知乎盐选会员精选文章一、 Quant 和程序员到底有什么差别
有一些 Quant 朋友会自称为码农，因为日常大部分工作的确就是在写代码。事实上对于 Quant，有一个和码农对应的叫法是矿工。在美国的朋友大概都听说过「在东海岸就去花街当矿工，在西海岸就去硅谷做码农」的说法，也说明两者的确有一些相似性。
如果说区别呢，Quant 的工作主要还是和数字打交道，写程序的目的是为了用计算机去解决数字计算的问题，不论是 Q 宗定价还是 P 宗统计。相比之下，他们不会去关心 Web 开发有多少种框架， PHP 是不是最好的编程语言，MySQL 和 PostgreSQL 哪个性能更好这种一般意义上的程序员更可能关注的问题，很多时候也不需要深入理解编译器的工作原理，操作系统的 Kernel Space 和 User Space 有什么不同，CPU 里面有几级缓存等纯计算机专业的知识。
如果这个描述还不够形象的话，建议看看这几个问题下的讨论，感受一下真正的程序员的世界。都是我随便找的，主要是帮助非计算机科班的朋友理解下码农们平时都在为什么而战，这些东西又离 Quant 的工作多么遥远：
怎么样才算是精通 C++？ |
http://www.zhihu.com/question/19794858#answer-313278
C++ 的什么是 Java 不能取代的？ |
http://www.zhihu.com/question/20110924
Java 和 C# 最大的不同是什么？ |
http://www.zhihu.com/question/20451584
CPU 的分支預測器是怎樣工作的？|
http://www.zhihu.com/question/23973128
jmp 和 call 会打乱 CPU 流水线，那是不是应该尽量少用函数调用？|
http://www.zhihu.com/question/20923905
对于有工科背景的朋友，可以看看这几个问题，感受一下 Quant
主要在做什么。当然区区几个问题无法包括全部，不过你可以和上面那几个对比一下，应该能感觉出区别来：
如何系统地学习随机过程？|
http://www.zhihu.com/question/21454531
随机过程、机器学习和蒙特卡洛在金融应用中都有哪些关系？|
http://www.zhihu.com/question/23527615/answer/25702970
为什么欧式股票期权的价值与股票的期望收益率无关？|
http://www.zhihu.com/question/23730849
如何系统地自学金融工程，有哪些优质的书籍推荐？都有哪些学习方法心得？|
http://www.zhihu.com/question/23507826
至于题目中提到的金融工程，这是一门非常具体的学科，一般是培训 Q 宗 Quant 的，但 Quant 并不都是学这个出身。如果除此之外没有接受过计算机专业的训练（不论科班还是自学），那么此专业毕业的学生是不太可能去找软件或互联网公司的工作的，技能上差别很大。
对了，有人可能会问到关于「青春饭」的问题。对此说说我的理解。
Quant 的工作始终是为金融业服务，相比于普通的软件开发，有着门槛高、专业方向明确的特点。像是互联网那种做个小网站或是开发 iPhone App 这种一个人买台电脑，在网上看看免费文档，再花几百块租个服务器就能从设计到开发再到运营全包的风格，做 Quant 工作是不太可能想象的。
