LO
这个职业有新的已核实记录时通知我 → · 标出哪些任务是你的(VOLO Pro,发布期间免费)→
量化分析师
为交易、定价和风险构建数学模型:研究信号,开发并回测策略,编写量化代码,验证模型,并向交易员、风险经理和监管者解释模型。机器学习早已在许多交易算法内部运行,AI 智能体如今还能编写研究代码、提出信号,一些公司让它们接受与人工研究相同的检验;但基准显示模型在基础风险指标上出错,美国、欧盟和英国的规则也要求由具名、合格的人来设计、批准并独立验证模型。
让 AI 助手为一个你熟悉的策略计算夏普比率和波动率,把它的数字和你的对一对。
这不是失业概率。它把「岗位任务中有多少暴露于自动化」与「采用实际走到了哪一步」合成为一个值 —— 只用于在同一套口径下横向比较职业,除此之外不作他用。
适用于银行、资产管理公司、对冲基金和交易公司的量化分析师、研究员和开发者。金融分析师、数据科学家、精算师和机器学习工程师有各自的页面。证据是一家资产管理公司对其 AI 研究系统的自述、一家市场监管机构对交易公司的调查、一家央行的评估、美欧英关于算法交易与模型验证的规则,以及研究基准;它们确立的是工具在具名公司和测试题上能做什么、规则对人有什么要求,不是量化人员的时间怎样变化。
到底什么在变#
分析单位是任务,不是职位名称。职业不会被整体替代 —— 变的是它的任务构成。
每一格是一项任务。大小是它在这份工作里的分量,颜色是它正在往哪个方向走。点一格,看这个判断还不能说明什么。
公司的叙述是它面向投资者的宣传;监管机构的数字是四家公司自报的;基准是回测,不是实盘。
这些是固定任务的基准和一家公司的叙述;这里没有任何东西测量量化人员现在自己写了多少代码。
这就是你做的吗?认一下,这一页会缩到只剩与你有关的那一份。
职位名只是一组恰好被打包买走的任务,而没有两个人手里的那一组是一样的。什么都不会被发送出去 —— 它只留在这个浏览器里。
近期变化#
欧元区,由欧洲央行监管、使用内部模型的银行。指南期望:使用基于机器学习的内部模型的主要相关人员,具备管理模型风险所需的相关技能、能力与专业知识;内部验证对这些模型的建模决定进行有效质询,评估其复杂度是否合理;机构建立监控,防止重大变更被自动实施。它陈述的是针对银行资本模型的监管期望(「应当」),不是交易研究。
失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
这是一项基准:模型要把策略描述转成可复现的回测,评估了 23 个语言模型。论文报告:最好的模型整体准确率为 67.41%;胜率等较简单的指标准确率较高,而波动率、夏普比率等复杂统计指标在所有模型上都仍是「重灾区」。它是固定基准,不是生产工作。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
这是一项基准:在 12 个策略上测试 17 个模型,把策略规格转成交易系统代码并反复迭代。摘要报告:顶尖模型的有效性超过 91.7%,综合得分很高;迭代也会让代码趋同;对于需要方案多样性和组合稳健性的关键策略,人的监督仍不可或缺。它是基准,不是生产工作。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
Man Group,一家系统化资产管理公司。文章说,它的 AlphaGPT 系统能利用公司的研究工具写出生产级 Python 代码,并能访问专有数据库;迄今它产出的信号达到了公司的标准,通过了与人工研究相同的评估门槛;AI 生成的信号要经过双轨验证。文章没有给出信号数量,是公司在向投资者描述自己的工具。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
这是一个研究框架,由智能体提出、实现并测试因子和模型。摘要报告:它比经典因子库最多高出两倍的年化收益,同时少用 70% 的因子,并在真实市场数据上胜过深度时序模型。这些结果是回测,不是实盘,作者的雇主在发布这个框架。
演示、评测或论文表明技术上能做。它更新的是「技术能力」,不是「企业会怎么做」。
英国。委员会基于与市场参与者的交谈,对自营交易公司和系统化对冲基金的评估写明:目前,凡是部署这类技术的地方,大多以规则化系统加人在回路的方式实施;并提醒,公司里的人类风险经理可能并不清楚持仓背后的原因。没有给出数字。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
英国,获准使用内部模型的银行。监管声明写明:验证职能应独立于模型开发过程和模型所有者;验证应由具备必要技术专长、并足够熟悉使用该模型的业务条线的人员进行。该政策自 2024 年 5 月 17 日起生效。它以监管期望(「应当」)的形式写成,没有测量验证工作。
