• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
02
Октябрь

Research Analyst или Quantitative Developer? Краткий гид по профессиям в финтехе

Финансовый математик – одна из самых востребованных профессий в мировой финансовой системе. В российских инвестиционных банках до недавнего времени таких специалистов было очень мало. Можно сказать, что в нашей стране оформление финансовой математики как самостоятельной профессии и образовательного направления происходит только сейчас. Какие специалисты скрываются под этим названием, какими знаниями и навыками должен обладать каждый из них рассказывает академический руководитель программы «Анализ данных в финансах» Леонид Меркин.

Research Analyst или Quantitative Developer? Краткий гид по профессиям в финтехе

© pixabay.com

 

Леонид Меркин, академический руководитель программы «Анализ данных в финансах»

В России финансовых математиков принято называть «квантAми» (Quants), поскольку на английском языке семейство этих профессий начинается со слова Quantitative. Сегодня это такие профессии, как Quantitative Analyst, Quantitative Developer, Quantitative Researcher, Quantitative Trader. 

Quantitative Analyst (QA) – финансовый математик, основным направлением деятельности которого является ценообразование и риски деривативов – производных финансовых инструментов, в основном, опционов. Разбуди его среди ночи и спроси: какое самое главное слово в твоей профессиональной жизни? Этот специалист ответит: волатильность, то есть мера неопределенности. Моделирование структуры волатильности, оценивание ее параметров, предсказание ее будущих распределений – это основа основ, исходя из которой строится ценообразование опционов. Для успеха в этой профессии нужно иметь глубокие знания в теории вероятностей, математической статистике, теории случайных процессов, уравнениях в частных производных, численных методах. Внутри QA существуют собственные специализации -- например, по классам финансовых активов: методология работы с инструментами процентных ставок совсем иная, чем с фондовым рынком.Есть такие отдельные направления, как валидация моделей и управление рисками, но в целом QA должен быть готов к решению любых аналитических задач финансовой математики.

Следующая профессия – Quantitative Developer (QD). По сути, это – Computer Scientist, работающий в области финансовых рынков. В его деятельности акцент смещается с математики на разработку математических библиотек, которые реализуют модели и методы, подготовленные Quantitative Analyst’ами. QD больше нацелен на реализацию, хотя тоже должен понимать всю теорию. Главное слово для него – С++. Именно технологии программирования на С++ всегда и везде используются в реализации библиотек моделей и методов финансовой математики. Профессионал в этой области умеет и знает в целом то же самое, что и Quantitative Analyst, но дополнительно имеет больший опыт в реализации наукоемкого программного обеспечения, и обычно именно на языке С++.

Эти две профессии очень похожи и, например, в банке Goldman Sachs разделения на Quantitative Analyst и Quantitative Developer нет – и те и другие называются Strategist. Сотрудником становится тот кандидат, который при отборе показал знания и в математике, и в компьютерных науках, и в инженерии программного обеспечения. Если он не показывает знания хотя бы в одной из областей, его просто не берут на работу.

Очень часто QA и QD – это один тот же человек, который во время работы над проектами может выступать сначала в одной, потом в другой роли. Если этот проект связан с более сложными аналитическими решениями, то в начале он как QA строит соответствующие математические модели. После того, как модели созданы и отработаны на прототипе, их нужно вывести в промышленную эксплуатацию и реализовать в виде системы функций и классов в библиотеке, подготовить документацию – это сделает тот же самый человек, но немножко в другой роли – теперь он QD. Когда в одной команде работают два специалиста, то они все равно тесно связаны: как Quantitative Analyst может предлагать идеи и улучшения для Quantitative Developer, так и наоборот. Они должны общаться не только на уровне формальных письменных спецификаций, как это принято в традиционном процессе разработки программного обеспечения, но и понимать предметную область и задачи друг друга даже не с полуслова, а с полувзгляда.

И при этом, на какой бы позиции ни работал специалист, Quantitative Analyst или Quantitative Developer, он должен понимать реалии рынков финансового капитала и разбираться в финансовой экономике. Тренды, волатильность, хеджирование – эти понятия он воспринимает не как математические или программные абстракции, абстрактные понятия, а действительно понимает, что за ними стоят реальные рыночные процессы и деньги, и знает границы применимости разработанных моделей и библиотек.  

