抛弃互联网大厂，他是“离经叛道”的量化算法工程师
分享人：头部量化私募算法策略负责人
从业地点：上海
采访人：春晓
点击阅读《量化众生相》第一篇分享：独家重磅！头部量化CTO：从业8年，交易科技仍让我兴奋！成就感来自主动解决行业重要问题！
点击阅读《量化众生相》第二篇分享：独家：从顶级黑客到头牌私募CTO，守正出奇的技术狂人
离经叛道
坐在我面前的Wood是一位身材高大，笑起来阳光无比的大男孩。今年刚满30岁的他，虽然进入量化行业时间不算长，在算法领域却绝对是一员资深骁将。
Wood天资聪颖，高中时参加过物理竞赛和计算机竞赛。本科他念计算机专业。在兴趣驱动下，同学们忙着玩游戏时，他却利用业余时间把伯克利、MIT的AI课程、其他自己喜欢的课程都都学了一遍。毕业后，Wood先后任职于两家重量级的互联网大厂，主要做算法研究。在互联网大厂得到深厚的积累后，他又把目光投向了更有挑战感的战场：量化投资。
2020年，在朋友的引荐下，Wood加入了一家知名的量化私募。加入后前几个月负责帮助公司搭建投研技术生态基础设施之后，最近Wood开始做策略研究。
从互联网跳槽到量化，其实Wood的工作性质并没有发生本质改变。他依然聚焦数据挖掘，做模型和策略。只不过在互联网大厂做策略，他更多是辅助业务场景，比如广告、调度、搜索、推荐。而量化策略应用更直接，需要直接预测市场的价格。
和国内非常年轻的量化行业比，互联网行业的数据工程师更加细分。Wood给我稍微科普了一下。互联网的算法工程师资浅一点的会聚焦做比如单纯的某一个场景下的预测模型。资深一点的要么研究特定场景的算法；要么做跟业务更挂钩的算法。比如Wood当时在一家互联网大厂，就负责新的业务线“社区团购”。他需要做数据赋能、算法赋能，要懂业务，整合中台资源落地成他要的算法场景。对冷启动能力，人才组织招聘和管理能力都有要求。
而在Wood看来，量化行业目前在国内更像是互联网算法的早期。因此量化可能没有明确的人才标准和职业晋升路径，属于一个非标的领域。就好像10年前，互联网做算法的人，也都属于比较叛逆或前沿的人一样。
Wood说，“我对于互联网而言，也算一个离经叛道的人”。
强反馈
转行来量化，对Wood而言最大的吸引力是量化交易的强反馈机制。之前在互联网大厂，他对研究、模型和编程都很感兴趣。他当时带10人左右的团队，做算法研究，负责一块很大的业务。但他自己的性格比较喜欢搞独立研究。“现在团队小而美，可控。大家交流也比较开心，我自己能发挥的价值也比较多。”
量化研究也给了Wood很强的反馈感和满足感。除了自己做研究，他也会开发一些研究工具给更年轻的研究员同学。过一段时间之后，他认为团队会形成更专业化的分工。
“量化研究员按方法论，分为两派。一派偏机器学习方法论，和互联网算法很像，是由一群在互联网或者是学术领域里，因为提前接触过机器学习、深度学习的人，把他专业的工具能力，适配到量化这个领域；另一派使用基本面量化的方法论，它可能和公募或者是跟和基本面买方比较像。在传统的行业研究员眼里，量化把基本面方法论，计算机化、模型化，把整个数据链路自动化。他们看量化，有点像传统行业看互联网。”Wood说。
Wood从互联网切入到量化，自带冷静的第三方角度。在他看来，国内成功的量化私募，似乎创始人大部分是海归背景。基金经理做得好的，许多可能是赶上了风口。量化研究员成长周期相对较长一些，淘汰率非常高。要会编程，要会分析，早期公司基础设施没有完善的时候，他们40-50%的时间去做基础的设施工作，剩下时间还要做研究、发布策略上线。
因此早期量化人才，要有冷启动技能，能力非常复合，要写代码、做模型、做策略，兼顾 好管理资金，研究各方面。
然而随着私募的发展，Wood认为量化私募对整体横向上的能力慢慢要求会越来越少，纵向上的深度要求会越来越高。这怎么理解呢？在量化搞深度学习，可能需要的能力不低于互联网研究部门里搞深度学习的，才能在这个领域扎下去。再往后可能会越来越分化，做其中某一块，就要在里面扎得非常深。
Wood因此建议新同学一开始去量化大厂里，找到一个点，应用自己。这个点里已经有相对比较清晰、完善的价值链路，新同学可以更好地把自己的价值放入。他认为“量化大厂”一般愿意接受相对比较长一点的培养周期，但考核也很严格。如果在一个分领域，新人不能表现出很强的潜力，获得的指导或者经济回报会比较小，会对信心产生一些影响。新人可能就会主动离开。
