„Money never sleeps." Виждал си хедж фондове, които печелят милиарди на година, и оферти за quant-ове с числа, които изглеждат нереално. Но какво всъщност правят тези хора, има ли го това в България и как се става quant? Аз съм бивш национал по математика, над 4 години в quant сферата - developer в Man Group, преди това в стартъп на Credit Suisse, а още преди това стажант в Citadel. Ето как изглежда секторът отвътре.
Двата сектора на Wall Street
Wall Street има два основни сектора: трейдинг и портфолио мениджмънт. Те са силно свързани (portfolio мениджърите алокират пари в хедж фондове, акции, real estate...), но целта на всички е едно: uncorrelated returns - да печелиш, без значение дали пазарът върви нагоре или надолу. Важното: технологията живее основно от страната на трейдинга. Там се създават алгоритмите. Там Wall Street изгрява.
Трейдинг
Тук е технологията
Hedge funds и prop shops (proprietary trading - търгуват със собствени пари). Тук се пишат алгоритмите, data science, machine learning, много computer science и код. Фокусът на това видео.
Портфолио мениджмънт
Sales & strategy
Allocation и wealth management - къде стратегически да се инвестира. Доста повече sales и стратегия, по-малко чиста технология.
Как се ражда един алгоритъм - 4 роли
Systematic trading компаниите имат ~0% човешки фактор (по-точно: клонящ към 0 - 2008 все пак някой ръчно е спирал сървъри). Целият път от идея до търгуващ алгоритъм минава през четири фази, всяка със своя роля.
1. Idea
Senior quants
Не идеите „коя къща да купиш", а търговските хипотези - откъде може да дойде сигнал (alpha). Раждат се от най-старшите quant-ове.
2. Research
PhD-та по математика
Researcher-и с PhD по математика/CS, често бивши национали, от Принстън, Йейл, Оксфорд, Кеймбридж. Тук са и най-високите компенсации.
3. Implementation
Quant Dev (моята роля)
Превръщането на research-а в реален, robust код, който търгува. Тук работих най-много аз.
4. Monitoring
Аналисти + PM
Търгуват ли добре алгоритмите? Най-диверсифицираният екип: аналисти и портфолио мениджъри (по-техничните, не стратегическите).
Колко плащат - по роля
| Роля | Дял от печалбата | Заплата | Трудност /10 |
|---|---|---|---|
| Researcher | 3 - 15% | $300K - $2M | ~9.9 |
| Quant Dev | ~0.05 - 1% | $200K - $900K | ~8.5 |
| Monitoring / Analytics | 0 - малък % | $150K - $600K | ~5 |
Един алгоритъм, върху който работих, въртеше портфолио от ~$200M. При 7% return това са $14M. Дори при 1% дял = $140K. А ти не работиш върху един алгоритъм - онази година бяха ~12. Затова дял от печалбата >> по-висока базова заплата.
Не ти трябват 50% вероятност - трябва ти betting strategy
Твоята alpha често работи 50.003% от времето, понякога дори 25%. Това пак е печелившо, ако залозите ти са правилни. Пример: 1/4 шанс да спечелиш $100, 3/4 шанс да загубиш $2. Очаквана стойност = (1/4)·100 - (3/4)·2 ≈ +$10 на залог. Печелиш дори когато вероятността е „малка".
От идея до production
Idea → sample data → ако има alpha → full-scale data + backtesting → production → optimization → execution. Full-scale data често е 100GB+ на ден за 7.5 години назад - някой трябва да я onboard-не и да работи безупречно. Тук влиза много сериозен data engineering (готови решения за такива обеми просто не съществуват).
В предишна компания главният researcher беше открил алгоритъм, аз го имплементирах, пуснахме го - и месеци не носеше пари. Оказа се (намерихме го трудно), че в симулациите си беше допуснал, че 600-те series винаги са строго > 0. Една грешна допускане в backtest-а = разликата между да печелиш и да не.
4-те неща, които решават всичко
Code robustness
Каквото и да стане, алгоритъмът да го хендълва и да не губи пари. Имаше случай, в който техническа грешка изгори ~$600M на хедж фонд за минути - и го фалира.
Data robustness
Грешни или липсващи данни = алгоритъмът търгува нещо съвсем различно от това, което искаш. Едно от най-важните неща изобщо.
Backtesting
Има изградени фреймуъркове и цели екипи, които правят само по-добър backtester. Тук стигат basic data science умения за интерпретация на резултати.
Finance background
Под 1% от работата. Никой не пита дали имаш PhD по финанси.
Хората губят адски много време да учат finance. В IMC, Optiver, Citadel има по една седмица orientation, която те учи на всичко нужно - опции, greeks, market making, trading games. Ако правиш option pricing модел, ще те научат какво са опции. Не губи месеци за < 1% от работата.
Реален пример: 50 часа → 5 минути
Имах модел, който смяташе теглата си за ~50 часа и струваше десетки хиляди долари на пускане - нежизнеспособно. Не можеше да се ускори технически без да скочи cost-ът. Решението: свалих точността с 0.03% (от ~100% на ~99.97%) и времето падна от 50 часа на ~5 минути, а цената - на стотици долари.
Точно тези 0.03% при тънки маржове могат да обърнат expected value-то на минус. Затова всяка такава оптимизация задължително се backtest-ва наново.
Тези алгоритми правят пари, когато пазарът върви нагоре, надолу или просто се движи. Затова finance/fintech секторът обикновено е напред - дори след кризи като 2008 се възстановява бързо. Ако искаш bulletproof кариера, действай натам.
Запиши безплатна консултация