To The Moon

關於寬客的職業前景以及預期薪資水平可參見上文： 量化風雲| 寬客的收入&職業前景（深度&重磅） 如何打造自己的量化“ATM”機 量化存在哪些第二職業道路？ 量化金融仍然是一個有吸引力的選擇，但是來自金融業之外的技術公司對頂尖人才的需求仍然巨大，而頂級人才之間的競爭越來越激烈。與家喻戶曉的公司相關聯並“仍具有影響力”的機會仍然可以得到誘人的報酬，這是技術人才紛紛轉行從事量化行業的原因。 主動管理類基金遇到麻煩全球的投資經理正面臨着巨大的阻力。經過多年的低水平回報之後，機構和散戶投資者開始質疑主動管理的價值，並將資金轉移到低價被動產品和管理者身上。同時，越來越多的監管義務消耗了越來越多的買方人員和預算。在經歷了八年的零利率和過度限制性的投資政策（限制了風險資產的敞口）之後，保險公司和養老金計劃正努力解決資產和負債之間的記錄不匹配問題。自2009年以來，主動基金以及對衝基金通常將虧損歸咎於中央銀行誘導的流動性的低利率制度歸咎於股票和利率的單向市場，這使許多靜態統計策略無法使用，並使持續盈利的選股變得更加困難。由於機構和高淨值投資者減少了對另類資產類別的分配，這種現象也使得對衝基金創造alpha值的能力顯着降低，並最終導致創紀錄的主動基金紛紛關閉和資產管理規模縮水。 有趣的是，在金融行業買方就業人數創歷史新高，很大程度上是由於員工合規部門揹負了越來越多的國家和超國家法規，例如MiFID II。隨着合規人員成本的增加和對不合規的罰款，預算的縮減將留給了由量化策略驅動的alpha策略。在這樣的背景下，以及金融工程專業碩士課程的日益普及，使部分一些讀者開始質疑量化/有限元人才的市場是否已經飽和。 在本文中，我們將研究瞭解除了在量化基金工作之外，資本市場以外行業中的機器和深度學習機會，以及在這類寬客能否應用量化的學習技能於其他的行業中發光發熱。 金融科技 Quants和工程師還發現，在蓬勃發展的金融技術領域，爲投資者，機構和零售投資經理以及銀行開發和部署應用程序和服務的機會得到了補償。從員工的角度來看，金融科技公司正逐漸超過其資產管理客戶的媒體報道和可感知的“酷”因素。全球最大的資產管理公司貝萊德（BlackRock）最近發表挑釁性聲明，稱其阿拉丁（Aladdin）風險平臺將在五年內佔收入的30％（目前爲7％）。黑石的獨特之處在於它既是資產管理者又是技術提供者。 該聲明是默示，資產管理費將繼續受到壓力。 金融科技公司正在研究許多重要且具有挑戰性的用例，涉及機器學習，認知計算和深度學習： 1.固定收益流動性預測和分類 2.首選的交易對手推薦引擎，可從每個訂單和交易中不斷學習3.僅基於機器學習模型的公司和主權信用等級 4.抵押物和保證金預測可以最佳地部署抵押物和現金，同時保持充分的投資。 機器人顧問根據人壽事件和投資者效用函數產生更明智的資產分配使用優化算法進行動態投資組合再平衡，以最小化營業額和交易成本，同時應對經濟狀況和風險因素 在“ FANG”工作（臉書，亞馬遜，奈飛和谷歌） 近年來，Facebook，亞馬遜，Netflix和Google的股價均表現出衆，表現出“ FANG”四家頂尖硅谷科技公司的巨大吸引力。毫不奇怪，這四家公司也是數據科學家和機器與深度學習研究人員的領先僱主。他們要求團隊成員協作並支持其應用程序的實施，驗證和部署。熟悉基金或資產管理公司採訪流程的Quants和工程師爲在FANG和類似組織進行採訪做好了充分的準備。薪資和薪酬數據表明，根據經驗和教育程度，爲類似FANG這些頂級科技公司工作，薪資以及福利水平金融和資本市場中的工作大致相當。獎金，股票期權和僱員所有權計劃極大地混淆了行業的薪資標準。 亞馬遜關於機器學習的職業頁面提到了三個關鍵舉措：1. 預測產品建議（建議）2. 預測產品需求3. 探索大數據以自動提取模式（大規模機器學習和模式識別）亞馬遜機器學習科學職業頁面上的265個職位空缺凸顯了滿足對機器學習和數據科學專業知識不斷增長的需求所需的人才短缺。Quants和FE希望改變行業的機會有很多基於FANG的就業機會。谷歌的TensorFlow於2015年發佈，已經成爲研究人員，工程師和開發人員構建結合了AI和機器學習的應用程序的流行Python環境。谷歌最近發佈了TensorFlowLite，以幫助開發人員在移動環境中部署基於AI的應用程序的小尺寸版本。