Quant 的业务，比如说做衍生品定价，只能在投行里才有平台让你做这种工作，否则你自己设计一个衍生品出来，卖给谁？或者说交易策略研发，那就算你做纯个人的 Quant Trader，也需要拿出几万块钱来去股市开户练手，可能什么还没学到这点钱就打水漂了，足以打消大部分人的热情。高频交易更是需要 colocation；交易资金等高端要求，不是普通人付得起的，只能在专业公司里做。
这些因素决定了进入 Quant 行业的门槛很高。但一旦你入行了，会发现世界一下子变小了，和你竞争的都是那些和你一样费了九牛二虎之力爬进来的人，不会说某一天突然发现一些黄毛小子摆弄了一些你没玩过的设备，做出了超出你理解范围的事，然后把你淘汰掉（不理解的话，可以回顾一下 Google 是怎么革微软的命，Facebook 又是怎么革 Google 的命）。
所以在矿工这么个小圈子里，不爱折腾的大可以慢慢学，慢慢做。你会发现你的上级领导就是那个有十几二十年从业经验，对行业的理解，各方面技能都完爆你的大叔，而不太可能是一个有着天才头脑和想象力的年轻人。从职业发展的角度上说是一条比较稳定的路线。高技能前辈的存在，也让你对前进的方向看得更清楚，对专业技能的积累有更深刻的认识。我自己从 IT 业转过来，就明显感觉到合作或接触的人平均年龄和资历都比以前高了很多；入行时间久了，也渐渐搞明白难度在哪里，不会担心哪个年轻人能仅靠天赋或运气就后来居上，这是很有安全感的。
当然凡事各有利弊，门槛高、发展稳定的同时也意味着机会相对变少。的确也有人弄出一些天才策略而一夜暴富，但相比互联网行业五花八门的创业奇迹，这种情况的比例我感觉是比较少的，大多数人也就是天天干着这么一份绞杀脑细胞的工作换取一份稳定的收入。特别是像我这种从 IT 行业转过来的，回头看看，小伙伴们可能都在玩什么天使 A 轮 B 轮几百几千万的融资了，身边的 Trader 大叔还在为了今天交易赔了几百磅而郁闷，对比还挺强烈的。
所以对于想要入行的同学，我一向的建议是把你自己的兴趣放在第一位。如果对数字（学）对交易感兴趣，那么入这行没错；如果是为了挣大钱征服市场，让名片上的职位显得高端大气上档次，现实一定会给你看看它残酷的那一面。
二、要想成为一名 Quant 需要什么样的编程水平
想在交易行业中做一名优秀的 Quant，编程水平可能会在两个方面制约你的发展。至少，在我这个计算机科班出身的人看来，这是非常明显的问题。你要知道，每当我看到新来的编程小白 Quant，一定要很真诚地告诉他，只有找到那个命中注定的编程师傅，才能成为一名真正的 Quant。
好了，故事开场前，最后说明一点。以下仅针对交易行业。卖方的衍生品定价和风控等内容我不熟悉，不发表意见。
一、性能不足
交易这一行是真真正正的大数据行业。一个交易所一天产生的数据轻轻松松便达到几十 GB。如果你做跨交易所的交易，这个数字还要翻几番。想想在这样的情况下，一个月的数据量有多大？一年的数据量又有多少？这么大的数据量，如果你的编程功底不扎实，跑一次回测可能就要几个小时甚至几天，就算你有再好的想法，这么慢的反馈也足够把你的灵感扼杀在摇篮里了。
这还不是最糟的。更坏的可能是，你写出来的程序根本无法处理这么大的数据量，要么内存不够用，要么计算时间太长以至于根本无法操作。必须说，若出现这种情况，后果很严重。
举一个例子。有一次，我有一个同事用 Python 写了一个分析程序，存在一个 bug 产生严重的内存泄漏，导致回测的时候才跑几天的数据，程序就崩溃了。更糟的是算法写得比较复杂，他想查出问题所在却根本无从下手。问题交给我以后，我只做了一点很简单的改动，对每天的处理开一个单独的进程处理，结束的时候关闭进程就会释放所有内存，问题就解决了。很多时候这种问题对编程高手来说只是小事一桩，但对编程经验不足的人来说却是天大的难题。
