以科研提升能力，做更深入的量化实习​！快来看清华学姐的同款科研~

Researchera

我平时接触的课程&专业基础主要有：本专业的金融与会计课，一些Stats课程，和一些CS、Data Science、Machine Learning的课程。之前有在卖方金融工程团队参与量化资产配置相关的研究工作，暑期也即将在买方开始Quant Trading的实习。

参加这个科研项目是因为，此前仅仅有做Fintech助研和数据科学project的经历，在量化金融的学术科研这块的经历还是较为缺失，因而想利用大三下和大四上的时间，补齐校内和校外的科研经历。当然也是考虑到，学术报告的完成会更为严谨细致，因而可以通过这一轮项目的学习很大程度地提升自己独立完整开发一整个策略的能力，也能体会如何着手去处理量化交易中许多的重要细节与难点。

项目内容主要包括两部分：经典量化策略（尤其是多因子模型的构建）人工智能（机器学习、深度学习）算法的讲解与应用

Helen老师对多因子模型的讲解非常细致到位，很好地总结了业界做多因子模型的整体框架和重要流程，从数据与因子如何去获取和计算，到因子的预处理与清洗、单因子测试、多因子相关性分析，再到如何搭建多因子模型，最后到如何进行投资组合的构建、回测与指标评估，可以说多因子策略的全流程都讲解得非常精细到位。

而人工智能这块则主要讲解了几个经典常用的机器学习算法，如PCA、ICA、SVM、逻辑回归、KMeans、NN以及一些深度学习算法如CNN、RNN背后的原理与推导，并分析了它们可以怎样应用于我们的量化投资中以助更好地构建量化策略。

当然，每节课的最后，老师也会为大家总结量化岗的各大工作方向、实习和申请的准备如何去完成、如何提升自己的量化水平、量化方向可以读哪些书等各种非常有用的tips，都让人受益匪浅。

接下来就是小组project的推进了。小组课题的要求是：自主完成一个多因子量化策略，在涵盖目前经典多因子模型大框架的基础上，尝试加入机器学习算法来做智能选股，以提升多因子模型的效用。

我们组的话是先一起搭建了一个经典的多因子模型，从因子库中筛选了50个因子作为初始列表，并随之对这些因子进行批量的因子测试与相关性处理，最终借助多种因子加权法建立打分法模型并构建投资组合。随后我们在原有多因子策略的基础上，尝试加入了SVM支持向量机的算法来进行智能选股，经过训练集的模型训练和验证集的测试之后，我们将五种不同核函数模型分别应用于样本外区间，并选取所预测出来的上涨概率最高的一定数量股票进行建仓与回测，最终完成了《SVM融入多因子选股》这样一个策略报告。

总体来说，Helen老师的授课内容非常干货，课程设置也很循序渐进，从基础概念、到重点部分量化交易系统的构建、再到量化前沿领域之人工智能与量化的融合。尤其的，多因子策略的构建这块的教学内容几乎涵盖了业界做这类策略的所有重要要点和框架；之后的Machine Learning算法部分，也是几乎囊括了几乎所有的统计学习、深度学习的经典常用算法。

当然，如果可以的话，也希望Helen老师可以抽一些时间，去具体说一下当下人工智能领域的ML、DL算法是怎样应用在量化交易之中，比如说可以具体地去讲解几个ML算法在多因子策略和其他股票量化策略中的实操应用，这样或许可以给同学们以更大的启发。

Helen老师真的非常有理工向大佬的气质，也非常有耐心。在我们项目中期和老师的交流中，Helen老师对我们项目过程中所遇到的问题提供非常详细、到位的解答，也会时常强调搭建策略过程中要特别注意的细节、要点。此外，Helen老师也会向我们传授一些应对Quant实习、Quant申请的相关经验与准备工作（CS, Stats, Quant
Finance部分要怎样分头准备、看哪些书？面试常cue的题型有哪些？等等….）真的很nice，点赞点赞~

Taro班主任也非常负责任而严格——每节课都会及时在群内通知、布置作业任务、总结课程要点，在后期的项目推进中，也会时常在群里push大家，和大家互动，并常常鼓励大家积极参与讨论和分工，在项目结束之后也都会和我们一起深入交流、探讨完成这个project的感受，真的很尽职尽责！

我也是正在做Quant Finance申请准备的人，所以很难说有什么非常成型、完备无误的经验可以总结给大家。那么这里就大致讲讲这方面准备的一些可以采纳的tips吧：

总体来说，整个Quant Finance的准备还是要尽早——尽早明确自己未来要做什么？尽早确认自己是否真的对量化金融这一领域有足够的兴趣。

课程准备：

首先，由于Quant这块要准备的课程非常多，因此在明确自己未来方向之后，就应尽早开始准备：金融和量化交易课程、数学统计课程、编程与数据科学课程这三个维度三管齐下，同时也尽可能保证在这些重要课程上的高完成度。

实习与科研准备：

其次，实习与科研也应当“尽早”开始，Quant的实习会相对难找一些，可以尝试从券商的一些非量化部门做起，比如研究部，之后逐步尝试券商金工团队，再进一步去找买方（量化私募、资管、公募）的Quant Research, Quant Trading实习；

科研这边，也非常鼓励大家做一些量化，或者是机器学习、定量金融、随机分析相关的学术研究，可以在校内找教授进行助研，也可以尽早来爱科研这边参与相关对口的科研项目，都会是很好的学术体验。我个人就是在科研这块推进得有些晚了，所以早早定下Quant Finance申请目标的同学，可以尝试大二暑假或大三下就去推进科研这件事情，确实能很大程度地提升自己的学术能力，整个科研过程是很陡的learning
curve。

面试准备：

其余就是面试准备的事情了，也是“尽早”、“抽空”开始准备，比如：CS这部分Leetcode算法题可以抽空每天做Python数据分析的几个Packages可以抽空反复熟悉绿皮书和150面试题可以抽空每天阅读基本重要的面试常cue的书，如The elements of Statistical Learning, Modern Mathematical Statistics with
Applications可以抽空进行章节整理券商的金工研报可以抽空去挑选几篇阅读

量化金融这块的准备会很繁杂、内容很多，但都可以“抽空”“努力抽时间”去准备。

以上所说的很多事情，包括我自己，也没有完全做到或做好。Quant Finance方向的准备也确实多而繁杂，但总而言之，比较关键的还是“尽早”吧——尽早明确目标、尽早推进课程、尽早开始实习和科研逐步规划、尽早进行面试的多维度准备，一定能保证大家最后有很好的结果的！

许愿part的话，那么就希望自己未来申请MFE和其他相关项目可以顺顺利利吧～～也希望自己之后可以有机会完成更好的Quant Finance相关的Research Project，做到更深入的Quant岗的实习！完成更好科研项目，再做更深入的量化实习