研究生数学建模比赛都有哪些？如果附上大概的举行时间，就更好了。_百度知道
研究生数学建模比赛都有哪些？如果附上大概的举行时间，就更好了。
提问者采纳
edu，一般学校数学组的老师会知道，取得好的成绩的话你也有机会申请参加美国的全国大学生数学建模竞赛://today://xjtunews，详细情况可以问一下数学老师:///articles//，具体视各个学校的情况吧.edu.xjtu！给你个西安交大大的通知链接.cn/xssh/03://xjtunews.shtml" target="_blank">http，他们就是通知研究生参加比赛的哈工大研究生通知的链接<a href="http，大概的时间在9月份开始比赛./articles//.edu，前期需要关注一下具体的时间.hit，这对你将来要是有出国留学的想法会很有帮助第二有的学校的研究生通知参加竞赛有全国数学建模比赛
提问者评价
谢谢你帮我大忙了
其他类似问题
为您推荐：
数学建模的相关知识
其他1条回答
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁股票/基金&
伍侃：使用Matlab进行国内期货交易
作者：伍侃
　　第一节国内柜台系统介绍
　　综合交易平台CTP：
　　上海期货信息技术有限公司（上海期货交易所旗下子公司）开发的期货经纪业务管理系统。在API的设计、业务模式、开放性上都比国内其它系统走得更远，大部分期货公司都支持CTP，目前已经是国内期货程序化交易接入的事实标准。同时上期技术在证券API上也做了一定的工作，证券接口也已经发布。
　　金仕达：
　　市场占有率极高的柜台系统，最初仅有B2B网关，用户接入时必须同期货公司商谈，并在期货公司机房内网架设服务器。在2012年时发布了B2C版KSFT_API，与CTP接口相似，仅在一些开发细节上有所区别，直接减少了用户的迁移成本。目前大部分公司同时支持金仕达和CTP，不过存在的问题是出入金不便。CTP没有提供次席的快速出入金的方案，而金仕达方也不提供，最终在主席系统的选项上，期货公司必须得做出选择，目前有部分期货公司正酝酿将主席切换成CTP。
　　易胜：
　　由易胜信息技术有限公司（郑州商品交易所期下子公司）开发，提供了与交易接口，目前仅有部分期货公司部署了对应的程序化交易模块。易胜API最大的优点是提供了部分历史，这应当时是为了满足他们的程序化交易客户端所提供的功能，缺点是要开发时得申请授权认证码，这限制了不少开发者。
　　飞创信息X-Speed：
　　大连飞创信息技术有限公司（大连商品交易所旗下子公司）也提供了交易与行情的API，但目前成熟度不够，使用者少。
　　恒生：
　　专业的同时提供了证券、期货经纪业务解决方案的提供商，普及面也很广。基金公司等大型机构都有风险控制需求，而恒生在这方面做得不错，但目前没有推出面向普通客户的交易接口。
　　第二节开发前准备
　　CTP_API官方下载地址为：http://202.109.110.121/api/
　　实际上此地址少有人维护，如想要最新版，还是得找CTP_API的官方QQ群，一般群共享有最新版的API及相关的文档，强烈建议提前将文档细读几遍。最关键的两个文档是《综合交易平台API技术开发指南》、《综合交易平台API特别说明》。
　　提供的CTP_API目前有三个版本：Linux x64、Windows x86、iOS。微软官方已经提到过，在64位进程中不能加载32位的dll，同理一个32位进程也不能加载一个64位dll。所以在Windows平台下采用一般的dll调用方式也就被限制在了主程序为32位程序。其实，分别使用32位和64位两个进程通讯的方式能解决这个问题。
　　在这，我们使用dll调用的方式。先确保自己安装的是32位的Matlab，如果你是在64位Windows上直接安装，默认是安装的64位系统，请进入到Matlab的安装目录，找到bin/win32下的setup.exe进行安装。
　　第三节各种对接方式
　　MEX版接口
　　运行效率最高，但开发起来工作量大，要做大量的数据结构转换。目前已经有公司或个人推出了MEX版。
　　进程间通讯
　　这种方式比较灵活，对接64位平台或者跨操作系统、跨主机都是没有问题的，但在运行效率上略为逊色。已经有网友提供了通用版本接口，即可以Matlab调用，也可以R语言调用。
　　COM版接口
　　COM接口在Windows平台下还是有一定的使用范围的，Matlab、Excel等都可以对接COM接口，目前网上可以下载到上海汇朋提供的盈佳COM接口。网址：.cn/
　　Java版接口
　　目前已经有少量网友开源了Java对接CTP的接口，但Matlab对接Java接口的还没有推出。同时转换的技术也有多种，如JNA、BridJ。
　　网址： /QuantBox/CTP/tree/master/Java-CTP，JNA版
　　http://download.csdn.net/detail/vcfriend/5054163，BridJ版
　　NET版接口
　　NET版对接CTP的接口是百花齐放，版本比较多，网上目前比较知名的版本有
　　海风版：最早开源出来的C#版接口之一，P/Invoke封装
　　马不停蹄版：C++/CLI版封装 http://ishare..cn/f/.html
　　LumenXH版：/LumenXH/，P/Invoke封装
　　QuantBox版：/QuantBox/CTP，也是使用了P/Invoke封装，但对API做了自己的细节处理。
　　第四节 C#版对接原理