另外，现在的确在不断涌现出新的大数据技术，让人们可以更方便快捷地做处理。但是那些还远未到能直接运用到交易数据分析上的程度。非常大的可能是，你需要去理解这些技术的工作原理，然后对你手里的交易数据做适当的转换，才能利用这些技术来分析数据，而这些都是和编程水平直接挂钩的。
二、信息受限
做 Quant 最重要的能力是发现数据中的规律。但如果你只能拿到二手数据，很多原始信息都被过滤掉了，而你连那些信息长什么样子都没见过，又怎么能去分析其中的规律呢？
这绝不是危言耸听，还是看实例。高频交易最好的数据是直接从交易所收下来的最原始的数据，这个数据包含所有订单操作（增、删、改、成交）的记录，是研究市场微结构的最佳选择。可这种数据的格式往往是特殊的二进制编码，而且要进行特定的重构，才能还原出交易的过程（增、删、改都是动作，需要作用在对应的数据结构上），没办法直接用数学软件做分析。
有一次，我的一个纯金融背景的 Quant 同事想要分析一些这样的数据，但他处理不了那种原始格式（Matlab
显然是干不了这种事的），只好找我帮他。但我当时自己手里还有无数的任务在处理，没有太多时间，只能做最简单的处理，最后只把成交记录提取出来写成容易识别的格式给他。这样他拿到的数据里那些增删改的记录全都被过滤掉了，那他显然不可能去做任何关于这些记录的分析。对于一个 Quant 来说，当他受制于人的那一刻，就已经注定了是一场悲剧。
同样的事情，如果是我自己会怎么做呢？内嵌 Java 虚拟机进 Mathematica 或者 R，底层解码用 Scala，直接在程序内转成容易处理的数据结构，Mathematica/R 建模，作图，方案确定以后直接把 Scala 程序传到云服务器上跑回测。整个流程可以一气呵成，不需要麻烦任何人。更重要的是，我手里的信息是完整的，所以可以分析任何我感兴趣的数据。事实上，很多时候，秘密就隐藏在这些最原始的数据里。
上面说了这么多，是不是意味着必须像计算机系同学一样，从头苦学所有计算机专业课呢？
当然不是。计算机专业的很多技能，像是操作系统、网络通信、编译器、多线程之类，都跟 Quant 的工作没什么关系，即使你对那些不熟悉，也不用怕。
但是基本的数据结构和算法，是应该扎实掌握的。你应该知道数组、链表、哈希表这些数据结构的原理和区别，能够自己实现一些基本的搜索，排序算法，这会帮助你能正确地估算程序运行时间和需要的内存等资源，出现性能瓶颈的时候也可以自己分析。
对一些进程间通信的方式，比如文件，socket，或者共享内存，应该有基本的理解，这会让你能够组合不同的工具（比如 Excel 和 C++）来实现复杂的功能，很多时候这些小组合会让你事半功倍。
有的同学希望我推荐一些这方面的入门书籍。我思来想去，还是决定推荐这本经典的《Introduction to Algorithms》和《Computer Systems – A Programmer』s Perspective》。我承认这两本大部头看起来有一些难度，但是，请大家努力学（hui）习（dao）。即使你只是简单地通读一遍，相信也会受益匪浅。对编程语言也要多了解一些，特别是如果你没听说过函数式语言（Functional programming），最好去学一下。这对 Quant 工作是有极大帮助的。
问题中提到的那几种 C++功能，class/iostream/reference 都是最基本的概念，只掌握这些是远远不够的。不过我也不建议一开始就拿 C++试刀，就算是计算机科班出身，也没几个人能真正精通 C++，做 Quant 又何必和自己过不去呢？去学一下 Python 或者 Scala 吧，这些比 C++友好得多。对于 Quant 来说，他们才是传说中你等的那个人。
