京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-08-24 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-08-21在数据分析与数据可视化工作中,直方图是展示数据分布特征、离散程度、集中区间的核心图表,能够直观呈现数值数据的频次分布规律 ...
2026-08-20