　　使用.NET版的好处就是省事，这么多款.NET版，选一款能对接Matlab，使用简单，自己能理解的代码库就成。
　　如何判断是否能对接Matlab呢？一般异步通知有两种方式：一种是偏底层的函数回调，一种是偏高层的事件通知。
　　1、函数回调。C#版接口不用修改，直接用P/Invoke的方式，将函数句柄直接通过赋值的方式传给最底层的C接口。可惜，实际测试行不通。表面上运行正常，能输出行情数据，但过不了十几秒Matlab就闪退。推断原因是回调函数被Matlab清理回收了，C层记录的函数据句柄在运行十几秒后就无效了。
　　2、事件通知。此方式也有必须注意的地方。Matlab支持addlistener，但直接模仿上面的回调函数的参数接口进行调用会报错，最下面的说明了为何会报错。 ... ents-in-matlab.html
　　即事件所使用的委托的签名必需要用指定的格式：两个参数，第一个参数是object sender，而第二个参数必需继承于.NET的EventArgs类。
　　检查这些C#版的接口，只要是指定格式的委托签名就可以了。
　　第五节 QuantBox版项目介绍
　　在这我只介绍QuantBox版，因为这个版本是本人开发并开源的，对它的了解最清楚。
　　首先介绍下这个项目，此项目最初是为了对接国外一款非常有名的软件――OpenQuant的程序化交易平台而做的前期工作，同时为对接其它语言做了预留。
　　由于OpenQuant插件开发是用的C#，为了满足项目要求，首先得有C#版接口，考虑到还要为其它语言做准备，一定得有C版接口。当时网络上没有C版接口开源，附属在一些C#版接口中的C版在对接其它语言时又不够方便，故C层与C#层另行开发。
　　有部分网友希望我们能提供Matlab版，因实际我们生产环境中并不使用它进行交易，没有编写MEX版的动力。不过通过研究，使用了更简化的方式满足了大家的要求，也就是上一节提到的C#版与Matlab版对接原理。
　　Java版也是在网友的期盼中诞生的，当初是考虑到C#版对接Matlab的方案只能在Windows下用，推出Java版对接Matlab的方案就能在Linux中用了。可惜Java版的测试能用，但Java对接Matlab的方案目前没解决。
　　第六节 C版的特点
　　C版本的特点是没有直接将C++版本的接口进行转换，而是做了一定的处理。加上这些处理的理由很充分，就是简化逻辑，让其它语言对接CTP时能更简单。
　　首先我们来看CTP接口开发要注意哪些关键地方，在其它网友公布的直接接口转换的封装，都要自行处理这些繁琐细节，但本人提供的C版都进了屏蔽。
　　1、请求ID，同一会话中严格单调递增
　　2、报单引用，同一会话中严格单调递增
　　3、发送请求流控，如果有在途的查询,不允许发新的查询。1秒钟最多允许发送1个查询。
　　4、部分期货公司要求先验证客户端授权然后才能登录
　　5、登录成功后必须要结算单确认后才能下单
　　6、行情与交易的流文件同目录可能引起数据紊乱
　　7、接收到的响应需立即处理，不然会阻塞后面的数据接收
　　主要添加的功能如下：
　　1、发送队列：报单、撤单直接发送，而其它的请求都先添加到发送队列，由发送线程去发送，发送失败后自动延时重发。解决了CTP有流控的问题。
　　2、接收队列：收到响应后，直接存到队列中，立即返回，然后其它线程从队列中取。解决用户代码用时过久产生未知错误的问题。
　　3、维护请求ID与报单引用，自动加锁，不再纠结于细节，不会出现重复报单。
　　4、自动进行连接、客户端授权、登录认证、结算单确认等工作。保证用户登录成功后就能直接下单。
　　5、断线重连后，行情与交易能重新登录认证，其中行情接口还能自动订阅断线前已经订阅的行情。
　　6、对行情与交易流文件自动分目录，解决数据紊乱问题
　　第七节监控软件的使用
　　在介绍Matlab对接.NET前，一定得先介绍监控软件，否则在下一节要介绍的开发上完全是在摸黑。
　　能实现监控的原理是：
　　1、CTP_API支持同一账号多次登录，目前期货公司大多设置的是同时最大6个会话登录
　　2、委托回报与成交回报等流会发向所有会话
　　所以在程序化交易时，另用一款比较好的手动交易软件来监控是不错的方式。可以查看委托状态、委托价、成交回报等信息，方便查找错误。目前推荐使用快期。
　　同时，我们对接CTP平台需要服务器的配置信息，在快期目录下有brokers.xml，其中有三样东西最重要：经纪商编号(BrokerID)，行情服务器地址（MarketData）、交易服务器地址(Trading)。
　　这个地方要注意，不管brokers.xml中地址如何写，地址开头没有“tcp://”，实际使用CTP_API时就得补上，如果以“udp://”开头，改成“tcp://”也能正常使用，在下一节的代码中有模拟盘的地址示例。
　　第八节 Matlab对接期货接口
　　/QuantBox/CTP/tree/master/Matlab-DotNet
　　请保证相关文件都是最新的。
　　thostmduserapi.dll、thosttraderapi.dll来自于上期技术
　　QuantBox.C2CTP.dll来自于C版接口
　　QuantBox.CSharp2CTP.dll来自于C#版接口
　　test.m是程序入口，做了以下工作
　　1、导入C#库
　　2、创建行情对象、交易对象的实例
　　3、注册事件
　　4、登录
　　5、退出（已经注释，没有执行，需手工输入退出）。（伍侃 ）
暂无专家推荐本文
同时转发到我的微博
将自动提交到和讯看点，
请输入您的观点并提交。
请输入您的观点 168字以内
