研究殊途同归，坚持源于热爱 | 我的研究感悟与思索
科技
2023-2-2 19:44
303人浏览
0人回复
摘要
我是王超，中信建投金融工程团队研究员，2021年加入中信建投。博士期间从事粒子物理的研究，厥后机缘偶合下转行从事量化研究，于我而言，从科研转变到卖方研究，固然道路不同，但是研究方法殊途同归。下面讲一讲我的
我是王超，中信建投金融工程团队研究员，2021年加入中信建投。博士期间从事粒子物理的研究，厥后机缘偶合下转行从事量化研究，于我而言，从科研转变到卖方研究，固然道路不同，但是研究方法殊途同归。下面讲一讲我的一些研究感悟。
科研始于爱好。我对物理的爱好始于初中时的一本时间简史，从当时起，便对宇宙的奥秘产生了浓重的爱好，大学如愿进入了南京大学物理系，之后便开始了9年漫长而又风趣的本硕博物理学习及科研道路。博士期间我主要在CERN从事粒子物理的实验数据分析工作，当时我们实验汇集了来自世界各地3000多名顶尖的物理学家，从硬件软件到实验数据分析，各人各司其职，为了共同的研究目标携手奋斗。在导师的谆谆辅导之下，我从一名懵懂的弟子，成长为负担起相应工作的研究职员。更紧张的是，在导师的身上，我学到一个科研工作者应该具有的研究精神。
研究殊途同归。毕业之后，机缘偶合之下进入了量化行业，两者有许多共通点。与粒子物理研究一样，量化研究本质上也是数据分析，粒子物理的研究是要从信噪比极低的实验数据中寻找信号，量化研究的目标实在纷杂的市场中寻找有用的alpha因子。对于量化研究而言，最终极的目标是追求解释市场的beta以及逾越市场的alpha，在这点上，就犹如粒子物理追求尺度模型，却又不断寻找新物理一样。甚至在研究方法上，两者也及其相似，我们当时研究方法分成两类，一种是基于规则的cut-base分析，一种是基于机器学习的mva分析，这两种方法在量化范畴同样实用。
研究脚色转变。转行之后最大的不同在于，以前各人各司其职，每个人只必要专注在本身负责的范畴即可。而转行之后，由于之前所在的团队相对都不大，因此我不仅要负担计谋开发的工作，还要参与数据库的维护、研究系统开发、甚至是前端页面的开发。这也使得我迅速成长，能够独立负担研究系统的搭建。
坚持源于热爱。加入中信建投之后，我愈发热爱卖方这份工作。在潜心做研究的同时，又能够向市场通报研究结果，从而实现自我代价。我理解的一名优秀的卖方研究员，要能为市场输出具有代价的研究结果。在我看来，有代价的研究一方面要能够满意客户的研究需求，另一方面，是能够做出领先于市场的前沿研究。现在我的研究重点主要会合在传统多因子的分析以及机器学习在量化范畴的应用，多因子构建了量化的基础，而机器学习代表了量化无限的可能性。机器学习尤其是深度学习在学术界和工业界都有广泛应用，而在量化范畴应用还相对较少，研究还广泛停留在一些传统机器学习的算法上，这一方面与模型的可解释性有关，另一方面中低频的数据量级也不太实用于必要大量数据支持的深度学习模型。我们近期的研究尝试了一些前沿的深度学习模型应用于量化范畴，好比Google提出的基于Transformer的时间序列模型Temporal Fusion Transformer能够解决可解释性标题；TB级别的level2数据能够充实满意对于数据的要求，基于此的DeepLOB模型在股票以及可转债市场上具有突出体现。
交流带来提高。研究永远都不是闭门造车，光荣的是，作为一个卖方，能够有机会与许多优秀的同行交流，在研究陷入僵局的时刻，交流总能带来新的灵感。将来研究的道路还很漫长，盼望本身能够潜心做研究，为客户提供高质量的研究结果。努力成为一名优秀的卖方研究员。
中信建投证券金融工程研究员，南京大学粒子物理博士，曾继承基金公司研究员，券商研究员，有丰富的研究和投资履历，2021年加入中信建投，主要负责量化多因子选股。
|
评论