Тренд – главное слово для Quantitative Researcher’а (QR). QR занимаются выявлением и отслеживанием трендов для эффективного управления инвестиционными портфелями. Он составляет портфель так, что за счет антикорреляции риск-факторов можно существенно уменьшить волатильность портфеля. И после этого он интересуется тонкой структурой трендов, анализирует ее и работает над ее улучшением. По содержанию работы и уровню знаний QR ближе всего к Data Scientist. QR должен знать и уметь применять все имеющиеся методы анализа данных, Data Science и цифровую обработку сигналов.

Research Analyst (RA) – это скорее Data Engineer, а не Data Scientist, и его профессиональный статус в целом немного ниже, чем у QA, QD или QR. У RA, как правило, достаточно узкая сфера деятельности – подготовка больших наборов данных для их последующего использования всеми вышеперечисленными специалистами. Для того, чтобы Quantitative Analyst или Quantitative Researcher мог строить свои модели, нужны данные. К сожалению, данные никогда не бывают идеальными. Иногда компании сами записывают рыночные данные, но чаще покупают их у провайдеров данных, для которых это является областью профессиональной деятельности. В данных бывают грубые выбросы, пробелы, и что особенно опасно – искажения отметок времени, в результате чего начинает казаться, что тот или иной набор данных обладает предсказательной силой, а на самом деле это банальное «подглядывание вперед»(forward looking). В высокочастотной алгоритмической торговле важно проставлять отметки времени с точностью до микросекунды. Задача Research Analyst’а заключается в том, чтобы очистить данные от всех изъянов, а если есть такие, которые исключить не удается, например,«подглядывание вперед» очень трудно исправить, то выдать об этом заключение, и такие данные вообще не приобретать, так как от них больше вреда, чем пользы.  

И наконец, QT – Quantitative Trader – это специалист, который одновременно может быть Quantitative Researcher’ом, Quantitative Developer’ом и Quantitative Analyst’ом. Он сфокусирован на построении алгоритмических торговых стратегий, как правило, высокочастотных. Понятно, что QT должен обладать всеми навыками и знаниями вышеперечисленных специалистов. Однако на первый план у него выходит стратегическое мышление. По сравнению, например, с Quantitative Researcher’ом, это более продвинутая стадия карьеры, на эту позицию не возьмут только что выпустившегося студента без опыта работы, даже если он закончил самую блестящую программу финансовой математики. QT реально управляют деньгами. Если Quantitative Researcher допустит ошибку, то это будет просто плохой результат, который не будут использовать. Ошибка трейдера – это прямые убытки компании. 

Одно из важных качеств QT и QR – это очень развитое воображение. Они способны придумывать идеи новых стратегий и сигналов. В одной знаменитой международной компании от каждого QR требуется открывать по два-три торговых сигнала в день, и они это делают. В данном случае трудно обойтись какими-то формальными аргументами, для этого необходимо очень развитое воображение. Они должны быть как писатели-фантасты, но только в финансах, им необходимо много выдумывать. 

Всех этих специалистов объединяет одно – глубокое знание финансовой математики вплоть до последних ее достижений. Например, достижения дифференциальной геометрии конца XX – начала XXI века, которые раньше использовались в квантовой теории поля и моделировании состояния Вселенной через одну миллисекунду после Большого взрыва -- сейчас они перекочевали в финансовую математику и применяются в глобальном инвестиционном банкинге, так как с их помощью решаются задачи построения плотностей распределения сложных случайных процессов. Любой мировой инвестиционный банк – Goldman Sachs, JPMorgan, Citi, Barclays, Deutsche Bank, Merrill Lynch, наш ВТБ Капитал – все строят у себя математические модели и библиотеки программного обеспечения на С++, в которых применяются  решения, основанные на достижениях не только математики, но и других наук. 

Различия и сходства, уровень компетенций и знаний всех вышеперечисленных специалистов можно представить в таблице. В ней уровень необходимых компетенций представлен, где возможно, в баллах по 5-балльной шкале.

В нашей программе «Анализ данных в финансах» мы уделяем большое внимание дисциплинам в области финансовой математики и интеграции их с предметами из блока компьютерных наук, развитию аналитических навыков, стратегическому мышлению и наработке базовой профессиональной интуиции. Благодаря этому наши выпускники уверенно смогут претендовать на позиции Quantitative Analyst, Quantitative Developer и Quantitative Researcher сразу по окончании программы.