同时转发到我的微博置顶我的观点
每日要闻推荐
社区精华推荐
精彩专题图鉴
网上投洽会
　　【独家稿件声明】凡注明“和讯”来源之作品（文字、图片、图表），未经和讯网授权，任何媒体和个人不得全部或者部分转载。如需转载，请与010-联系；经许可后转载务必请注明出处，并添加源链接，违者本网将依法追究责任。您好， []|
太平洋赛区
按球队查看
大西洋赛区
东南部赛区
太平洋赛区
西南部赛区
loading...
原创视频节目
腾讯NBA出品
雷霆为杜兰特以4年7000万的价格匹配了坎特，但杜少会心动留下吗……
火箭用底薪得到索顿，他会成为火箭夺冠的关键拼图吗……
黄蜂1号位已有3人，林书豪能在竞争中脱颖而出吗……
湖人今夏能招揽到大牌球员吗？
能，有钱有优势
不能，吸引力不够强
不好说，真的看不透
大西洋赛区
东南部赛区
太平洋赛区
西南部赛区
球队专区TEAM
腾讯NBA微信二维码
NBA微信二维码
于嘉微信二维码
杨毅侃球微信二维码
苏群微信二维码
鱼乐NBA微信二维码
Copyright & 1998 - 2015 Tencent. All Rights ReservedP Quant 和 Q Quant 到底哪个是未来？
最近听到一些朋友言论认为Q Quant正在走下坡路，研究risk neutral pricing和随机建模越来越少，相反，在physical measure下，不管是监管方面要求的credit modeling还是买房越来越多研究大数据，machine learning导向的算法交易变得越来越普遍。放眼望去，job posting也可以看出，传统pricing quant少之又少，只有几家金融科技公司在招人，而各大行往往走validation和strategist方向。 在这里问问各位大牛看法，希望大家各抒己见。
按投票排序
谢邀。类似月经贴。。。。。q quant来自于q measure，也就是风险中性测度。资产定价理论中最基本的原理，就是风险中性测度对应着无套利，无套利对应着可以完美对冲各种风险。所以q quant主要是协助structuring desk和exotic trading desk来做衍生品定价。银行卖那些复杂的衍生品是为了赚手续费（1%左右），并不是与客户对赌。在q quant的协助下，银行把衍生品卖出去，对冲掉所有风险，收客户一笔手续费，这才是sell-side最本职的工作。而p quant来自于physical prob measure，也就是“预测未来走势”，常见于买方和卖方的自营交易部。所谓预测未来走势，无非就是寻找under-priced risks/over-priced risks（不好意思不会翻译），也就是所谓的“找alpha”，因此p quant也叫alpha quant。所以，q quant做的是“如何不承担风险”。p quant做的是“承担哪些风险”。这两类quant的界限其实可以很不明显。举个例子，volatility trading做的就是对冲掉股票价格风险（q measure），预测未来波动率走势（p measure）。哪类quant更有前途，要的是经济周期。所谓“乱世买黄金，盛世兴收藏”。那些奇奇怪怪的衍生品，由于收益率高，在市场流动性过剩的时候会很受欢迎，所以前段时间银行们招了不少structured product pricing quant。而p quant的表现，通过量化投资的对冲基金的收益率就可以看出来（去年不太好）。不过，q quant是cost centre，p quant是profit centre，这也就意味着两者的待遇必然不同。当然，发财得有前瞻性。。。。
According to Attilio Meucci, Q area is derivatives pricing used by sell-side for market making. It is product-specific and low-dimensional. P area is risk and portfolio management used by buy-side to estimate the future. It is discrete and high-dimensional. I would agree that the industry is leaning towards P under the umbrella of "big data", but there is still interpolation of P and Q methods necessary far into the future. E.g. For hedging, one uses Q to determine the "Greeks" of derivatives, which flows into the process of linking risk factors to positions using P. For arbitrage, Q is used as benchmark to detect any misalignment in prices, then P is used to extract alpha.Hope it helps.------------------------Attilio Meucci, "P" versus "Q": Differences and Commonalities between the Two Areas of Quantitative Finance, 2011.