最后说说有些 Trader 为什么会说不需要太高深的编程水平。很简单，公司招人是需要你产出的，招你进来的时候编程水平是什么样他们心里有数，自然不会要求你做力所不及的事情。如果你满足于一直给别人打下手，只去做别人安排好的工作，出了问题找 IT 部门（如果有的话）解决，那保持现状也是可以的。只是这样显然很难成为一名优秀的 Quant。
走上 Quant 这条路，要有不断学习新技能的觉悟。像我们这些计算机出身的人，也要去补之前没学过的数学和金融。大家的背景不同，起点和优势也各不相同，但是努力的方向是一致的。
只有打通任督二脉的那一天，你才会成为真正的英雄。到那时，你才不会再被代码困扰，只因为你心中已然无码。
三、 P Quant 和 Q Quant 哪个是未来
武林史上，剑气之争向来难离恩怨情仇。这一次也不例外。先来介绍一下本篇主角，Q 宗与 P 宗。
Q 是指风险中性测度。风险中性的意思主要是说历史数据不能帮助你预测未来的走势，所以你的决策是没有风险补偿的。这当然是一个非常虚幻的假设，但是由此而得的模型可以给出漂亮的数学性质，而且可以在缺乏数据的情况下得到一些结论，所以有一定的实际意义。涉及的数学技术主要是随机过程、偏微分方程之类。在数学派系里，这些显得相对高端，一般人概念里都是那些思维不同于常人的人捣鼓的玩意。
P 是指真实概率测度。所谓真实，主要是说模型依赖的概率分布是从历史数据上估算出来的。严格来讲，我个人不认为这种东西叫做「真实」，最多只能说是从真实数据上估算出来的，显然没有什么东西保证历史一定会重演（比如黑天鹅）。但是这个是目前大家公认的说法，所以咱们不较真。从定义可以看出这套方法主要依赖数据，数据量越大估算的效果越好。涉及的技术主要是时间序列（ARIMA，GARCH 之类），Bayesian，以及现在流行的机器学习等方法。不难看出，为了倒腾数据，这套方法练到上层就要开始刷装备。在电子化时代这最终演化为拼机房的「军备竞赛」。
两者对比可以看出：Q 重模型而轻数据，P 则重数据而轻模型。当然两者也都要即有模型也有数据，但从应用上来讲，Q 者是模型固定，用数据来精化模型的参数（calibration）；P 者则可以有若干备选模型，由数据的计算结果来选择最佳的模型（estimation）。
这个区别也造成在业界的划分。Q 可以让你在缺少数据的情况得出一些结论，从而可以凭空制造一些东西出来，所以卖方（投行）用来做衍生品定价，业务模式是开发新的衍生品出来卖出去。P 则喜欢大数据量，这天然就是买方（Hedge Fund 类）所需要的技术，因为他们本来就需要针对大量证券做出筛选和投资决策，业务是数据驱动的。
理清两者的区别后，就可以看出发展方向上的不同。从本质上说，Q 宗是一种制造业，大家比的就是造出更多更好的衍生品来卖，但如果生产出来的东西没人买，显然生意就做不下去。而 P 宗其实属于服务业，那些数据技术不会给你创造出什么新产品，而是通过对本来就存在的业务（比如投资决策）进行精细加工，来达到优化的目的（特别值得强调的是，量化的核心价值始终在于优化，绝非单纯追求所谓 alpha 者之超额收益。事实上，若你真能勘破此间真谛，牢牢把握住优化求精的思想，即使不关心 alpha，也足以让你在「乱世」中安身立命）。但如果大家都在既定条件下优化到了极限，显然也就不会再继续投入。
分析到这里可以看出，这两者的思路都有可取之处——从逻辑上讲都有继续发展的空间。以长远的眼光来看，很难分出高下。
但回顾历史，P 宗一度因为走的是统计一派处于数学鄙视链底端的屌丝路线，手里的数据也实在不够看，很长时间里挺不受人待见的。
在那段非主流的日子里，生活挺心酸的。大家经常嘲笑他们搅来搅去就会弄点回归、算个均值，太没出息。手里的数（kou）据（liang）有限，没事只能发呆。在那个洪荒的时代，也实在没什么好装备，练功只能靠山寨。
