量化研究人員使用了哪些先進的統計技術？
前段時間，我與一家領先的量化對沖基金的代表交談。我們談到了招聘，以下讓我震驚：
該代表解釋說，他們過去曾聘請數學、物理、CS 的研究生統計學家和博士，但近年來沒有這樣做。他們聲稱，他們發現公司使用的統計技術過於先進，並且該類別新員工的學習曲線過於階梯式。不幸的是，他們不准備舉例說明。
有人可以向我解釋他們可能指的是什麼技術嗎？我不是在尋找對戰略的詳細見解，而是公司使用的“工具箱”，這對於研究生統計學家或物理學博士來說太先進了。
圖形模型是否屬於該類別？
大約一年前，我與來自領先的量化自營交易公司之一的量化交易員進行了交談。顯然，他們曾在某個時間點考慮將機器學習技術應用於建模問題。這將包括神經網路、SVR、圖形模型和一堆其他相關的東西。這些本質上是一種統計方法，很像更主流的定量模型，但可以說更先進。然而，由於種種困難，他們此後對這個方向失去了興趣。
這些機器學習方法起源於電腦視覺、控制和人工智慧等領域的工程和電腦科學領域。與金融市場建模中的問題相比，這些領域處理的問題具有不同的性質，因此確實需要不同的範式。太多試圖將這些技術應用於金融的人是盲目的，沒有檢查基本假設是否適合市場，只是“開箱即用”地使用它們。本質上，這些量化人員對這些工具的工作原理了解甚少，無法很好地應用它們。
許多機器學習技術都以黑盒模型的形式呈現（它們並不是真正的黑盒）這一事實也無濟於事。當傳統方法被更好地理解並接受檢查時，沒有一個頭腦正常的體面公司會信任黑盒模型——無論如何，這就是量化交易的重點，將科學方法應用於市場。
這並不是說機器學習不能用於這些目的，我相信有些公司和個人已經通過這些方法獲得了成功。然而，這需要具有適當專業知識的人，這很少見。與能夠正確應用機器學習的人相比，找到具有傳統統計技術工作知識的人要容易得多。當你找不到優秀的人時，你就無法在公司中建立適當的專業知識，你最好尋求其他方式。
然而，我認為這些困難並不是機器學習所固有的，而是因為它在該領域仍處於起步階段。正統的量化金融在開始時也遇到了與這些問題相當的問題，但隨著事情變得更廣泛理解，它變得更加被接受。金融領域的機器學習是一個很有前途的方向，我認為它的潛力很有可能在不久的將來實現。
我相信您的對話對方並不是說應用統計技術的理論性質對於研究生數學/統計/CS水平的學生來說太先進了。我冒昧地假設他/她的意思是，該特定公司專門用於金融交易的應用工具集太先進了，以至於剛畢業的人無法在短時間內學習和應用。
實際上，我相信這有時也是正確的，以防這就是他/她的意思。首先，我認為附在“博士”級別的工作上的術語和污名被高估了。博士課程、論文和答辯僅意味著候選人/持有人專門研究某個主題並進行了研究/閱讀，以使他/她自己熟悉該主題，以便自己開展深化工作對應用類似技術的社區的理解。話雖如此，一個人不必通過自己在特定領域的工作來積累深厚的知識和增加價值來參加這樣的課程。
交易和量化研究需要一套基本/高級工具來理解主題。但是，根據我的經驗，真正的成功與一個人所經歷的學校或學術課程無關，而是與對特定工作的非凡熱情（就像生活中的一切）高度相關，在工作中不斷學習並從他人那裡獲得洞察力市場參與者的想法和行為方式、研究市場結構所花費的時間、健康的風險偏好，但最重要的是對風險回報關係的深刻尊重和理解。
這些技能和學到的知識通常與博士水平的學生在世界象牙塔中學習和接觸的內容一樣複雜，甚至更複雜。恕我直言，許多在大學從事相對理論工作的學生往往缺乏這些技能和能力。我喜歡在我以前的賣方交易櫃檯詢問即將到來的博士或理科研究生，他們有什麼策略想法，他們認為值得追求的東西，研究明智的。我問他們他們會當場向我提出什麼想法。之後大部分時間都是令人震驚的沉默，我立即知道這樣的學生以前幾乎沒有花時間將他/她的任何知識應用於金融市場/時間序列/資產。
恕我直言，這個橋樑/差距比學習研究和研究金融市場所需的工具集更難克服。此外，許多這樣的候選人缺乏商業思維方式，他們認為他們像 1960 年代/1970 年代貝爾實驗室的人一樣進行研究是有報酬的。與其他學科相比，金融領域有效和無效的生命週期要短得多，這是很難教授的，也很難打入一個有點學術傲慢、認為自己可以征服世界的博士。就我個人而言，我遇到了無數來自大學的頂尖交易員，我幾乎從未聽說過，而我（個人）從來沒有遇到過擁有頂尖學校高度專業化高級學位的人，他擊敗了其他人。
長話短說，我相信這就是您的代表的意思和所指的。了解理論工具是一回事，將它們應用於金融和提取 alpha 需要更廣泛的知識，而且是完全不同的事情。