本片观点或引人不适，未适龄者请在家长陪同下观看。多图高能预警！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脑袋不太正常的人类捣鼓的玩意。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）；而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。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，若你真能堪破此间真谛，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，逼格逆天。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。（丧心病狂的）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08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贱贱地一把烧掉了大家的钱，让人们意识到这条路线的危险性。08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，催生出能极其方便的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（zhuang）术（bi）和数（mei）据（zi）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渡引入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语言。硅基装备给碳基人类带来的，绝不仅仅是逼格与基情，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。问谁又能抵挡住名为可能性者的诱惑呢？混沌已开，英雄将至。世纪新篇的主题词，是为梦想。And then a hero comes alongWith the strength to carry onAnd you cast your fears asideAnd you know you can survive（完）知乎相关问题考：正儿八经资料考：
这个被讨论了很多遍的话题咋那么多人邀。。。好吧谢邀trading界基本都是p quant，因为很少用stochastic这种东西。q quant主要在sell side，之前被裁的都是这帮人，唔，现在街上找不到工作的还是他们。这也不是说q quant就没需求，一般做research还有exotic比较多（当然他们是不是在扯淡你就自己判断了）。当然quant整体的就业也是处于下滑的情况。至于哪个有未来，这真不好说从理论上说q和p的区别在于q重要的是reasoning，你必须弄一个可以自洽的体系，不能搞出自我矛盾的东西。比如说在实际经验中，做treasury futures的trader都喜欢用yield，但是在数学上你不能这么搞，你必须calibrate一条interest rate曲线出来，或者说弄一个fwd rate曲线出来，然后严格的根据hjm框架进行建模。这是因为quantitative的一切理论基础基于non-arbitrage，否则你搞出来的东西就不满足理论框架——例如余项的独立随机性和高幂下的稳定性会受影响（很多模型的余项在高幂下是发散的，这和正态分布的理论相违背）。但在实际经验中，如果你有交易所的数据，你就会发现真实数据是很难满足理论要求的，比如说garch吧，你很难发现余项会满足模型的基本要求。再比如说options的定价，就算你把levy process用上搞很多fancy的model也很难弄出稳定的参数——所以大家还是用BS，弄一堆vol surface出来。所以对交易员来讲，从头开始用理论推导定价（q quant）就和用cash flow来对股票定价一样不靠谱，因为这是个事倍功半的事情。所以p quant给人的感觉就是“简单粗暴”，我搞出的model就算不稳定不要紧，只要差不多正确，能赚钱就可以，错了的话直接stop loss就行了，反正没有model是永远正确的。
关于P和Q，各位答主已经回答的很精彩全面了。说一些额外的想法，对Q需求的减少，08危机的后遗症影响是一方面，此外越来越收紧的监管，不管是要加强OTC市场衍生品交易的监管，还是要限制银行的自营业务，对卖方的影响是大于买方的。而卖方是Q主要的就业市场，这样的大形势下自然Q就显得颓势。但是对买方来说，也确实有需要更Q打交道的地方。比如上面有答案中有提到如果想对波动率进行投机；此外风险管理上，如果你投资组合中包含了这类衍生品交易，不管是出于对冲方向性风险的目的，还是投机类目的（上面说的波动率），或者追求杠杠性，那么度量这些组合中衍生品风险的时候，是不得不进入Q里面。一个不太恰当的比方，Q世界以风险中性测度为基准建立了一个不完全符合实际的“沙箱”，作用是将P世界中的价格变动，投影到这个“沙箱”中够建出衍生品来，并能给出其价格。那么要交易“沙箱”里面的东西，就不得不对其有所了解。最简单的，卖方漫天要价时，买方需要落地还钱吧？这个要价还钱过程就需要在“沙箱”里完成的。当然对买方来说对Q的需求要比P小。