
面临“黄金机遇” ,量化投资人才急缺
进入2018年,量化投资策略在A股市场上的表现有所回暖,不少基金公司开始密集布局量化产品,量化投资基金再次成为市场宠儿。
然而,在市场一片暖意浓浓之下,也当看到,基金管理及其投研的高质量人才的队伍建设并没有与行业发展相匹配。
如何才能摆脱“人才荒”的困局,继续前行,成为值得行业上下思索的关键问题。
黄金时代将临经历2017年的整体受挫,公募基金市场上再度掀起量化产品发行热,量化基金发行规模及成立速度明显回升。
同花顺iFinD数据显示,截至2月27日,今年前两月共有18只(A、C份额合并计算)量化基金成立,而去年同期量化基金产品成立数量仅有5只。
从新成立量化基金首募规模来看,今年2月成立的景顺长盛量化小盘股票基金首募规模超17亿元,成为今年发行最大规模体量量化基金。另外,嘉实润泽量化定期混合基金也以超10亿元募集规模榜上有名。此外,还有多只量化基金产品首募规模超5亿元。
业内认为,今年以来量化基金超七成产品收益率跑赢同类产品行业平均的表现,是造成这一火热势头的最主要原因。今年以来,多只量化基金业绩表现优异。如天弘量化A、C份额年内收益率分别为8.53%、8.46%,高于同期普通股票基金-0.73%的收益率,长盛量化红利混合基金、信诚量化阿尔法均高于平均水平6.67、5.84个百分点。
在40多年的发展历程中,虽然历经反复和挫折,崛起和衰退,得益于近年来对于各种算法投资策略兴趣的持续升温,华尔街量化投资的规模和交易量占比持续上升。
对冲基金研究机构HFR数据显示,美国量化对冲基金管理的资产金额在2017年10月底超过了9400亿美元,几乎是2010年水平的两倍,2018年这一数字将超过1万亿美元。
规模方面,截至2017年末,我国各类量化基金总规模已超过5000亿元,在权益类基金中占比接近35%。
但从目前国内整个公募基金市场的比例分布看,量化基金目前占比4.35%,还算不上主力品种。同时,和国外动辄管理规模数百亿美金的基金相比,国内最大的不过是几十亿人民币,量级相差百倍。
在东方基金量化投资部总经理刘志刚看来,随着A股股票数量的逐步增加,量化方法会被更多引入到上市公司研究和投资决策流程中,更加有助于提高选股效率,也能在更大程度上分散投资风险,在国内有十分广阔的发展前景。
人才瓶颈待解经过十余年的培养,量化投资理念逐渐为国内投资者所接受,市场上也不缺乏敢于承担风险的资金。在金融改革加速、金融效率提升、衍生品市场新品不断等因素的叠加下,中国式量化对冲基金的黄金时代,大幕正在开启。
据深圳一位量化基金经理透露,不管是在公募基金还是在专户业务,中小基金公司都更愿意发展量化。量化人才的价值正在逐渐体现出来,薪酬开始有上升的趋势。
在某知名招聘网站上,券商、基金、险资等对量化投资经理、分析师等人才的需求十分旺盛,两个职位的待遇都高达25000元以上。
各招聘企业十分看重人才的综合素质。基岩资本副总裁黄明麒认为,在国内量化投资行业还是在起步时期,所以对从业人员的要求是,不仅要会编程,还要懂金融,同时要有一定的金融投资经验。
对于将来的投资中先进的计算机技术是否会取代人工的问题,黄明麒持否定的观点,“可能会取代小量的人工操作,可是机器绝对不会完全的顶替人工”。
这是因为,建立量化模型需要拥有方向正确的交易思想的人才来完成,只有这样写出来的程序才有可能盈利。而且,量化模型是需要不断修正的,并不是具有一个可以创造正收益的量化模型就意味着具有了一部能够印钞票的机器。市场每一天都在变化,想要确保量化模型可以适应市场的变化,就一定要具有一支研究队伍不断地捕捉新的信息,同时添加到模型中去。
目前,国内的量化人才主要有两个来源:一是从海外成熟市场归国的海归人才,这类人才拥有丰富的经验,但对国内市场缺乏了解;二是国内培养的人才,因国内量化发展还处于萌芽期,对这类人才的培养起步也比较晚,因此这类人才往往比较年轻,缺乏经验。
相比于美国等量化投资已成为市场主流的国家和地区,国内在量化人才培养方面已经展开探索,但尚无成熟的经验。如何满足产品成立和发行带来的人才缺口问题已被摆上日程。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30