書摘 - 我如何成為華爾街計量金融家（How I Become a Quant）

這本書滿有趣，但不是每個Quant做的事情我都有興趣。整理一些Quant職涯發展的訊息供自己參考，黃色是我覺得不錯參考的部分，橘色是我不確定對錯的地方。


1. David Leinweber
背景：AI研究員
入行方式：交易系統公司
工作型態：造市商

2. Ronald Kahn
背景：物理
入行方式：投資組合模型公司（BARRA）
工作型態：Active資產管理

3. Gregg Berman
背景：物理
入行方式：程式交易
工作型態：風管（RiskMetrics）

4. Evan Schulman
背景：經濟
入行方式：退休金資產管理
工作型態：造市商

5. Leslie Rahl
背景：數學
入行方式：銀行非交易部門（花旗）
工作型態：衍生性商品顧問公司

12. Andrew Davidson
背景：物理
入行方式：大公司財務部（Operating Research）
工作型態：MBS市場

13. Andrew Weisman
背景：商學
入行方式：外匯部門（Econometrics Application）
工作型態：銀行外匯交易員 => 券商投資部主管

16. Julian Shaw
背景：資訊
入行方式：造市商 => 銀行衍生性部門
工作型態：風管（巴克萊投銀 => 避險基金）
內容摘要：

1. VAR最初發展的估計方法較複雜，但趨勢是採用歷史模擬法，less is more 
2. 模型的檢定，參數估計是關鍵的部分 
3. 一些有用的工具：Kalman Filter，Resampling Statistics，Copulas

17. Steve Allen
背景：數學
入行方式：銀行作業研究部門（大通）
工作型態：外匯/利率選擇權造市（中台）


18. Mark Kritzman
背景：經濟
入行方式：壽險退休金部門
工作型態：資產管理（MVO: Mean-Variance Optimization）

內容摘要：

MVO是否等同Error Optimization?
他提出幾點反駁此說法。

1. 非流動性資產波動率無法正確估計，往往偏低，造成配置權重高估 => 調整非流動資產波動率假設
2. 資產配置結果對於參數估計十分敏感 => 肇因于資產間相似度太高，如資產風險／報酬性質差異很大，則參數誤差對於配置結果影響很小

comment：針對第二點，如果參數本身（波動率）十分不穩定如何處理？另像是Covariance Matrix之類的線性關係統計量真的有用處嗎？如果有用，參數如何估計並檢定其可信度？

22. Peter Muller
背景：數學
入行方式：投資組合模型公司（BARRA）
工作型態：Proprietary Trading（摩根史坦利）


23. Andrew Sterge
背景：數學
入行方式：銀行選擇權交易員
工作型態：造市商