同一时段，Q 派则充分发挥人脑优势，气势逆天。华尔街上，精通此道的数学、物理博士们一时风头无两，是各大行纷纷争抢的宠儿。主流金融机构都在热衷于开发各种复杂的衍生品，发挥到极致后可以把能卖的不能卖的都打包到一块，盘子越做越大，一派不尽长江滚滚来的势头。他们甚至连诺奖都不放过。另外当年衍生品大行其道的时候，Q 宗的定价能力甚至还可以用来寻找市面产品的错误定价，从而发现能直接盈利的套利机会。这一切给 Q 宗带来爆发式的增长。
但时来运转，进入新世纪，开始出现 Q 弱 P 强的趋势。这里面主要有两点原因。
第一是 2008 年金融危机一来，已（zou）臻（huo）化（ru）境（mo）的 Q 宗搞出来的那些已经无人能看懂的衍生品让人无语地一把烧掉了大家的钱，使人们意识到这条路线的危险性。
2008 年在 Q 宗的心底留下一个挥之不去的烙印，华尔街上 Q 宗子弟「尸横遍野」，自此之后风光不再。更有甚者，在当年辉煌的废墟之下，大量遗留下来的已经定型的 Q 类工作不再需要太多的数学分析，反而蜕变成相当机械性的体力活。而伴随着竞争者的涌入，定价错误的机会也一减再减。这一切成为了今日 Q 宗的梦魇。
但若透过现象看本质，你会发现人家的心法根基仍在，说不定哪一天就会上演绝地反攻。永远不要低估一个文艺青年追求理想的决心。
第二点，随着 IT 业接二连三的产业升级，个人电脑、互联网，到现在的智能手机，催生出能极其方便地处理海量数据的计算技术，美其名曰「大数（xing）据（zuo）技（suan）术（ming）」。这直接带来 P 宗迫切需要的装备升级。
同时金融业也开始推行电子化。交易所的电子化，以及自动化交易直至最近的高频交易，带来交易数据的极速增长。技术和数据二者兼具，P 宗心中梦幻的舞台开始浮现，一举成为时代选择的新星。而在这个拼爹的新世纪，假人力者似乎注定只能在其背后叹息。
但不要忘了，天下武学本是一家。若执着于派系之分，终不免落入下乘。要想达至 Quant 最高境界，就必须要了解宇宙苍生。事实上，Q 宗一派已然深谙此道。君不见各大藤校 Q 宗培训班早已明修暗度地引入 P 宗修习课程。正所谓蓦然回首，那人已在痴痴地等。此道亦应为 P 宗所用。武学正宗是为 Q 中有 P，P 中有 Q，道法自然。
由是者，古老的数学家们用纸与笔推演的疯狂，在数字化时代化身为集成电路中奔驰的 0 与 1。我相信时至今日，人们仍未能完全明了此间图景的全部可能。在新的时代，程序代码已经开始成为继数学之后的新生一代科学普适性语言。硅基装备给碳基人类带来的，更是希望之翼。
随着人们生产、收集、分析数据的能力大规模提升，我们眼前展开的是一个前所未有的数据时代。也许在浪潮之后，我们会发现这场数据盛宴并不一定能带来对世界本源的更深层认识，但是在这时代开端，无人知晓山的另一边是什么风景。好奇心的驱使已经足以使世人疯狂。谁又能抵挡得住名为可能性者的诱惑呢？
四、如何成为一名优秀的 Quant
在十几年前，我刚上大学的那个年代，还没人听说过 Quant 这个职业。我自然也从未在大学期间思考过为了成为一名 Quant 该做哪些准备。然而物换时移，我竟然误打误撞进入了这个行业。所以本篇于我而言，更多的是在回答这个问题：如果重走一次大学路，该做哪些准备以更好地应对今天的工作？我本想罗列一些课程和技术，但思来想去，还是觉得以道御术者方为上乘。所以本篇务虚。
在开篇之前，针对题目中描述的背景，先提供两个相关的知乎问题作为背景资料，它们特别针对 Quant 的工作内容和非金融本专业人士做了一些解释：
•P Quant 和 Q Quant 到底哪个是未来？|