互联网可以容纳大量中间人才，量化不能
在Wood看来，量化和互联网有个明显不同。互联网可以容纳大量没有很强能力的中间人才。互联网大厂里，P5-P7是人数最多的，P8、P9相对少一点，P9、P10以上更少。但能力禀赋中间的人可以在互联网一直做。量化就不一定，量化给这块同学容纳的比例没有那么高，但是给更顶级同学的空间可能更大一些。
这是因为量化交易领域变化很快，一个策略的生命周期可能一年，一个方法论的生命周期大概3~4年。公司持续需要一些人做方法论探索，对这方面的人要求很高，需要能力很强、理解、执行力和管理能力各方面都到位的人。
Wood也招了一些应届生，他们没有在顶级头部量化实习过，但依然能做出一些不错的策略。他总结：第一聪明，第二勤奋，具备这两个特质，就能在这个行业里面活下来。
随着量化的行业快速发展，他相信量化的职业路径会慢慢被清晰化。
“第一，我了解，国外量化职业路径相对比较清晰。第二，我见过互联网整个非标准的业务线或者非标准岗位，怎么慢慢标准化。量化行业本身持续发展，并且市场规模能持续稳住，我觉得职业路径会慢慢被清晰化。”他说。
早年互联网的算法人才，也经历过供给严重低于需求的阶段。Wood回忆起2013年读大三，他当时在学习伯克利的AI课程，“它只是一门课”，而那时候那门课助教就是现在特斯拉的研究总监。“那个时候属于新领域，也不知道会扩得那么快，属于严重供跟不上。经过这些年宣导，供给慢慢开始恢复，但肯定还是有很大需求量。”
国内量化市场规模在增，对于人才需求不断激增，供给跟不上是正常的阶段。Wood认为新同学大可先入行，拼命活下来，找到自己的位置，再图发展。
我30岁，职业生涯处于最好状态
30岁的Wood有年龄焦虑吗？可能会有一点点。其实他也常常问自己，相对于刚毕业做算法的同学，自己优势在哪里？
首先他精力肯定不如刚毕业的小朋友，学东西不如他们快。但他的经验和精力正好来到一个完美的平衡点，每天可以完成8小时的开发。30岁的他，感觉自己处于职业生涯最好的状态。
Wood在经验上的优势更为明显。刚毕业的小朋友如果抓不住关键，可能过5年后精力下降，学不动，就面临被淘汰。“互联网反正是一直淘汰学不动的人，如果学不动数学公式，学不动新模型，就要学新的业务理解，要学新的管理知识，要学快速了解企业发展动向，获得行业嗅觉，要在别的不需要智力损耗的事情上，去获得新的认知。如果不行，就会被淘汰”。
淘汰不是说没有工作，而是要接受发展性没有那么好的岗位。如果培养人，公司可能会培养新的小朋友。比如公司更愿意把一个优质的P7往P9上培养，不太愿意把一个P6的同学往P7培养。
如果不愿意变化，不愿意学习，其实互联网和量化都是劝退的。就量化职业路线而言，毕竟找一个好的导师，好的公司发展阶段，好的公司机制比一个确定的职业路径更重要。
Wood认为目前行业对人才需求大于供给是好事情，“现在量化行业扩得很快，有太多年轻人上位的机会，你只要能把握住，能快速完成认知升级”。对于处于中间的同学，要跟海归同学PK，要在他们回国之前，要在A股市场里挖出一些独有的东西。老板级别的量化人，则需要在这样市场集中度还没有那么高的情况下加速发展。他说，“现在大家都在跑，但行业总体在扩。可能会觉得竞争加剧，但整体盘子更大。”
最后，Wood对想要进入量化行业的新同学给出了发自内心的真诚意见。
高于同龄人很高的工资的赛道，一定意味着供给小于需求，而且在供给小于需求情况下，一定会面临非常大的人力投入，因为人力供给不够，需要大量贡献。量化行业短期会有很多人吸引进来，面临竞争加剧，但依然获得更高额外超额。
“如果大家想要有既定的职业规划，那都是供给差不多平衡的地方。我完全理解他们的想法，非标性的工作职业路径上没有那么清晰，这反倒是我觉得值得进入的理由。”
*（如果你希望分享你的量化职场故事和经历，欢迎到文末扫码与我们联系）
更多阅读
别把量化交易变成拼人力、拼硬件、拼资源的烧钱游戏独家：“馨敌”组合拳，量化终身干在车库里管几十亿美金，花10几分钟搞定徐小平，他悟出“大道至简”启林王鸿勇：净值升到1就赎回的投资人，后面大头都没赚到徐书楠、李爽：因诺进化论裘慧明：跟世界上最聪明的人博弈