其实P世界内部，也划分很多种类，高频交易的，量化策略的等等，差别也比较大。知乎上相关的问答也不少，细读很有收获。 好像有篇文章提到过Q的传统主场定价领域，也有被P的侵蚀的迹象。但我自己所了解的，这块地方还是Q的铁桶江山，不见P的踪影。可能与我了解的范围不太宽有关，不知道是否有了解的知友。不管Q还是P，都是试图从不同的角度对真实的复杂世界进行衡量，无法尽善尽美是自然的了，各自都用缺陷的地方。这个不奇怪，因为就纯数理自然类的角度来说，依然不是尽善尽美受限制的，何况金融市场是有人参与其中。比如P世界机器学习中的SVM方法，只从纯数理的角度说，感觉其最大的特点是“巧妙”的将低维度数据空间中，不可线性解决的问题，转化到高维度空间进行线性解决。怎么做到“巧妙”的呢？因为其计算过程只依赖样本数据内积的运算，而恰好数学上发现过几个叫“核函数”的好东东，可以做到将低维空间的内积运算，变换为高维空间的内积运算，最关键是不需要关心高低维变换的具体内容，这一下子就让问题简化了很多。详细的资料可以搜到很多，这里想说如果不是“碰巧”发现过那几个核函数，可能就不会有这个方法的兴盛了。对核函数的使用，比如哪些情形下哪个核函数能达到更好的效果，是还没有严密的理论作为支撑的，更多凭经验，出于“黑盒”状态吧。这就是种种限制与不足中得一个例子。但是一来这个领域现在还没有尽善尽美的方法出来，二来即使有限制的条件下也能很好的解决有些问题。所以不管哪种缺陷下的方法，照样不影响大家使用，一来“没的选择”，二来“用着还行”。：）
我个人把金融草率地分为三类，一类是金融服务（包括了IPO上市，并购，银行，金融咨询等等服务）这一类比较注重一个人的“综合能力”也就是软实力（包括了搞定客户啊，基本的财务分析，说服客户，写报告的水平，加班和喝酒的能力等等哈哈）。第二类是金融实体投资能力，或者说基本面分析（包括了PE/VC，还有这种直投部门等，直接投资于各类公司，而非股票市场），这类看中的是对于特定行业的理解，财务、市场未来趋势的分析能力以及“识别人的能力”。最后一类就是金融市场量化研究（包括了交易策略，资产配置，投资组合策略，风险管理，高频交易等等）这类需要扎实的数学、统计、计算机算法的功底，以及对经济和金融的“直觉”。。。我在这里重点就说说我对于最后一类的看法。。。
学金融的人，甭管是不是金融工程，必须学过Black-Scholes，和最简单的Binomial tree二叉树期权定价，我把这类方法称为 the risk neutral measures的代表，尊重文献简称Q measure的代表，意思是这类金融工程定价方法是基于风险中性世界（risk neutral）这一假设的，利用risk-free rate而非真实的risky rate来求得一个“极其理论”的价格，这一派使用的技术主要是：随机积分和偏微分技术；当然了，学金融的人也必须学过计量经济学和时间序列回归，我把这类基于统计的方法称为real-world measure的代表，简称为P measure的代表，意思是这类方法是基于真实世界所发生过的数据sample data/training data来建立/训练模型，试图最小化test Mean Squared Error（test MSE，注意不是sample MSE）来拟合整个population data的情况。（事实上经济学家对于计量经济学的贡献仅有instrumental variables regression（翻译为：工具变量）这一项“小技巧”，其他都是照搬线性回归统计学家的功劳，将线性回归称为计量经济学实在有失偏颇 LOL） 这一派的技术主要为：计量、时间序列、更加复杂的统计学习/机器学习（machine/statistical learning）。
在2000年以前Q measure方法占据了绝对统治地位。因为P measure是基于统计的方法，或者称为机器学习machine learning/统计学习statistical learning，需要大量的数据去“训练”模型得到模型的参数或者分类的标准（例如我们的计量经济多元回归，或者利用logit、probit、Fisher线性判别等来进行分类）。。。而且越“先进”的模型因为自由度增加，对于数据量的要求就越高，否则效果还比不上最原始的计量经济学线性回归或者GARCH ARCH这些玩意。特别是1980年之前，金融市场不如当今发达，数据量也不足，导致这类基于statistical learning的方法举步维艰。而Q measure不需要大量数据，仅仅利用假设以及随机积分、偏微分方程等技术就可以为新产品定价，因此至今卖方都在利用Q measure来为新产品定价，因为新产品木有任何市场价格数据。（本人绝对没有任何亵渎B-S公式伟大发明的意思。。。）。