http://www.zhihu.com/question/24820388/answer/29150204
•非金融专业人士，可以通过什么途径进入金融业？|
http://www.zhihu.com/question/20146419/answer/26894153
特别强调，以下观点仅为本人以入行不深的浅薄资历所得出的个人理解，不代表我自认为优秀 Quant。如有不同意见，欢迎友好交流。
首先来说一说 Quant 这份职业的吸引人之处。我相信，对于很多年轻人来说，Quant 还是一个传说中的职业，对于 Quant 平时的工作都干些什么，可能还只是凭一些网上的传言和想象。在传说中，不论是卖方投行的定价 Quant，还是买方基金的投资 Quant，都需要操纵高深的数学模型，编写精密的计算机程序，如鬼神般穿行于市场间，十步杀一人，千里不留行。
但是古往今来，所有美丽的传说，虽然动人之处各有不同，却有一个共同的特点：离现实太遥远。入行以后你会发现，和所有其他行业一样，大部分时间里你的工作内容可能都是琐碎和枯燥的，包括一些拼体力的编程，调试，清洗数据，分析日志。而实际上外界所传的
Quant 种种美好的数学建模和理论分析，能够在其中占据一成就已经很不错。所以，当你下决心要成为一名职业 Quant 时，首先要做好心理准备，经得起这些枯燥和琐碎，才能最终品尝那一点点甘醴。
看到这里，如果你仍要坚持，那我们就先来一点干货。这是一份真正的投资公司（G-Research）给出的参考面试题：
[http://www.gresearch.co.uk/careers/quantitative-analyst/sample-questions.pdf](http://www.gresearch.co.uk/careers/quantitative-analyst/sample-questions.pdf)
这份题目至少可以让你对将要面对的面试筛选标准有一个感性认识。如果你被其中的某道题目难住，可以在日后的学习中重点补充相关的知识。
当然，这份题目主要是针对买方 Quant 而言。可以看出它注重的是概率、统计和编程。如果你的目标是卖方投行，需要的可能是随机过程、微分方程和编程。当然这只是几门核心技能，仅仅掌握这些是不足以让你在竞聘者中脱颖而出的。要想于众人中崭露头角，必须狠下心来吃得苦中苦，不要在你的成绩单上留下弱项。
说到这里，若你的心灵比较脆弱，可能已经遭受了重大的「创伤」。但是很遗憾，这就是现实。
更加遗憾的是，入行后你很可能会发现，这些费尽苦心学来的技能，就和高考成绩一样只能作为进入行业的敲门砖，并不是保证你取得成功的终极武器。我相信会对 Quant 感兴趣并以此为职业目标的，多半是理工科背景相对较强的朋友。外界的宣传很可能给大家一种印象，认为 Quant 这种工作就是理工科的科学家们使用各种奇技淫巧来玩弄金融市场，从而操纵全人类的修真之道。但实际如何呢？进入这一行你会发现，金融首先是一门关于人的学科，科学手段在这里并非用来探寻宇宙本源，而是为人服务的。若是忽略了这一点，就会迷失本心。
当你日后遭遇那些面目可憎的高层们，就会明白我在说什么。
我们知道，长期经受理工科思维训练的人，很容易沉迷于甚至迷信技术。但是要记住，那些位居高位的权臣们，绝非按照数学定理或是电脑程序来出牌。他们甚至有时还会做出让你匪夷所思的行为。你要理解，这并非他们的错，因为这就是人性，是人性啊！
谨记始皇遗训：模型未稳市场变，土豪原来不读书。这个世界的残酷之处正在于，财富和权力往往掌握在你无法理解的人手中。而他们对于这些资源的使用方式很可能超出你的想象。
