关于转行的故事-3 ：从量化到宏观前情提示：
关于转行的故事-1：离开engineering 的日子
关于转行的故事-2：对冲基金
给11年前的自己
我花费了几年时间在engineering 寻觅职业目标，后来转行金融时也继续探索适合我的方向。刚开始，和大部分的MFEers 一样朝着quant的方向去努力，后来发现其实量化并不适合我。机缘巧合下接触了宏观，也确定了外汇的细分方向。回顾过去，我发现自己走了这么多弯路的原因是没有过来人给我提供一些经验和建议。悟已往之不谏 知来者之可追。希望我自己的经历可以对后来人有所启发。
写在这篇的很多想法还都在探索中，不成系统。所以可能会有些琐碎。敬请见谅。
缘起量化
我一开始选择量化也不是深思熟虑的结果。作为一个工科生，而且是不懂编程的工科生，根本就不知道有什么途径能让我转行金融。这点我很羡慕IT工程师，他们基本上可以在各个行业无缝接入，从半导体跳去金融行业简直就跟喝水吃饭一样。但一个搞芯片的/搞内存的/搞电梯的工程师要去金融行业，基本上要从头再来的节奏。甚至就算自己愿意从头再来，也很难说服别人给大龄/不仅没有金融业经验/而且还不是一片白纸的自己机会。
为了敲开这个大门，我自己选择的敲门砖是读MFE。我也发现，很多不是IT出身的
(more...)
量化是小众行业
买方量化投资，就业机会很少。主要是量化的东西不好推广销售，产品，销售部门的人都不愿意推，绝大部分客户（超过90%）也不能理解不能接受。这还是最近几年机器学习如日中天的情况下，10年前超过99%的人不愿尝试。没有业务那就没有职位了。
另外一个因素，量化的固定成本其实比较高，买数据，维护数据库，编程等基础配套都要不小的代价，小公司一般是不玩的。
最后一点，我认为是最关键的，雇主和员工的关系不好处理。你提到的是公司防员工，但员工何尝不是防着公司。员工最好的最有效的策略是不会共享到公司平台的，有赚钱的机器为什么不自己另起炉灶呢。所以你看到的公募基金的量化策略往往吹的神乎其技，业绩基本上不入流，最多中游水平。量化的核心竞争力太容易被复制了，本质是一些代码（估计核心部分不超过100行）。当然有些对冲基金不需要共享代码就解决了这个问题。
作为中国人做量化不算很差的选择。因为这个领域相对非常公平，大部分靠实力说话，你不擅长沟通一样行。而其他的投资相关工作，99%都是拼销售，拼渠道，拼关系。实力基本上是没法评估的，也没人评估。渠道销售人员都是看哪个最容易拿到销售费用，就推那个。中国人做投资，除非在国内，否则天花板很低。宏观投资更是白人的游戏，有一两个成功的吹上天，绝大多数都是靠嘴上吹的投资。
量化就像那些相对公平的竞技体育项目，你要是牛，不用在乎复杂的人际关系，恶心的老板，不公平的公司文化都不能阻挡你大发展。这种职业特性，看你愿不愿意赌了。
另外一个因素，量化的固定成本其实比较高，买数据，维护数据库，编程等基础配套都要不小的代价，小公司一般是不玩的。
最后一点，我认为是最关键的，雇主和员工的关系不好处理。你提到的是公司防员工，但员工何尝不是防着公司。员工最好的最有效的策略是不会共享到公司平台的，有赚钱的机器为什么不自己另起炉灶呢。所以你看到的公募基金的量化策略往往吹的神乎其技，业绩基本上不入流，最多中游水平。量化的核心竞争力太容易被复制了，本质是一些代码（估计核心部分不超过100行）。当然有些对冲基金不需要共享代码就解决了这个问题。
作为中国人做量化不算很差的选择。因为这个领域相对非常公平，大部分靠实力说话，你不擅长沟通一样行。而其他的投资相关工作，99%都是拼销售，拼渠道，拼关系。实力基本上是没法评估的，也没人评估。渠道销售人员都是看哪个最容易拿到销售费用，就推那个。中国人做投资，除非在国内，否则天花板很低。宏观投资更是白人的游戏，有一两个成功的吹上天，绝大多数都是靠嘴上吹的投资。
量化就像那些相对公平的竞技体育项目，你要是牛，不用在乎复杂的人际关系，恶心的老板，不公平的公司文化都不能阻挡你大发展。这种职业特性，看你愿不愿意赌了。
Huasing Association 1999 - 2013