阶段1行业与职业●●●●●

量化岗位地图：五种quant，五种人生

我的掌握程度：

q-077精讲

先掌握这个答案

五岗位地图：①因子研究员（Alpha Researcher）：挖因子、做检验——统计+市场直觉+Python，私募主力岗；②数据研究员：另类数据评测清洗、特征工程——工程+统计；③量化开发（Quant Dev）：回测/交易系统、低延迟——C++/Python工程，代码硬核；④交易员/PM助理：监控实盘、执行优化、人工干预——市场感觉+快速反应；⑤风控quant：风险模型、限额体系、压力测试——严谨+监管知识。

先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。

从理解到使用

把结论换成可核查证据

展示问题、数据版本、实验方法、基准与失败复盘；数字对应可复现报告。岗位分工、薪资和时间线随机构与年份变化，以当期JD和正式沟通为准。

本阶段实战方法 · 把行情数字变成可比较的收益

看股票、基金或策略业绩时，先对齐本金、起止日期、现金流与费用。

选一个固定区间，记录期初价值、期末价值、分红、出入金和交易费用。
没有中途出入金时，用（期末价值＋已取出分红－期初价值－费用）÷期初价值计算收益；有出入金时先区分时间加权与资金加权。
用相同区间的基准作比较，同时记录最大亏损；不要单凭一次盈利评价能力。

使用边界

不同期限的收益不可直接排名；年化只是换算，不是未来收益承诺。
模拟价格不是实时行情。普通股票交易手数、T+1和费用应按具体市场规则核对。

不懂的术语：Alpha（阿尔法）压力测试（Stress Test）因子（Factor）Alpha 信号（Signal）另类数据（Alternative Data）回测（Backtest）特征（Feature）

背景 · 从一个困惑说起

「我想做quant」——这句话背后至少有五种完全不同的工作：挖因子的、洗数据的、写系统的、盯盘的、管风险的。技能栈、日常节奏、薪酬结构各异。

由此产生的问题

主要量化岗位的职责、核心技能和发展路径分别是什么？怎么判断哪类岗位适合自己？

核心概念

为什么需要它

①避免「入错行」：五种岗位的快乐与痛苦完全不同（研究员的失败率vs开发的交付压力vs交易员的盘中紧张）；②技能规划：不同岗位的刷题/项目/实习侧重不同；③内部流动：研究员→PM、开发→架构师/CTO、交易员→PM是常见升级路线。

实际应用场景

自我匹配法：喜欢「提出假设并验证」（科研感）→研究员；喜欢「造工具解决工程问题」→开发；喜欢「数据考古」→数据研究；喜欢「实时对抗」→交易员。本课程的阶段5-9偏研究员路线，阶段4/8兼修开发能力。

与之前知识的联系

q-075机构×q-077岗位=二维职业坐标系，你的求职定位就是这个坐标系里的一个点。下一题起逐个岗位深入日常。

⚠ 常见误解

quant=挖因子：因子岗曝光度高但人数上开发岗更多；系统是策略的载体
交易员=下单员：现代量化的交易员是策略监控者+执行研究者，人工下单极少
岗位选定不能换：内部转岗常见（研究员转开发难、反之较易；交易转PM看业绩）——先入圈再优化

🤖 AI导师

导师会先检查你的前置知识（机构版图、买方卖方），再用案例、公式和代码帮助理解。此功能需要先启用服务。