但是不要气馁。无论人性如何，自然之奥妙恰恰在于，适者生存（而非强者生存）。正是因为人性之复杂，市场之变化莫测，我们才需要依赖科学手段来进行精确的定量分析，从而帮助决策者得到对真实问题更清晰的认识和理解。这才是一个优秀的 Quant 真正的价值。要想达此境界，必须要具备的精神是：理性、执着、专注。
而这几条在我看来，任何一个智商正常的人，只要经过足够有质量的科学训练，都可以达到。外界往往夸大宣传这个行业偏爱天才级的头脑和最高端的学历，但从我的经验来看，这绝非必需项，甚至也有反例。
曾经我有一个同事，大家公认他非常聪明。甚至在他离开公司多年后，他的名字还被大家用来作为天才的代名词。我们有一个专门用来编写交易算法的自制编程语言，他曾经花了几天时间就重写了这个语言的编译器，使它更加高效和安全。那些代码如此神奇，其中有些奇思妙想的段落至今已经无人能看懂，但它运行多年从没出过 Bug。但是这样一个人，却最终并不被大家欢迎而离开了团队。因为那种对于智力因素的过度追求，使得他成为一个极其难以合作的人。接手一份自己完全看不懂的代码并深深地感到智商上的羞辱，没有人会喜欢这样。人与人之间也不是这样进行合作的。
实际上，一个经受过合格的科学训练的家伙，即便羽翼未丰，只要能虚心学习，认真负责地把前辈们交代的工作做好，日积月累，也足以成长为值得信任的骨干。
也有一些名牌大学的理工科博士，虽然技术水平还不错，但是却缺乏深刻的理解能力，处理问题总是浮于表面。以至于稍微复杂一点的问题，就会做出让人哭笑不得的方案，接手的同事甚至只能重头再做一遍。
需要强调，对于 Quant 这种高技术工种，合作是非常重要的。必须尽可能地融入一个优秀的团队，最大程度地得到别人的帮助。这样才能扬长避短，充分发挥自己的优势专长解决最重要的难题。而以我的经验来看，团队里最受欢迎的是一种 T 字型人才。即对自己擅长的领域有深入的理解，同时对其他相关的领域也保持好奇心和基本的了解。这样的人更有可能作为角色成员，有机地成为团队的一部分。唯有如此，别人才愿与你同舟共济。
现代科学的精妙之处，正在于它为技术密集型工作提供了一种通用的合作语言。只要遵循和贯彻科学原则，取长补短，一群平凡的人也可以打造出强力装备，完成本不可能完成的任务。
说到这里，必须要强调一下，我绝非反对智商和学历所起的作用。我认为它们的确在一定程度上对于获得进入这个行业的资格有很大的帮助。但只是要想追求卓越，这些条件既非必要也不充分，要理性看待。
在我的心目中，优秀的 Quant 应该是一个真正的专家。而当我在这里谈论专家时，我在谈论的，其实是大前研一在《专业主义》一书中给出的定义：
专家要控制自己的情感，并靠理性而行动。他们不仅具备较强的专业知识和技能以及较强的伦理道德，而且无一例外地将顾客放在第一位，具备永不衰竭的好奇心和进取心，严格遵守纪律。以上条件全部具备的人，我们称之为专家。无论前提条件发生多大的变化，都能够认清深层变化的本质，比别人发挥出更大的能力，这样的人才是专家。
对于一个有志于成为优秀的 Quant 的人，我建议要时时提醒自己不要局限在数理模型和技术细节中。比具体的技术实现更重要的，是面对金融交易中种种错综复杂的难题时，做到对问题的真正理解，以最有效的方式拯救他人于水火，让他们在黑暗的深渊中找到光。如此才合金融一脉以人为本之道。我相信只有领悟此道，你的职业生涯才会开启新的篇章。
最后要说的是，一入 Quant 深似海，这是一个充满了压力、竞争和挑战的行业。因此，健康的身心是你日后在漫长的职业生涯中应对重压的必备条件。为此，在大学阶段，你要学会生活。培养一个健康的爱好，坚持锻炼身体，保证规律生活。这些看似和学业无直接相关的行动，在从业后日复一日的工作中，会慢慢成为你坚实的依靠。
特别是，学会和家人及爱人相处，不要因为工作忽略她们。她们的支持和鼓励是你陷入过劳的桎梏时最需要的帮助。