移而增长。
对蒙特卡洛模拟而言，每一个随机过程可能产生的结果的数量，也称为路径，在模拟过程中是保持不变的。
计算效率更加低下的分类树：面临重要决策时使用
蒙特卡洛模拟：需要获得随机过程分布的时候应用
因此，在P Quant——风险与组合管理中，分类树被用来设计动态策略，而蒙特卡洛模拟则被用作管理风险，例如计算在险价值（VaR）。
在Q Quant——衍生品定价中，分类树可被用来对美式期权定价，因为它可以在到期日之前行权。而蒙特卡洛模拟常被用来对亚式期权定价，因为该类型期权的行权价为到期日前某一特定时间段内标的资产的平均价格。
4 对冲
对冲是P Quant和Q Quant直接交叉的又一个典型案例。
对冲的目：保护某一给定头寸的收益免受一系列风险因子的影响。因此，对冲是一个P Quant的概念。
但是，为了确定买入或卖出对冲工具的数量，投资者必须计算给定头寸和对冲工具对风险因子的敏感性。
而这些敏感性就是众所周知的“希腊字母（Greeks）”。最基础的“希腊字母”就是写在给定证券上的期权的“delta”，它也是期权对标的证券的敏感性。期权的delta告诉投资者需要卖空多少标的以保护所写的期权价值免受标的波动的影响。
希腊字母是从Q Quant的定价模型中计算得到的，随后在P Quant中被用来进行对冲。有趣的是，Q Quant中的定价模型同样也可以基于P Quant中对冲的概念来获得。
5 统计套利
在统计套利的领域，Q Quant也已渗透到了P Quant之中。两者相互交叉应用的具体步骤如下。
首先，Q Quant中的模型被用来寻找当前证券价格中的定价误差。其次，被错误定价的证券价格最终会收敛于Q Quant模型的预测值（见下图）。

因此，P Quant中的预期收益，或者称为“alpha”，就可以通过比较当前的错误定价和Q模型的预测价格来确定。
第三，如果alpha是正的，则建立多头头寸，即买入定价错误的证券；反之，则建立空头头寸，即卖空定价错误的证券。
其实现阶段的很多量化平台，比如优矿、聚宽、掘金、果仁等还是P Quant为主，毕竟建立在历史数据上的策略更加靠谱。

热心小回应 · 2020-12-16 13:57:54

从大学（确切说是初中）接触金融开始，我一直奉行Q Quant，所有获奖的论文和模型全部都是站在发行机构的立场设计的基于Arbitrage Pricing Theory完成的，模型大都是单个风险高，组合起来能帮助投资人对冲所有现有风险的衍生品。而P Quant大部分是要用到Monte Carlo模拟的项目（虽然有的Q也要，但我是尽量避免了）。虽然理论物理学偏向波尔而不是爱因斯坦，相信上帝是掷骰子的。但是对于金融，我是一个彻彻底底的晚期Risk Aversion癌症患者，我不在乎为了这些利率去承担多少风险，我在意的是怎么不承担任何风险去利用杠杆头寸、时空差去套利。一边喊着口号说历史数据不代表未来业绩，一边利用历史数据去做分析，我不要精分。。。对于未来发展，可能真的像楼上几位所说的，P强一些吧。