Facebook研究包括應用機器學習，數據科學，自然語言處理和語音以及計算機視覺。Facebook人工智能研究人員（FAIR）明確提出了開發具有“人類水平智能”的系統的宏偉目標。新興的應用程序包括在不瞭解彼此語言的情況下實時翻譯個人之間的對話，以及能夠識別靜態圖像（例如一小段視頻中的人臉）的算法。 對於打算擔任AI，機器或深度學習研究人員的量子和金融工程師來說，許多行業正在將機器和深度學習應用於解決系統重要的問題。疾病檢測和診斷方面的突破，稀缺資源分配的改善以及對風險的預期和最小化將推動跨多個行業的創新黃金時代。對於寬客們的理想職場選擇：具有強大的統計機器學習背景，廣泛的編程和軟件開發技能的人員。非常適合計算機科學專業的畢業生/研究人員以及願意搬遷到硅谷，西雅圖，洛杉磯和紐約等主要技術中心的人員。 工業和供應鏈優化領域噴氣發動機，風力渦輪機，運載工具和裝配線會生成大量帶有時間戳的經過地理編碼的傳感器和機器數據。預測性資產維護，預測供應鏈中斷以及優化製造流程是主要的用例。由於傳感器的物理侷限性，該數據趨向於嘈雜，需要時間序列平滑和驗證方面的專業知識，並且在開始機器學習之前需要同步多個傳感器數據。建立多交易所實時訂單簿是一個非常有用的量化項目，類似於處理傳感器數據序列。一旦基於無人機的包裹遞送服務獲得監管部門的批准，就會創建並捕獲一波數據，以供機器和深度學習算法利用。實時天氣預報和高空交通狀況爲基礎，產生有效的無人機運輸路徑是研究的活躍領域。密切相關的自動駕駛汽車研究，原型製作和測試正在接受Google，Apple和Tesla，汽車租賃服務Uber和Lyft以及福特和Toyota等傳統汽車公司的大量研發預算。瀏覽這些公司的工程和數據科學職業頁面，突顯了自動駕駛汽車的增長潛力，無論其是空中還是地面。儘管存在許多工業分析初創公司，但IBM和GE在此類不斷增長的應用程序和用例中佔有重要的市場份額。理想選擇：具有航空或機械工程背景以及具備量化背景以及技術的人員，他們在工作中同時使用了傳統的時間序列方法和新穎的機器學習異常檢測。 醫療保健，基因組學和藥物發現領域 爲醫藥保健公司，非營利機構，醫院，醫院，醫院，醫院，醫院，醫院，醫院，醫院，醫院，和大學。機器學習和認知計算正在應用於這些以及其他相關問題。隨着醫療保健消耗越來越多的政府預算，研究人員和數據科學家的潛在收益是巨大的。圖像分析是醫學診斷，藥物發現和臨牀試驗中流行的機器學習應用程序。區分良性和惡性腫瘤的圖像分析或量化由實驗性藥物治療產生的骨骼和組織生長的技術是兩個示例用例。具有地理編碼數據的經驗也很有幫助。示例應用程序包括通過地理座標預測病毒的傳播並瞭解與“癌症簇”有關的鄰近環境因素。機器學習也對基因組學產生了重大影響，使科學家可以超越僅僅尋找遺傳模式和疾病之間的相關性。這些見解建立了遺傳變異的因果解釋，可以幫助臨牀醫生更快地，更有信心地診斷疾病，並使分子生物學家能夠針對越來越多的疾病設計針對性強的基於基因的療法。理想選擇：具有科學背景（物理學，化學，生物化學）並將機器學習應用於其研究問題的人員。也適用於希望將其理論知識直接應用到極其重要且具有智力回報的領域的應用數學家，統計學家和計算機科學家。 軍事與安全領域檢測和阻止存在的威脅可以說是最終的機器和深度學習挑戰。用例包括檢測彈道導彈的發射，將實際導彈與誘餌區分開來，預測不利天氣以及最終地震事件。像醫療保健一樣，圖像分析是一項關鍵技能，在這種情況下，它適用於衛星圖像和CCTV視頻以識別面部並檢測威脅物體。與工業應用重疊的是，這種化學傳感器安裝在隧道和其他易受攻擊的基礎設施的入口處，可產生大量數據，必須對其進行實時分析以檢測大海撈針異常。可以理解，這是機器學習用例和IP中最不透明和最隱祕的一類。國防機構及其承包商是定量和工程人才的僱主，而像Palantir這樣的商業企業也是如此。最適合：具有對象識別背景的量子/工程師，例如那些使用替代數據與基金合作的人員/工程師衛星饋送以模擬全球石油供求。 黃金時代隨着智能系統使城市，政府，組織和公司變得更加高效，具有風險承受能力和創新能力；機器學習和AI將跨多個行業交付創新的黃金時代。定量金融同樣具有很大的創新和發現空間。這不一定需要獲得傳統的銀行，對衝基金或機構資產經理的職位。量子技術的機會比比皆是，工程師們願意探索其他行業和用例。