quant的类型有很多，其它的不了解，对于基金公司的股票策略的quant，就个人的经历，来回答什么样的技能比较重要。
（1）资产定价。
最近在上Empirical Asset pricing，比较典型的话题有
“Testing the CAPM”（Black, F., Jensen, M. and M. Scholes, 1972,Fama, E. and J. MacBeth, 1973,Fama, E. and K. French, 1992，Jagannathan, R. and Z. Wang, 1996 ）
“Testing Multifactor Models ”（Roll, R. and S. Ross, 1980,Chen, N., Roll, R. and S. Ross, 1986，Fama, E. and K. French, 1993,Fama, E. and K. French, 1996，Chan, L., J. Karceski and J. Lakonishok, 1998，*Lewellen, J., 1999, ）
“Efficient Markets Hypothesis and Anomalies”（Chan, L., N. Jegadeesh, and J. Lakonishok, 1996，Daniel, K., and S. Titman, 1997，Hong, H., T. Lim and J. Stein, 2000,Daniel, K., S. Titman, and J. Wei, 2001，Hou, K., and T. Moskowitz, 2005）
BARRA Model
以上论文应该股票策略的alpha Model 足够用了，现在工业界还有事件驱动策略，因为没接触过，所以就不说了。
So Enjoy Reading。
（2）机器学习＋数据科学（探索式数据分析能力）
之所以，提到这一点，是因为最近two sigma在kaggle 上举办了一个金融建模的比赛，就是给你100多个Fundamental ，technical的指标，共计1400 timestamp，800asset ，170万样本容量的数据，来预测未来的asset return。给我最深的体会是－金融预测真得挑战你对机器学习理解的深度和认知边界。大家都知道在机器学习用于实际预测时，更多的会对根据数据自身的业务逻辑，来做探索似得分析（Exploration& Visualiztion），这个很数据科学。不过这个数据科学是在金融层面的。
这个是结构化预测的一个典型案例，还有非结构化的文本处理。就是NLP on Finance。
（3）New Alpha from Alternative Data
所谓的另类数据就是非上市公司披露的数据。这个方式就是通过挖掘新的数据源来保持alpha的竞争力。你可以想象其实这有点类似于“降维打击”。这个的技能的关键就是数据获取（爬虫）和数据挖掘（大规模的数据挖掘）。
案例：百度的搜索，时空大数据，京东的消费数据，卫星图片数据（监控庄稼－>大豆，玉米期货)
以上 |
转播