着重使用随机积分的 Q measure其问题也显而易见：risk-neutral太过于理论化，算出来的价格基本不会等于市场上的真实价格，仅仅只能拿来当做一个“参照物”而已。而且B-S假设波动率不变，为了解决这个问题又引入了隐含波动率以及volatility smile（微笑曲线？）（这是Derman教授研究的范畴，此人是南非出生的犹太人，李政道派系的弟子，哥大量子物理+金融工程双教授，高盛全球量化的老大，B-S发明者Black最得意的徒弟，著名的BLACK-DERMAN-TOY的发明者，以及《宽客人生》的作者，80来岁了每周依然上2-3门不同的课，而且坚持全程站立写黑板不用ppt，想想国内的某些“大牛”教授的作风我就呵呵了。。）。但对于买方来说，粗略的“价格参照”显得毫无意义，几十个bps的差价就会导致上千万美金的利润差额，所以对于hedge fund，PE/VC，HFT等买方定价技术有更高的要求。这个情况就相当于“八仙过海各显神通”了。买方发明了各种赚钱的技术，比如历史场景法（寻找相似的历史场景来预测价格的变化），事件驱动法，直觉与主观判断法（这个中国的基金公司大量人在使用，但是并不是贬义，金融工程最重要的不是数学，而是“直觉”！当然前提是你的直觉要够准。。。。），宏观模型驱动（例如美林投资时钟，这个大陆和台湾超级喜欢用，我也不知道why）等等。。。而其中最重要最主流的，便是P measure（statistical/machine learning）。
最早系统地采用机器学习，打破Q measure垄断的对冲基金是DE.Shaw，由哥大计算机系机器学习方面的大牛David Shaw教授于1980年左右创办。该基金创立至今一直是世界最顶级的几家对冲基金之一，另一家最顶级的对冲基金Two Sigma的创始人则是Shaw教授的徒弟。Prof. Shaw也因为下海炒基金在上世纪就早早上了福布斯全球富豪榜（年轻人更牛，去年对冲基金个人收入排行榜里面前几的人个个都有十几、二十多亿美金的年收入）。不过该公司招人只喜欢全球信息技术竞赛和全球数学奥赛的金牌得主（现在公司大概有40-60个金牌。。）。我一个朋友是NOI的银牌，哥大计算机phd，申请暑期实习直接被鄙视，面试都没有给。。。。类似的Two sigma，DE.shaw还有搞trading的Jane street这类公司如果在核心部门，运气好第一年年薪就可以达到30-40万美金。我一个中国人朋友是MIT的理论数学全奖本科，本科毕业直接去Jane street，第一年就弄了45万美金。。。base虽然只有10多万刀一年，但是bonus超级高。。。。
P measures现在正被大量运用于买方，甚至部分卖方以及风险分析上面，而且趋势越来越明显，可以说未来10-15年必定大有发展，这也是金融工程技术发展的一个新阶段吧。
另外 我认为这些机器学习/统计学习（P measure）的方法用于金融领域遇到的最大麻烦主要有两个：第一，金融数据有极大的noise（例如在Blackrock的师兄目前就在参与搭建Blackrock的机器学习的大框架，发现即便是房利美房地美提供的数据也有极大的缺失与失真），这导致更加复杂（或者更加flexible）的非线性模型的预测效果在某些情况下甚至比不上最简单的线性回归模型。因为更加复杂的模型的degree of freedom自由度上升，有可能导致过度拟合，对于noise更加敏感。如果不懂得如何很好地处理这些noise，或者无法获得充足的数据量，亦或对于复杂模型缺乏深入理解，那么还是使用最简单计量经济学以及金融计量为好。第二，复杂的模型缺乏“金融理论解释能力”。比如最常用的PCA主成分分析法，我们可以非常容易地得到一个“principal market portfolio”也即是市场组合。但是这个市场组合却很难被“解释”。相反，因素模型（factor model）的求解过程可能会劣于PCA，但解释能力更强。
如果想往Q measure发展，那么要学习随机积分以及偏微分方程这类传统的数量技术；如果对P感兴趣，则重点学习时间序列，线性回归，机器学习技术。其他相关的课程有：运筹学、动态规划、模特卡洛模模拟、随机过程等等。。。
这篇东西可能主要是为国外党们服务的，当然对于国内的金融工程发展方向我觉得也有一定启发吧。。。毕竟中国的金融市场也是要逐步放开发展的。。。
首先你们这些初中级员工和正准备入行的门外汉是不了解我们这些高层是怎么想的，你们接触的信息，多半是金融分析师CFA和数量分析师CQF认证培训的内容，大学里面教你们的东西，即便你们到PHD，其实也是为了学校的培训盈利需要。然后需要说一下金融工程，金融工程最早是由一部分数学和物理的博士找不着工作，稀里糊涂跑到了华尔街，然后用看起来神奇的图片博得了老板的欢心，而且图片和看似神奇的模型可以很好的对销售工作提供有力支持。毕竟搞投资看起来专业些好。于是华尔街有了数量分析师这样的职位，后来看销售业绩还不错，因为基于所谓高级模型的东西更能让人有对专业的信任感，当时到处是NASA专家的数量系统广告，人力资源部门就开始界定符合要求的人员。因为人力资源水平有限，毕竟不是数量专家，于是就定义为理工科，数学，物理学的博士的职位要求（博士后什么的优秀论调是国内的傻冒们开发出的，中国特色）。而自然学科的待遇水平哪里会比金融来的好些，尤其在多数人的范围内的时候，大部分人当不了顶尖物理学家、数学家，国外也不少混饭吃的，正好华尔街有需求，而且市场营销已经对数量类博士做了宣传，所以大部分人就进入了这个行当。但是，显然单纯的数量专家的要求太高了，于是数量方面实际没有多强的就需要一个定位，而学校也看到了商机，于是出来了一个金融工程，而实际上大部分所谓的金融工程的，根本就不清楚比如说定价到底是干什么的。不过市场部门清楚。所以就开始有了所谓的金融工程的火爆。之后一些机构发现不是博士什么的，也能干活，于是除了几个撑门面的外，也开始找其他的来干活。于是，因为本身这类人群自身体系的天生欠缺，他们用完全的自然学科的东西研究社会学科，也就使后来的定价模型结果和大部分风险管理模型存在不可避免的系统风险。