失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
荷兰,四家大型自营交易公司。监管机构说,它的研究发现,这些公司针对期货、股票等流动性强、标准化品种的交易算法中,有 80% 到 100% 依赖机器学习模型;它期望公司能够解释为什么把订单发到市场;其报告还写明,基于强化学习的交易算法在实践中尚未使用。这些数字是四家公司对传统机器学习的自报,不是大语言模型。
企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。
欧盟,从事算法交易的投资公司。第 5 条写明:算法交易系统、交易算法或策略的部署或重大更新,须由投资公司高管指定的人授权;记录必须能让公司确定每次变更的做出者和批准者;第 3 条要求风险与合规人员具有足以质询算法交易负责人员的权限。它点名谁来授权;不管研究方法。
失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
美国,FINRA 会员经纪自营商。规则写明:凡是主要负责设计、开发或重大修改涉及股票、优先股或可转债的算法交易策略的关联人员,或负责这类活动日常监督的人员,都必须注册为证券交易员;监管通知补充:若公司指示第三方对策略进行重大修改,该指示也必须由证券交易员作出。它点名谁为策略负责;不管策略怎样研究。
失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。
这对你意味着什么#
如果你刚入行,预期 AI 会写你大部分的研究与回测代码,还会提出信号;也预期你的价值在于知道数字什么时候错了 —— 模型至今仍会算错的那些风险指标 —— 以及规则留给合格人员的验证与问责角色。
预期你要审阅和批准的机器生成研究,会远多于你能写出来的,而且要为之负责。在研究中使用 AI 的公司,描述的是让它的产出接受与人工成果相同的检验;设计这些检验,正是经验派上用场的地方。
你的选择#
四个方向,每个都写明真实约束和一个本周可验证的动作。继续做下去也是正当选择 —— 只要它是被选择的,而不是被默认的。
留下来,负责验证机器生成的研究
公司让 AI 生成的信号接受与人工研究相同的门槛;总得有人设定门槛,并抓出错误通过的东西。
在 AI 生成候选方案比人快的地方,研究岗位可能收缩。
让 AI 助手为一个你熟悉的策略计算夏普比率和波动率,把它的数字和你的对一对。
转向模型风险与验证
美欧英的监管者要求由合格的人独立验证,如今还专门为机器学习模型写出了期望。
验证岗位多在受监管的银行里,看重广度而不是速度。
读一读欧洲央行内部模型指南中关于机器学习的部分,列出你的团队已经满足哪些期望。
转向算法交易监督
规则要求由指定的人授权算法部署,并要求有权质询算法交易的人员。
需要注册资格或监管认可,以及对市场规则的了解。
查一查你的公司里谁被指定授权算法部署,他们检查什么。
常见问题#
就现有证据看,不会。AI 如今能编写研究代码、提出信号,一家资产管理公司说它的 AI 信号通过了与人工研究相同的门槛。但基准显示模型在基础风险指标上出错,美欧英的规则也要求由具名、合格的人来设计、授权并独立验证交易与风险模型。
我们不用年数回答这个问题。你可以看一个信号:AI 生成的策略是否开始在没有指定人员授权的情况下上线,以及监管者是否接受用机器验证取代独立的人。今天,这里记录的规则两样都要求。
能做一部分。Man Group 说,它的 AlphaGPT 能写生产级代码,产出的信号通过了它对人工研究的门槛;一个研究智能体在回测中最多达到经典因子库两倍的年化收益。不过在 BacktestBench 上,最好的模型整体准确率为 67.41%,所有模型在波动率和夏普比率上都很吃力。
这里记录的证据指向的是一份在变化、而不是在消失的工作:要检验的机器生成研究更多了,而验证与问责的角色被美欧英的规则留给了合格的人。没有官方预测把量化分析师与其他金融分析师分开统计。
这些判断底下是什么#
这一页上 5 条任务判断里,5 条有已核实事件支撑、0 条是平台推断,每一条都在它出现的地方标注着。它们底下是 2 个技术维度、一条自语言模型进入公众视野以来的回溯轨迹,以及 10 条已核实事件。
同一个职能里的其他岗位#
一家公司先把工作分成职能,再分成岗位。下面这些和这一份工作同在「财务」里 —— 那是一件关于组织结构的事实,不是「它们相似」或者「它们在朝同一个方向变」的判断。
会计 / 记账 · 审计师 · 金融分析师 · 信贷员 / 客户经理(信贷) · 精算师 · 保险核保员 · 理财顾问 / 理财规划师 · 报税员 / 税务代理