这也是这次危机的原因之一，而可怜的是，事后效应依旧影响着一些社会团体，尤其是以这方面盈利的团体更是继续鼓吹，信息的不对称和传导的失真就让另一部分人开始对金融工程深信不疑，这部分受众的支持起了强化作用。结果就是你现在看到的。国人目光向来短视，所以往往走两个极端，盲目崇拜和盲目否定，而且在预测失败后依旧保留强烈期望，对金融工程也是这么看。我知道这么说会被很多金融工程是宇宙真理先入为主的人所鄙视的，但是请看下面一段内容，原文自纽约时报，你们也知道纽约时报的地位，不那么容易像华尔街日报那样被买通：“Bonds have a price and a stream of payments — a lot of numbers,” said Dr. Derman, whose first job was to write a computer program to calculate the prices of bond options. The first time he tried to show it off, the screen froze, but his boss was fascinated anyway by the graphical user interface, a novelty on Wall Street at the time.你们既然都是接触金工的人，那么里面的Derman就是指 Emanuel Derman，没错，写His life as a Quant的那个家伙。你们看原文就知道，定价模型歇菜了，老板是被数据可视化吸引的，所以你们就了解到你们对金工模型体系的定价跟老板的完全不在一个象限吧～高层实际上根本没把你们顶礼膜拜的模型算法放在眼里。说实话，他02年退休后04年书出来，在投资实务界还没有什么关注度，只是学生们关注而已，话说他原来在的高盛的那个部门很水的，那本书写的其实挺一般的，他之前的几个合作作者的改良型模型也一般。注意哟，现在14年，04年的时候，正是大洋彼岸金工最火的时候，当时有一波海龟回国“报效国家”，工资很高，机构疯抢，市场中性和定价来投机中国市场，然后大部分都赔了然后又不得不又背井离乡，满腔报国热情无施展之地。第三就是这个所谓的P还是Q的问题，从问问题和回答来看，八成这里的人在0708年的时候都没有真实参与市场，因为实际上那之前，这两个方面的应用是分别有各自领域的，但是在04年到07年，尤其是06年的时候，就是His life as a Quant的家伙推波助澜出书之后，太多的不合格人员被输送到了金融市场，因为本身缺乏经验和培训机构（包括常青藤）的错误引导（带胡子的教授不一定是邓布利多，有可能还是黑胡子），所以导致滥用乱用的情况很多。而当时，实际上你们所谓的P是摆了Q一道的，因为P的不专业，而P当时主要在风险管理部门，交易部门那时候美国的对冲基金也不是特发达实际上，所以实际上用P在交易部门的是比较少的；而Q主要在定价、投行研究、交易、以及技术支持咨询公司（就是提供定价嵌入、算法交易的这类公司，实际是特简单的东西，比现在普遍用的套利还简单）。但是后来大家都知道次贷了吧，起因发展什么的已经有不少教授们从09年开始在分析总结了，这里面就出问题了。衍生品定价主要当时是Q，而相应的风险是P，但是P没管Q就放行了，看着Q往坑里掉，不但不拉，然后还踹了几脚，所以Q实际上对P是既无奈又生气，但是最早被裁的，就是Q，而P也没有独善其身。但这不是根本原因，根本原因是，Q作为主攻产品销售支持的部分，不管是衍生品定价还是基金产品定价策略，说白了都是要卖的，因为环境的因素，卖不出去了，在老板眼里，Q就丧失了忽悠客户的价值，没有价值的人在华尔街会被当垃圾一样扫地出门，属于机构应急保护措施中最先被裁的，原因就是上面提到过的标准化培训，虽然大家顶着光环毕业，但是实际上跟生产线出来的易耗品是一样的，属于外围被用来挡子弹当肉垫儿的。因此08年后就出现了又一大批的海龟潮，李祥林David就是典型的Q呀，但是你们会注意到他很聪明，因为没有实际盈利能力，他回国利用中金不了解P和Q的区别非常顺利的转型到了P为主的风险管理，但是大部分海龟就没那么幸运了，因为大都是雷曼兄弟歇菜后被裁的，有的内向的，被裁当天上午才知道，可以想象当时的惨烈情况。但是即便是这样，我们伟大的祖国的社会环境，会自然而然的主动过滤掉一些不利于赚钱的消息，于是你们会发现即便经济危机了，上学躲避就业是商机，09年开始的几年在美国不受待见的金工，却在国内蓬勃发展了，当然这里主要是培训教学开班收费学校开设热门专业，但是对教给你们的东西，是绝对不会对正确性和实用性负责的。第四就是你们受到了10年的银行业务分离法案，就是那个沃克尔法案，和金融危机后财富阶层加快对中产和普通民众剥削速度的双重影响。前者是因为要求衍生品分离，交易部分保留，对冲基金业务剥离，高杠杆限制及剥离，费劲学出来的很多Q又再一次失去价值了，更何况投资行业这东西光培训其实没用，天赋、运气和悟性都比你努力地学呀学重要，可以说仅次于你是二代的地位，甚至比二代的条件还能往前靠。而金融危机后，本来刚开始财富阶层也是跟老百姓一样资产缩水的，而且缩水的绝对价值要比你们想象的大得多，你们没经历过的话是很难想象出来的，跟看20123DMax全景实景大片一样。但是刚开始被忽略的是，财富阶层往往掌握的资源并不只是财富，钱不是万能的这句话有非常好的体现，在面临危机的时候，财富阶层更容易利用自身的资源和财富雇佣天才精英实现转型，从而财富不但不缩水反而增值，当然这里的情况是以完全合规为前提的，内部消息政策什么的不在内。但是对精英人才的需求有一个基本特征，就是它并不像需求流水线人才那样要求统一的标准：名校、学历、出身定价，而是实打实的按照本事来，那么这时候脱离市场需求和市场环境的Q，就显著不如P来的好了。但是实际情况是，分P分Q本身的方法实际上就是后来培训机构创造出来的方法，就好象高频交易我们在刚开始搞你们这些外围人人士不知道的时候，根本不那么分类和叫法和定义。而我身边的做的比较成功的应用量化方法的从业人士，很少有愿意承认自己叫什么Quant的，反而数量专家和相关的职务名称，更容易接受一些。哦，对了，如果有人再因为数量方面鄙视你的话，你可以直接轻松的问他，0708年实际盈利如何？这个问题百试百灵，非常适合于本身加减乘除还没搞清楚的就乱侃高阶数学的～要知道，金融中单独一个模型的叫法，可就可以涉及好多领域和学科的啊～以上。
当一回搬运工吧，自从ｇｏｏｇｌｅ不通后，很多信息找起来不方便，这是个老问题了，2011年有人为这个专门写了论文。个人认为不存在谁会消失的问题，两者应该会互相促进，共同发展。When you enter this career, at some point you will hear people saying
things like, "that quant is a P, not a Q person". The paper below by
Attilio Meucci is a good read on the topic.Abstract
There exist two separate branches of finance that require advanced
quantitative techniques: the "Q" area of derivatives pricing, whose task
is to "extrapolate the present"; and the "P" area of quantitative risk
and portfolio management, whose task is to "model the future."
We briefly trace the history of these two branches of quantitative
finance, highlighting their different goals and challenges. Then we
provide an overview of their areas of intersection: the notion of risk
the stochastic processes used, often under different names and
assumptions in the Q and in the P the numerical methods utilized
to simu and statistical arbitrage.
我个人倾向是P。 类比一下，P是数学上的数值解，Q是解析解。 基本上上能求出来解析解的时候就求了，而求不出解析解的时候，只能求数值解了。更多的建议参考这个问题，里面有更多地涉及手机作答 先简单说几句
P是近战英雄，Q是法力英雄，前期Q很厉害，后期全靠P撑场面。不过，我这水平肯定是Q了，希望P派们手下留情。
简单说，Q派的主要工作是为新设计的衍生产品提供一个交易双方都可以接受的risk-neutral的”公平“(non-arbitrage)价格。由于衍生产品是新生事物，大部分没有历史数据可以借鉴，而且产品细节条款不同，所以更多依赖模型来解决问题。为了模型的方便和解模型的便利，Q派所有模型都要对市场环境和资产价格分布做一系列的假设。P派则从数据出发，找寻数据中的统计关联，预测(占卜)未来价格走势，设计交易策略。金融危机以后，大家认识到衍生品的复杂度和风险远超过模型的衡量，再加上衍生产品市场的监管加强，这一切使得新产品的需求大大减少，从而也降低对Q派的需求。
从大学（确切说是初中）接触金融开始，我一直奉行Q Quant，所有获奖的论文和模型全部都是站在发行机构的立场设计的基于Arbitrage Pricing Theory完成的，模型大都是单个风险高，组合起来能帮助投资人对冲所有现有风险的衍生品。而P Quant大部分是要用到Monte Carlo模拟的项目（虽然有的Q也要，但我是尽量避免了）。虽然理论物理学偏向波尔而不是爱因斯坦，相信上帝是掷骰子的。但是对于金融，我是一个彻彻底底的晚期Risk Aversion癌症患者，我不在乎为了这些利率去承担多少风险，我在意的是怎么不承担任何风险去利用杠杆头寸、时空差去套利。一边喊着口号说历史数据不代表未来业绩，一边利用历史数据去做分析，我不要精分。。。对于未来发展，可能真的像楼上几位所说的，P强一些吧。
Q quant多去投行, P quant多去hedge fund. 目前来看, 美国hedge fund起薪比投行略多.从研究上来说, pricing theory已经相对成熟了, 但大数据还是有很多能研究的.对从业人员来说，谁知道哪个是未来，能挣钱才是王道.
两个不一样的工作，如果有新的产品，q还是需要的吧，p竞争也很大。
都不是未来，p相对好点